智能科学与技术科技公司人工智能工程师实习报告

智能科学与技术科技公司人工智能工程师实习报告一、摘要2023年7月1日至2023年8月31日，我在一家智能科学与技术科技公司担任人工智能工程师实习生，参与智能推荐系统开发项目。核心工作成果包括优化推荐算法，将用户点击率提升12.3%，通过特征工程与模型调优，将召回率从35.6%提升至48.2%。具体应用了Python进行数据处理，使用TensorFlow搭建并训练深度学习模型，结合Spark进行大规模数据并行处理。提炼出可复用的特征交叉方法，通过A/B测试验证效果，最终形成包含数据清洗、模型迭代、效果评估的标准化工作流。二、实习内容及过程1.实习目的想通过实践加深对智能推荐系统实际应用的理解，掌握从数据到模型部署的全流程，看看自己学的理论知识在工业界怎么落地。2.实习单位简介这家公司做的是电商领域的智能推荐，技术栈偏深度学习，团队规模不大但氛围挺拼，数据量级每天几亿UV，对算法效率要求很高。3.实习内容与过程前两周跟着导师熟悉业务逻辑，主要是看他们现成的召回和排序模型，用Python跑过几次离线评估脚本。第三周开始接手一个冷启动推荐任务，用户数据稀疏，特征维度又高，挺头疼的。我花了两天时间整理用户行为日志，发现点击率分布非常偏，用归一化处理后再喂给模型，AUC从0.58提升到0.63。后来又试了双向GRU捕捉时序特征，效果确实好些，但训练时间从8小时缩到3小时，因为把Spark的内存设置调对了。项目后期参与线上A/B测试，用TensorFlowServing做模型热更新，监控指标时发现特征缺失值比例超标，赶紧跟数据组反馈，他们改了ETL流程，我这边也补充了预处理代码，最终线上CTR提升了12.3%，虽然不多但挺有成就感。4.实习成果与收获主要成果就是冷启动推荐方案上线，用户画像维度从15个扩充到30个，召回效果数据在内部周报里能排到前10。最大的收获是学会了怎么平衡模型效果和工程效率，比如用特征选择减少训练时间，或者把复杂模型拆成轻量级模块串行处理。团队那种快速迭代的文化也影响了我，以前觉得调参要反复跑几十次，现在明白线上A/B测试更重要，小步快跑比闭门造车靠谱。5.问题与建议遇到的困难有两次：一次是模型训练时内存爆仓，花两天才搞明白是Spark的shuffle过程没优，学到了调整分区数和序列化方式；另一次是测试环境数据跟线上有延迟，差点把bug上线，后来建议在数据管道加时间戳校验。公司培训机制其实挺随意的，没人系统讲过MLOps流程，建议可以组织每周技术分享，比如不同模型部署方案的优劣对比。管理上可以更透明点，比如项目进度用看板展示，而不是靠邮件催。岗位匹配度还好，但感觉业务理解这块挺欠缺，要是实习前能多看些行业报告就更好了。三、总结与体会1.实习价值闭环这8周实习像把书本知识掰开了揉碎了，从7月1号懵懵懂懂看代码，到8月31号独立跑通一个线上实验，中间经历的特征工程、模型调优、A/B测试全流程，每一步都踩在真实业务场景里。最值的是把GRU时序模型部署到生产环境，虽然只提升了12.3%的CTR，但那感觉就像亲手把论文里的理论变成了能赚钱的代码，数据在Dashboard上跳动时，才懂什么叫价值闭环。比如刚开始调LSTM参数时，导师教我盯GPU显存使用率，后来发现内存碎片问题，改用PyTorch的torch.cuda.empty_cache()后，训练速度直接快了60%，这种工程经验比学校里做实验收获大多了。2.职业规划联结这段经历让我看清了自己的短板，比如对召回系统的业务理解还停留在表面，要是早点知道用户画像会直接影响CTR，可能前两周能少走很多弯路。现在明确要补齐这块了，下学期打算系统学下电商推荐白皮书，顺便把CPM竞价知识补上。导师说做推荐算法的，业务敏感度比模型精度更重要，这话太对了比如我最后发现特征缺失率超20%的，其实早有业务同学提过，但没人往算法角度深挖。现在看招聘要求，知道该怎么填简历了。之前写项目经历只会说"参与模型开发"，现在能具体到"优化冷启动策略，通过LSTM时序建模+特征交叉，将召回率从35.6%提升至48.2%，用TensorFlowServing部署时将冷启动响应时间从500ms压到150ms"，这种数据化描述可能更打动HR。3.行业趋势展望深度感受了电商推荐从"召回排序"双模型走向"多模态融合"的趋势，他们正在做视觉+行为的混合召回，但数据对齐是个大坑，我参与的实验里，用CLIP模型处理用户浏览过的商品图片后，跟行为特征结合的CTR提升才2%，导师说这是行业通病。现在看文献知道要学下图神经网络了，这种技术突破可能就是下一个风口。公司用A/B测试验证所有改动，这点特别关键。记得8月15号提的"增加用户兴趣标签"建议，用千分之一流量先试，结果CTR提升0.8%，虽然不大但证明了方向是对的。这让我觉得，算法落地不能闭门造车，必须用数据说话，下阶段学习要重点搞懂在线实验设计。心态转变也挺明显，以前做实验失败就心态崩了，现在知道迭代成本是实打实的，比如那个冷启动方案从0到1花了3天，但上线后每天能多推荐2万精准商品，算下来每天50万营收，这种数字感比学校里做实验看log有冲击多了。后续打算考下AWS认证，顺便把PyTorch性能调优再啃下来，毕竟现在公司用的TensorFlowServing，但PyTorch的内存管理更懂。四、致谢1.感谢实习期间给予指导的导师，7月1号到8月31号这段时间，很多模型调参和工程问题都是跟着导师一点点摸索出来的，比如GRU时序特征的选取就花了不少时间讨论。2.感谢团队里帮忙解决过内存溢出问题的同事，