Weibang Yin

• Cloud Camera × POS Integration: Led backend design for a new retail loss-prevention product integrating Safie cloud cameras with the Smaregi cloud POS platform, delivering theft and staff-misconduct detection for hundreds of retail, restaurant, and apparel stores.
• Design ownership & delegation: Owned and designed 7 REST APIs, 1 database schema, and 2 batch jobs; broke work into tickets, delegated across the team, and reviewed their code and technical designs.
• Business impact: Drove ~several million JPY of incremental quarterly revenue for the camera product line.
• Reliability: Developed and improved services (FastAPI, gRPC, Celery, SQLAlchemy/Alembic, MySQL); handled production incidents end-to-end with root-cause analysis in Datadog and Grafana.

• クラウドカメラ × POS 連携: Safie のクラウドカメラと Smaregi クラウド POS を統合した小売向けロス防止プロダクトのバックエンド設計をリード。数百の小売・飲食・アパレル店舗に対し、盗難・不正行為の検知を提供。
• 設計オーナーシップと委任: 7 本の REST API、1 つの DB スキーマ、2 つのバッチジョブを設計・担当。作業をチケットに分割してチームに委任し、コードと技術設計をレビュー。
• 事業インパクト: カメラ製品ラインの四半期売上を数百万円規模で押し上げ。
• 信頼性: FastAPI・gRPC・Celery・SQLAlchemy/Alembic・MySQL でサービスを開発・改善。Datadog と Grafana で根本原因分析を行い、本番障害を一貫して対応。

• Monitoring & automation: Built and maintained internal monitoring dashboards across multiple domains, and designed a reporting-automation pipeline that extracted key metrics (QPS, CPU, memory) from Grafana/Jennifer and auto-generated PDF reliability reports.
• Load testing & performance: Led load-testing for high-traffic events (Super Sale) — designed scenarios, ran distributed load generation on GCP, and analyzed logs/metrics to remove bottlenecks.
• CI/CD & infra automation: Designed CI/CD pipelines (Jenkins, Groovy), managed Kubernetes clusters for high availability, and automated provisioning with Ansible.

• 監視と自動化: 複数ドメインにまたがる社内監視ダッシュボードを構築・保守。Grafana/Jennifer から主要指標（QPS・CPU・メモリ）を抽出し、信頼性レポートの PDF を自動生成するパイプラインを設計。
• 負荷試験とパフォーマンス: 大規模イベント（スーパーSALE）時の安定性を担保する負荷試験をリード。シナリオを設計し、GCP 上で分散負荷を実行、ログ・メトリクスを分析してボトルネックを解消。
• CI/CD とインフラ自動化: CI/CD パイプライン（Jenkins・Groovy）を設計し、高可用性のための Kubernetes クラスタを管理、Ansible でプロビジョニングを自動化。

Solo-built · ~1,000 users · 128 paying subscribers (Stripe) · 1,300+ commits

個人開発 · 約1,000ユーザー · 有料課金128名（Stripe）· 1,300+ コミット

• Real-time GenAI pipeline: browser mic → WebSocket → Google Cloud streaming STT → OpenAI streaming LLM → TTS, delivering live answer suggestions during interviews.
• RAG & agent orchestration: LangChain, a Redis vector store, and sentence-transformers embeddings to ground each session's responses in the user's resume.
• Evaluation & monitoring: LLM-as-judge evaluation with a stronger model, latency warm-up, and usage/credit monitoring for accuracy and cost control in production.
• Platform & ops: 8+ Python/FastAPI microservices + Next.js/React frontend + Stripe billing; Docker Compose, CI/CD (GitHub Actions + Azure Pipelines), Alembic migrations, automated DB backup/restore; deployed on GCP.

• リアルタイム GenAI パイプライン: ブラウザマイク → WebSocket → Google Cloud ストリーミング STT → OpenAI ストリーミング LLM → TTS で、面接中にリアルタイムで回答候補を提示。
• RAG・エージェントオーケストレーション: LangChain、Redis ベクトルストア、sentence-transformers による埋め込みで、各セッションの応答をユーザーの履歴書に基づかせる。
• 評価とモニタリング: より強力なモデルによる LLM-as-judge 評価、レイテンシのウォームアップ、利用量・クレジット監視で、本番の精度とコストを制御。
• 基盤と運用: 8つ以上の Python/FastAPI マイクロサービス＋Next.js/React フロント＋Stripe 課金。Docker Compose、CI/CD（GitHub Actions + Azure Pipelines）、Alembic マイグレーション、DB バックアップ/リストア自動化。GCP にデプロイ。

• Designed and trained a deep neural network (U-Net + ResNet) in PyTorch to remove reflections from images (glass glare, fences) — including the data pipeline, model training, and evaluation.

• PyTorch で深層ニューラルネットワーク（U-Net + ResNet）を設計・学習し、画像から反射（ガラスの映り込み、フェンスなど）を除去。データパイプライン、モデル学習、評価まで一貫して担当。