跳到主要內容

鑽石級贊助商：旋轉拍賣 Carousell

Hi 大家好！    (English readers please jump to end of the article)

我們是來自新加坡的旋轉拍賣 Carousell.   這是旋轉拍賣第一次贊助 TW COSCUP，很期待跟大家見面，要來旋轉攤位找我們唷 :D

除了 8/5-6 在 COSCUP 見到你，我們 8/7-9 在台北也有徵才活動 (實體面試)，以下簡單跟各位介紹旋轉拍賣使用的技術：

後端目前為 Python & Django，資料庫是 PostgreSQL，未來後端會使用 GoLang (現已逐漸轉移中) 並搭配 Microservices ，前端是 NodeJS, ReactJS and Fluxible (也在轉移到 Redux 中)，我們的伺服器皆架設在 Google Cloud Platform ，以上是 Engineering team 的技術介紹～

再來想跟大家介紹旋轉拍賣的下一個目標：讓買賣從 30 秒變 3 秒
我們預計導入人工智慧 (AI) 、機器學習 (Machine Learning)、圖片辨識 (Image Recognition) 等方法，幫助數百萬用戶在更短的時間內完成物品上架，讓買賣更簡單！

旋轉拍賣身為支持開源社群的一員，我們最近在 GitHub 上發佈了一個 iOS 的圖片挑選工具 Pickle  (歡迎使用並提供任何意見讓我們改進~ 謝謝 :D)
我們也期許自己未來能持續貢獻、回饋更多開源工具給大家，歡迎你在 COSCUP 期間到旋轉拍賣的攤位 聊聊我們使用的 Open Source Libraries ，或與我們分享你的開源經驗，一起交流學習與成長！
希望以上說明能幫助你更了解旋轉拍賣 Carousell :D    最後是徵才時間啦～
旋轉拍賣台灣研發中心七月中已經在台北正式成立囉！  廣邀各路好手加入我們：
[TW team]
  • Frontend
  • Test (QA)
  • Engineering Manager
[SG team]
  • Engineering Team
    • Engineering Manager
    • Frontend
    • Site Reliability
    • Full Stack
    • Test (QA)
  • Data Team
    • Data Scientist (Machine Learning)
    • Data Analyst
    • Business Intelligence (BI) Lead
  • Product Team
    • Product Designer
    • Product Manager
    • Head of Product Design
申請連結：http://grnh.se/rlej6h1 
補充：申請非工程職缺者，請在備註欄標示欲申請之職缺，謝謝 :)

ps: 旋轉拍賣很喜歡台灣工程師唷～ 不只技術能力佳，在文化方面也很契合，除了以上的工程職缺，歡迎推薦 Data & Product 的機會給身邊朋友，我們誠摯希望有更多台灣人加入 Carousell   #壯大旋轉台灣幫
【工作環境與福利介紹】

 <擁有自律 就能享有更大的自由>
  • 第一年即享14天年假，還可在任一旋轉拍賣海外辦公室 remote work
  • 彈性工時不打卡，可隨個人習慣調整工作時間
  • 免費開放零食櫃，歡迎許願你想吃什麼
  • Apple 電腦、外接雙螢幕與舒適座椅
  • 每週五免費午餐，溫馨 Family Friday 讓我們更認識彼此
  • 超佛心員工認股權 (管理職可再議)
<成為改變的推手>
Carousell 產品工程團隊致力用科技解決生活中大大小小的問題，你寫的每一行程式碼將影響數百萬人的生活，所提出的每個點子也會被高度重視與實際執行。

<人才是一切的核心>
“你”是 Carousell 最重視的資產。我們借重你的專業也在意你的成長，幫助你蛻變成自己想要的人是我們持續努力的目標。全額贊助參加技術年會、內部黑客松、彈性工時、 蘋果電腦、員工認股等都是你能享有的資源與福利。

<溫暖的國際家庭>
Carousell 成員來自 20 個國家，多元的團隊背景造就直接的溝通風格與透明文化，我們傾聽彼此也支持對方，不僅是一起打拼的夥伴、更是好朋友與家人。

【旋轉拍賣簡介】

Carousell 旋轉拍賣是個以社群社群為核心的拍賣平台，2012 年在新加坡上線後，已拓展至台灣、香港、印尼、馬來西亞、菲律賓、澳洲等國家。現有超過 6,500 萬件刊登商品，為全球成長最快及最大的行動拍賣平台之一，在新加坡、台灣與香港均於手機購物應用程式排名中名列前茅。
我們的投資者有紅杉資本(Sequoia India)、樂天創投 (Rakuten Ventures)、500 Starups、金門創投 (Golden Gate Ventures) 以及 QuestVC 等多家創投。

【Carousell Introduction】

Carousell is a mobile classifieds marketplace that makes selling as easy as taking a photo, buying as simple as chatting. Launched in August 2012, Carousell began in Singapore and has spread to 19 cities around the world. With over 65 million listings, we are one of the world’s largest and fastest growing marketplaces.

Carousell is backed by leading international Venture Capitalists Sequoia India, Rakuten Ventures, 500 Startups, Golden Gate Ventures, and QuestVC.

As a supporter of the open source community, we have recently open sourced an image picker named Pickle for the iOS platform on Github and we hope to be able to open source more of our work to share with the open source community in future. We look forward to sharing the open source libraries that we are using at our booth during COSCUP.

Join us as we embark on our journey to help our users sell their items in 3 seconds. We will be conducting interviews in Taipei during Aug 7th - 9th and you are welcome to apply for the positions listed above here.

We can’t wait to meet and chat with all of you so please drop by our booth during COSCUP to learn more!  ^___^

Labels:

留言

張貼留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係，越來越多企業開始實施分流或在家工作，視訊會議的需求也日益增加。 在商用解決方案選擇上，有不少企業會選擇知名品牌的產品，例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備，今年五月也因應疫情升溫，全員 work from home 至今兩個月有餘。 當然，取之 Open Source，也要對社群有些貢獻。在這一屆 COSCUP，我們要來介紹 Open Source 圈中也很知名，效果也很不錯的一套視訊會議平台： Jitsi 。 除了基本的視訊會議功能外，在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限，且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範，如何簡單的建置出一個 Jitsi 環境，並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance（1 core CPU + 2GB RAM + 60GB SSD），作業系統則是 Ubuntu 20.04 來示範。當然，使用其他 VPS 亦可，大同小異，這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新： $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device，如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 )： $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新： $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...
張貼留言
Read more »

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot（上） 最近因為一些契機學了 Python 3，用它做了一個 Telegram Bot （ GitHub 連結 ），裡面用到 NLP Service，用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot，接下來我們可以透過 NLP 服務，讓 Chatbot 根據使用者不同的訊息做回答，這樣就變成更加人性化的聊天機器人囉！ 使用的工具及服務： Python 3 （for develop） pipenv （for dependency management） OLAMI （for NLP） ngrok （for testing） Step 1. Creating new bot Telegram 很有趣的地方在於，與其他通訊軟體（Line、Messenger）相比，開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的，它叫做 BotFather （眾 Bot 之父 XD）。如果已經有 Telegram 帳號，只要加 BotFather 為好友，就可以開始管理你的 Bot。 加入 BotFather 好友後，它會親切地問候，並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...
張貼留言
Read more »

機器學習的五大實務問題：對企業的影響與相應的化解方式

Appier 首席機器學習科學家　林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來，不是大公司吃掉小公司，而是速度快的公司吃掉速度慢的公司。 從現在開始，唯有善用適當的資訊快速做出決策的企業，才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動，都能運用機器學習技術處理大量的資料，進而提高自身的競爭優勢。 然而，機器學習雖能創造大好機會，卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料，以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素，都意味著機器學習模型的運作並不是百分之百的自動，往往仰賴許多外部的資源來作監控及維護。 此外，機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題，以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練，而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料，像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言，顧客在填寫問卷時可能會隨便填寫，或對題目略而不答；感測器可能因失靈而回傳錯誤資料；即使使用者的網頁行為明確，網站 cookie 回報的資訊也可能不完整。 此外，資料也可能包含雜訊，當無謂的資訊夾雜其中時，機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」，「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題，這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下，將難以針對該模型偵測其特徵與標籤之間的關聯性優化，甚至需要耗費額外的人力干預，將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯，才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此，如果輸入資料過於雜亂、殘缺或有所偏差時，將可能難以理解某輸出／標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習，轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...
張貼留言
Read more »