BLACK HARNESS Blog ↗
具後台治理與 Event Radar 的 AI 內容平台,每天自動整理資安與 AI 新聞。
從金融核心到自己的小工具,都要能上線、能維運。
從金融核心到自己的小工具,都要能上線、能維運。
從自己做的產品與遊戲,到教程、AI模型、企業解決方案與研究。選一個分類,看看你感興趣的作品。
舊簡報入口已整合至論文分類;技術主管應徵簡報目前不展示,既有文件直連仍保留。

具後台治理與 Event Radar 的 AI 內容平台,每天自動整理資安與 AI 新聞。

個股健康檢查、追蹤與通知工具,五面向資料、風險先行、每日簡報。
依考試與科目分類的線上題庫,方便練習、複習與準備證照考試;需授權登入。

3D 棋盤、棋靈對弈,加上依棋力安排的一步一步圍棋導師。

可直接開玩的線上五子棋,與電腦對弈。

不會 Blender,也能從想法做出 3D 成品——從參考圖、AI 初版到可展示的靜態模型,一份 19 頁的教學簡報。
站內閱讀

以保險業 IG/Facebook 為例,從受眾定位、選題與寫稿,到拍攝、剪輯、發布與回看,八週建立自己的內容節奏。
站內閱讀

這項研究想讓電腦從混雜的垃圾照片中,找出塑膠瓶、金屬罐與磚石,並框出位置。先整理圖片、標出答案,再用 YOLO26n 訓練模型,比較不同圖片尺寸會不會找得更準、少亂框,以及處理影片時能不能跟上速度。
同一組200張測試圖片,改用較大的訓練尺寸後,綜合評分增加4.48分。這個分數叫mAP50–95(乘100顯示),同時檢查種類與框的位置;55.38分不等於現場辨識正確率55.38%。
人工核對後,這20張都沒有能清楚確認的三類目標。模型卻仍畫出框,這些就是誤報。B2版本把誤報框總數從76降到29,但有誤報的照片由15張變16張:亂框少了,仍未做到現場可靠。
目前已建立從資料整理、訓練到錯誤核對的完整流程,也找到效果與速度的取捨。下一步要補拍能清楚辨認目標的現場照片,才知道真正的瓶罐與磚石有多少會被漏掉。
站內閱讀

企業官網的非官方複刻練習,含資料中心後台,部署於 Cloudflare。
從導入規劃書(4W1H)、使用與治理規範、AI 輔助開發 SOP、安裝與操作手冊,到附件與範本集的一整套企業導入討論稿。
站內閱讀
整合鳥寶照護、寵物用品與門市資訊,讓顧客更容易認識品牌與找到需要的服務。

員工排班與出勤管理的企業人事系統。
與中央研究院合作,已在林口長庚、台中榮總等院所上線。
以對比學習與知識蒸餾建構的兩階段交易最佳化框架(ETF 00891)。
站內閱讀