计算机科学与技术XX科技公司人工智能实习报告

计算机科学与技术XX科技公司人工智能实习报告一、摘要2023年7月1日至2023年8月31日，我在XX科技公司担任人工智能实习生，负责自然语言处理模型的优化与数据标注。核心工作成果包括参与开发一款文本分类模型，通过迭代优化，将准确率从82.5%提升至91.3%，处理数据量达10万条，其中包含8千条自定义标注样本。应用深度学习框架PyTorch和TensorFlow，结合迁移学习技术，将预训练模型在特定领域微调，缩短了模型训练时间30%，并构建了可复用的数据清洗与增强脚本，提升标注效率20%。通过实践验证了动态调参与集成学习方法在提升模型泛化能力上的有效性，积累了大规模数据处理与模型部署的全流程经验。二、实习内容及过程2023年7月1日到8月31日，我在XX科技公司人工智能部门实习，岗位是算法实习生。实习目的主要是把学校学的深度学习知识用上，了解真实项目怎么跑。公司规模不大，但做的东西挺前沿，主要搞智能客服和推荐系统。我跟着一个项目组做文本分类，具体是帮客服系统自动分类用户问询。初期就是看现有模型效果，发现准确率就85%，很多边界情况分不清。7月10号开始动手调参数，试了不同预训练模型，比如Bert和RoBERTa，但效果提升不明显，数据集又小。导师建议用主动学习，我花了两天时间写脚本，先随机抽1000条难分的数据去人工标注，再跑一轮模型，循环三次。到8月5号，准确率终于到92%，召回率也稳住了。最大的收获是搞懂了迁移学习怎么选基模型，还有怎么用主动学习降成本。遇到的困难是初期对业务场景理解太浅，问啥都懵，只能靠问同事。后来多看产品文档，慢慢跟上节奏。现在想想，要是早知道公司培训机制这么松散，我可以主动找些内部比赛练手。不过岗位匹配度还行，毕竟天天跟模型打交道，就是有时候觉得数据标注太耗人了，要是能搭个半自动工具就好了。三、总结与体会这8周在XX科技公司的经历，让我把书里那些抽象的算法模型跟实际应用挂上了钩。7月15号左右，我还在为模型调参没效果发愁，对着屏幕磨蹭了好几天，最后通过调整学习率和增加正则项，看到准确率从88%慢慢爬到91%，那种感觉挺奇妙的，感觉知识真的转化成了生产力。这段经历让我明白，搞AI不能光会写代码，还得懂业务，知道数据从哪来，要解决什么痛点。最大的体会是心态变了，以前做项目就是完成任务，现在会想怎么把事情做得更扎实，比如数据清洗那块，以前觉得简单，实习后才意识到细节决定成败，那段时间真是把各种数据预处理方法翻烂了。实习也让我更清楚自己想干嘛，比如发现我对自然语言处理特别感兴趣，后续打算系统学学BERT的变种，甚至考虑去考个相关方向的证书，把实习里用的那些PyTorch技巧给巩固深化。行业现在这么卷，光靠学校那点东西肯定不行，得不停给自己充电。看到那些大模型出来，就知道AI这领域深着呢，这次实习只是开了个头，后面路还长，得一步一个脚印往前走，希望能有机会接触更前沿的技术。四、致谢在XX科技公司的这8周实习，挺感谢公司的，给了我个实践的机会。具体来说，感谢我的导师，他挺耐心，带我熟悉项目的时候给我讲了很多行业里的门道，不像学校老师讲理论那么干，印象最深的是他教我怎么看模型训练的log，怎么从曲线里发现问题，这点对我帮助特别大。还有带我的几位同事，他们平时工作挺忙，但遇到我卡壳的时候，比如调参跑不通，他们都会停下来给我指点，特别是小张，跟我差不多大，给我讲了不少代码优化的技巧，感觉挺亲切的。当然，也得谢谢学校的指导老师，虽然实习期间联系不多，但之前课