Jonathan Calvert

Taxi Magic的一个核心产品是我们的手机应用程序，它允许用户请求并支付出租车费用, 类似于Uber或Lyft等其他打车应用. 司机们并不总是确认车上的人是对的，有时用户会坐错出租车.

To address this, 我们需要指定一个乘客和司机已经成功满足的置信度值，这样我们就可以升级问题，并由客户服务进行分类, 我被要求想出一个解决方案.

我们有安装在出租车上的设备的GPS数据，也有来自用户设备的GPS数据，这些数据都存储在PostgreSQL数据库中. 我实现了一个基于Ruby on Rails的微服务，它只有一个端点，可以获取用户的ID, a vehicle's ID, and a time range. 该服务将查询用户和车辆在该时间段内的GPS数据，并使用Frechet距离算法, 计算报告路由的二维线性表示之间的面积. 从那里，我们可以分配两者在一起的概率. 我们的主应用程序将在司机注册接车几分钟后触发一个作业来查询这项服务, 然后，该作业将根据结果启动工作流.

At Vetstreet, 它能够提供的主要服务之一是高度针对性的营销活动，作为制药公司的中介，同时对客户数据保密. 这些活动需要根据宠物的人口统计数据(如.e.(7岁以上牛头犬的主人). 此外，我们需要能够为来自多个不同业务单元的请求提供服务.

我设计了一个单一的Java web服务，它为我们的分析师提供了REST和SOAP接口. 我们的邮件提供商exactttarget需要对每个地址调用数十个API来跨维度和多个步骤上传客户数据，这意味着大量的时间成本. 为了提供最大的并行化, 我使用了Akka库，它提供了一个actor编程模型. 创建活动和数据上传的每个步骤都可以封装在跨多个服务器的线程进程中, and being aware of the dependencies, 在API调用失败的情况下，它可以正确地合作纠正顺序并进行恢复. 这使我们能够扩大规模，交付数以百万计的定制产品, 每次活动可追踪的产品回扣.

在《欧博体育app下载》工作时, 该公司收到了大量有关提案的传入数据, amendments, regulations, and editorial material. With such a deluge of material, 立法情报的一个关键方面是能够确定哪些特定项目与特定领域相关，因为许多立法以非直观的方式影响行业.

我设计并构建了一个系统，该系统提供文档的自动标记，作为对其主题相关性进行广义和狭义分类的一种手段. 我们所有的文档最终都被输入到一个MarkLogic XML数据库中，该数据库有一种进行实体提取的方法——一种检测文档文本中的事物的方法，比如专有名词(人), places, products). Using this entity extraction, 然后，代码就可以将实体上传到Apache Mahout, a Hadoop machine learning library. 这将应用朴素贝叶斯过滤器, 该代码能够确定给定修正案或文件的相关分类. 然后可以将这些分类与编辑人员先前标记的数千份文件进行比较, 允许我们立即标记文档并在感兴趣的领域提醒客户.

At Kit Check, 有必要为现场的数十名销售代理提供干净的演示环境，他们可以在不干扰他人工作的情况下定制体验, and for a variety of reasons, 简单地托管和提供不同的环境是不实际的. 因此，我编写了一个开源库来解决这个问题.

这些Ruby on Rails应用程序依赖于一个名为Rack的库来提供HTTP服务器和Rails应用程序之间的抽象. 机架允许您插入中间件，使您能够在请求/响应生命周期内执行常规应用程序代码之外的功能.

life_guard中间件查找自定义请求HTTP头，然后将该请求的进程连接到正确的底层数据库. 这种方法将复杂的代码排除在过滤器和主代码库之外. Because it is loaded as middleware, 这还允许库的用户约束加载库的环境, 将有风险的代码与正常的生产环境隔离开来.