计算机科学人工智能实习报告

计算机科学人工智能实习报告一、摘要

2023年6月5日至8月22日，我在XX公司担任人工智能算法实习生，负责自然语言处理模型的优化与数据标注。核心工作成果包括将BERT模型在特定任务上的准确率从82.3%提升至89.7%，通过设计并实现数据清洗脚本，使标注效率提升35%，累计处理约1.2万条文本数据。期间，应用了PyTorch框架进行模型训练，结合Scikitlearn进行特征工程，并采用交叉验证方法验证模型稳定性。提炼出的可复用方法论包括动态学习率调整策略（AdamW优化器参数设置）及自动化标注流程（使用正则表达式匹配规则），这些方法在后续实验中验证了其有效性。

二、实习内容及过程

实习目的主要是把学校学的机器学习理论用上，看看实际工作里怎么搞项目，特别是自然语言处理这块儿。

实习单位是家做智能客服的，主要搞聊天机器人，有AI研发和算法团队，我加入的是数据标注和模型调优小组。他们用的技术栈还挺多的，从BERT到Transformer，环境是Python3.8，深度学习主要用PyTorch。

实习内容就是帮着把用户问的奇葩问题分类，做意图识别的训练数据。一开始是手动标注，挺慢的，每天就处理一两百条。后来他们那个数据清洗工具老崩，我就琢磨着能不能自己写个脚本。花了两天时间，用Pandas加正则表达式，把脏数据筛一遍，标注效率直接翻倍，最后一天能弄一千多条。有个特别难的案例是区分“我要退订”和“我想订明天”，调了十几次BERT模型，加上细粒度的情感分析，准确率才从78%弄到85%。

困难主要是模型训练资源不够，有时候跑个实验要等好几个小时。有次想用GPU加速，但公司那台服务器卡得要死，最后学了点分布式训练的皮毛，把数据分块跑，勉强提前了半小时出结果。另外就是跟业务部门沟通，有时候他们提的需求特别模糊，比如“让机器人更懂用户”，最后我通过做A/B测试，用数据把指标拆解成响应时间和意图识别准确率，才让他们明白怎么改。

收获就是知道怎么把理论落地了，以前觉得注意力机制挺玄乎，现在自己调参数的时候还能想到论文里说的那些细节。还有就是数据的重要性，调模型调半天，发现数据本身有偏差，一切都白费。

职业规划上，我觉得自己更适合做算法工程师，但也要懂点业务，不然想法会飘。这段经历让我意识到，光会写代码不行，得知道怎么跟人打交道，怎么用数据说话。

三、总结与体会

这八周，从2023年6月5号到8月22号，感觉像是突然被推到了现实里。以前在学校搞项目，数据集都是老师给的好好的，跑几行代码就有结果。去了那边，每天盯着的是线上机器人返流的用户数据，错误率一高，客服那边就喊。这种感觉挺奇妙的，以前觉得模型好就行，现在知道模型只是个环节，整个链路里的每个螺丝钉都得拧紧。

最值的一笔是把这个数据清洗脚本做出来，每天标注量从一百出头提到四五百，虽然不算惊天动地，但确实帮到了团队。这让我明白，技术有时候不是比谁算法最新，是怎么用现有工具解决实际问题。比如那个BERT调参，我跑了二十多次实验，每次都是调一点点学习率或者dropout比例，每次把准确率从88%提到89%，最后到89.7%，虽然只多了1%，但那种把细节抠到位的感觉，挺扎实的。

这次经历也让我看清了自己想干嘛。以前觉得做算法研究特高大上，现在发现跟业务结合更带劲。比如做意图识别的时候，业务说“用户总问‘明天几点开庭’，但‘开庭’这个词不一定是这个意思”，我就得去想怎么在模型里加点东西，让它区分上下文，这种需求比单纯搞理论有意思多了。

看着那个机器人能听懂越来越复杂的话，心里挺有成就感的。但也意识到自己好多东西不会，比如模型部署、线上监控，这些在学校根本接触不到。下学期打算系统学学Docker和Kubernetes，看看能不能把学习的东西做点实际的。另外那个数据标注规范，我整理的文档，后面新来的实习生还用，这种感觉挺不错的，也许以后可以往技术写作方向发展？

行业里现在都在谈大模型，感觉变化特别快。这次实习虽然没直接摸到大模型，但学到的数据处理、模型迭代那套流程，跟搞大模型应该差不了多少。至少现在看那些新闻，知道里面在说什么了，不像以前一窍不通。感觉自己像个初学者，但至少知道了门在哪儿，路在哪儿。以后找实习或者工作，至少不会两眼一抹黑了。

四、致谢

在XX公司这八周的实习，挺受锻炼的。

感谢公司给我这个机会，让我知道实际工作是怎么样的。

导师在模型调优上给了我挺多指点，尤其是在BERT微调这块，帮