人工智能人工智能公司机器学习工程师实习报告

人工智能人工智能公司机器学习工程师实习报告一、摘要2023年6月5日至8月23日，我在一家人工智能公司担任机器学习工程师实习生。核心工作成果包括开发并部署一个基于深度学习的图像识别模型，准确率达到92.3%，处理并分析了超过10万条用户行为数据，优化了推荐算法的点击率提升15.7%。期间应用了Python、TensorFlow和PyTorch进行模型训练与调优，通过网格搜索和交叉验证确定了最优超参数组合，并使用Git进行版本控制。提炼出可复用的特征工程方法论，包括数据清洗、标准化和特征选择流程，有效提升了模型泛化能力。二、实习内容及过程2023年6月5日到8月23日，我在一家人工智能公司实习，岗位是机器学习工程师。刚去的时候主要是熟悉业务和团队项目，跟着导师看了几个现有模型，包括一个用CNN做图像分类的，数据集有5万张标注图，准确率89%。第3周开始参与新项目，是优化用户推荐系统。原始数据是用户点击流，时间跨度一年，量超过200GB。我负责用PyTorch重写特征提取部分，发现原有模型把用户历史行为直接onehot编码效果不好，转而用了嵌入向量，把用户和商品都映射到低维空间。调了两个星期，最终模型AUC从0.68提到0.75，线上A/B测试显示点击率多了1.2%。遇到的第一个坎是特征工程，初期试了多项式特征组合，训练集上效果还行，但测试集表现差很多。后来发现是数据分布问题，线上用户行为有季节性，我花了两天补了时序特征，模型泛化能力直接翻倍。第二个难的是GPU资源，有时候训练要等队里其他项目，我学会了用混合精度训练，把显存省了一半，跑完模型再批量推理。团队每周有技术分享，有次讨论过ResNet和ViT的结构对比，我回去就扒了论文代码，对比了不同层级的特征传播路径。虽然没直接用到项目中，但感觉对深度学习框架理解深了。公司用的JupyterHub环境，但版本有点旧，好几次跑实验要手动装包，有点烦。印象最深的是导师说的，模型好跟搭乐高似的，光块儿硬没用，得会搭。现在回头看，最值的是把理论落地过程摸透了，知道怎么根据数据情况选模型，这点学校里光看书学不到。三、总结与体会这8周实习像给我打开了一扇窗，以前觉得机器学习就是调参数，现在才明白从数据到部署全流程有多复杂。2023年6月到8月，跟着团队把推荐系统AUC从0.68提到0.75，多出7个百分点的背后是无数个晚上的debug。记得有一次凌晨三点还在处理内存溢出，对着爆栈信息啃论文到天亮，第二天导师说"这点抗造劲儿是以后搞研究的底子"。最让我震撼的是真实业务场景对技术的苛刻。学校里0.9以上的准确率是目标，但公司要求模型必须满足实时性要求，有次优化时我不得不在精度和推理速度间做取舍，最后用知识蒸馏把模型压缩了60%但效果只降了2%。这种取舍能力是在做毕业设计时完全没体会到的。这次经历让我突然懂了导师说的"模型要接地气"。现在再看论文，会直接想这个方法怎么落地，比如最近看的Transformer论文，会关注它在推荐场景的注意力机制改怎么适配长尾问题。实习最后做的复盘报告里，我把用到的交叉验证、超参数网格搜索都整理成方法论，现在做课程设计直接套用，效率高了不少。公司那种"算力即正义"的调优文化也改变了我。以前觉得模型好就是参数好，现在知道有时候跑个百亿参数模型不如把数据清洗做透。这点让我反思下学期要重点补数据挖掘这块短板，打算报名个CPRE证书，把Python的Pandas和Spark学深。离职时HR跟我说"你这个调参日志比很多正式员工做得细"，当时心里挺怪怪的，现在想通了学生时代最宝贵的就是敢试敢错的资本。这段经历让我突然明白为啥大厂都喜欢招应届生，因为这种"用数据说话"的直觉，是泡在实验室里永远学不来的。四、致谢感谢这次实习机会，让我知道理论怎么变成生产力。感谢导师，带我熟悉项目流