互联网公司人工智能算法实习生实习报告

互联网公司人工智能算法实习生实习报告一、摘要

2023年7月10日至2023年9月5日，我在一家领先的互联网公司担任人工智能算法实习生。核心工作成果包括完成10个图像分类模型的优化，准确率从82.5%提升至91.2%，其中使用迁移学习策略的模型在测试集上达到93.6%。参与构建了2个自然语言处理（NLP）任务的数据处理流程，通过特征工程将文本分类任务的F1score提高15.3%。应用了深度学习框架TensorFlow和PyTorch进行模型训练，熟练掌握数据增强、正则化和超参数调优等技能。提炼出的可复用方法论包括：针对小样本场景采用数据扩增与预训练模型结合的策略，显著提升模型泛化能力；使用Kaggle公开数据集进行模型基准测试，确保算法性能符合预期。

二、实习内容及过程

实习目的主要是想把学校学的深度学习知识用到实际项目里，了解工业界的算法开发流程。

实习单位是家做在线广告推荐系统的公司，主要业务场景是利用AI给用户推送更相关的商品。

实习内容开始阶段跟着导师熟悉项目代码库，主要是看他们怎么用PyTorch搭模型，以及怎么写数据加载脚本。7月15号开始独立负责一个图像分类小任务，目标是识别用户上传图片里的商品类别。初期数据集只有800张，标注质量也不高，准确率一开始就卡在80出头。后来发现有个问题是很多图片分辨率太低，就用了数据增强里的随机裁剪和色彩抖动，效果确实好点了，准确率慢慢爬到85左右。8月2号遇到个大挑战，有个文本相似度计算模型效果突然变差，查了好几天才发现是某个预训练词向量过期了，换成最新的BERTbase后结果立马回弹，从0.75提升到0.88。这段经历让我明白预训练模型更新还挺重要的。整个实习期间还参与了每周的技术分享会，学到了不少模型蒸馏和量化压缩的技巧。

在单位里最大的收获是看到了模型开发不只是调参数那么简单，很多细节比如特征选择、损失函数权重分配都得反复试验。比如那个文本相似度任务，我尝试了不同池化层策略，发现双向LSTM加上meanpooling比maxpooling效果还好，这给我后来做毕业设计提供了点思路。不过实习单位培训机制确实一般，很多技术债没时间清理，代码风格也比较混乱，有时候看老代码都得猜半天。建议他们可以搞个内部Notebooks平台统一实验记录，或者定期组织代码重构培训，这样效率能高不少。岗位匹配度上感觉挺合适的，就是项目周期短，很多idea没时间深入研究，这点挺遗憾的。

三、总结与体会

这八周在公司的经历，让我对人工智能算法的理解从书本概念落地到了真实的应用场景里。7月10号刚来的时候，觉得模型调参就是改改学习率，9月5号走的时候才知道，为了把那个图像分类任务的准确率从89%提高到92%，我们试了不下10种不同的损失函数权重组合，还把数据集用CutMix的方式扩充了一倍，每一步改进都伴随着大量的计算资源和时间消耗。这种从零开始解决问题到看到结果的过程，让我真正体会到做算法不是画图，是要面对各种工程挑战的。

实习最大的价值在于让我看到了自己知识体系的短板。比如8月15号负责的那个用户行为预测项目，需要处理高维稀疏数据，学校教的CollaborativeFiltering理论在实际业务里效果一般，最后是靠在内部技术分享会上学到的FactorizationMachines技巧才把模型AUC从0.68提到了0.75。这让我意识到，工业界的算法工程师不仅要懂模型，还得懂数据，还得会跟产品经理、工程师沟通怎么落地。这段经历直接影响了我的职业规划，之前想当纯研究员，现在更倾向于做算法工程师，就是要把手头的事情做扎实，把模型真正用起来。

看着公司那些几年积累的业务数据和模型库，才明白为什么说AI是重积累的领域。某个推荐模型的冷启动问题，我们花了整整两周才找到解决方案，靠的是把历史用户行为序列用Transformer重新表征，这个方法后来我在组里的周报里提了出来，得到了几个同事的认可。行业趋势上明显感觉到，现在大模型的应用越来越普及，但怎么把大模型能力适配到具体业务场景，还是个挺有挑战性的方向。比如我们尝试用BertBase做意图识别，效果确实好，但推理延迟成了问题，最后还是老方法结合规则引擎更实用。未来打算把实习里用到的那些模型部署技巧系统学一下，比如Docker容器化和K8s编排，争取明年拿下AWS的机器学习解决方案认证，这样简历上也能写点实在的东西了。从学生到职场人的心态转变也挺明显的，以前遇到问题就想查论文，现在更倾向于先动手试错，发现错误再分析，抗压能力确实强了不少。

致谢

感谢这次实习机会，让我在人工智能算法的实际应用中获得了宝贵的经验。特别感谢我的导师，在实习期间给予的悉心指导和耐心解答，帮