金融科技金科科技公司金融科技工程师实习生实习报告

金融科技金科科技公司金融科技工程师实习生实习报告一、摘要

2023年7月1日至2023年8月31日，我在金融科技金科科技公司担任金融科技工程师实习生。期间，参与开发智能风控系统模型，完成10个信贷评分样本的测试与优化，准确率提升至92.5%；协助团队完成3个区块链应用场景的技术文档撰写，实现交易处理效率提升30%。运用Python进行数据清洗与机器学习算法实现，通过TensorFlow框架优化模型训练速度，缩短迭代周期20%。提炼出基于特征工程的反欺诈模型构建方法论，可应用于同类业务场景。实习成果验证了课堂所学的机器学习、区块链等技术在金融领域的实际应用价值。

二、实习内容及过程

2023年7月1日至2023年8月31日，我在金融科技金科科技公司实习。刚去那会儿，主要是跟着导师熟悉公司业务，他们那边的风控系统挺复杂的，用了不少机器学习模型，像逻辑回归、XGBoost这些。刚开始我对实时计算这块不太懂，后来花了两周时间看他们的Flink集群文档，还跟着调了几次数据流，总算摸清了门道。

我参与过一个信贷评分项目，负责特征工程这块。他们给的原始数据有上百个字段，我得先清洗，然后选出跟违约率关联强的变量。我用了Python的Pandas库处理数据，最后选出了30个核心特征，跟导师一起跑了几次模型，最终把评分卡的AUC从0.78提升到0.83。导师说这还不错，比我预想的要高。

实习中遇到的最大挑战是系统性能问题。有一次测试时，模型推理响应时间太长，卡得不行。我查了日志，发现是特征服务接口慢，后来建议他们用Redis缓存热点特征，确实快了不少，延迟降了50%。为了搞懂这块，我抽空看了不少分布式系统的资料，还学了点Prometheus监控操作。

公司的培训机制其实挺一般的，主要是靠导师带。有时候我挺懵的，比如第一次接触他们的私有云架构，完全没概念，只能自己上网扒资料补课。岗位匹配度上，虽然学了不少东西，但感觉跟学校课设还是差点意思，实践场景太复杂了。

我觉得挺有意思的是，他们风控模型里用到了联邦学习，说是能保护用户隐私，这个技术我以前只在论文里看过，真实践起来才知道难在哪儿。这趟实习让我意识到，光会算法不行，得懂业务，还得会调试。现在看招聘要求，发现好多岗位都要求懂分布式，看来这块是得抓紧了。

三、总结与体会

这8周在金融科技金科科技公司的经历，让我对金融和科技结合有了更具体的认识。从7月1号到8月31号，我跟着团队做了信贷风控模型，最终把测试集上的AUC从0.78提到0.83，虽然不算颠覆性成果，但对我来说是实打实的进步。这段经历验证了学校教的机器学习、数据分析那些课不是白上的，但也让我看到了差距。比如实时计算、分布式系统这些，书里写得不多，实习里踩的坑倒是挺多的。

最重要的是，我体会到做技术不能光埋头写代码，得懂业务场景。风控模型不是越复杂越好，怎么在效果和效率间找到平衡点，这才是关键。导师跟我说过，做金融科技要兼顾风险和体验，这点我现在还记着。这让我开始思考自己的职业方向，是往算法深挖，还是做系统架构师，或者去研究区块链，现在心里有谱多了。

行业趋势这块，我感觉隐私计算和模型轻量化是未来的方向。公司现在用的联邦学习技术，确实解决了数据孤岛问题，但计算成本还是高。我在网上看到有些初创公司在搞边缘计算结合风控，数据在终端处理，效率高多了。这提醒我，以后学东西不能只局限于主流技术，要开阔眼界。

心态上最大的变化是责任感。以前做课程设计，数据随便调，现在不一样，模型跑出的结果可能直接用在实际业务里，一点马虎不得。有一次调参差点把模型搞废，被导师骂了一顿，那顿骂让我记到现在。抗压能力也强了，以前遇到问题就想找老师，现在会先自己查资料、试方案，实在不行再请教。这种从学生到准职场人的转变，挺有价值的。

接下来打算补补分布式系统和云原生的课，打算考个AWS认证，感觉这些技能以后用得上。实习里看到的好多技术细节，比如他们怎么用K8s部署模型服务，怎么监控线上指标，这些都是我以后学习要重点关注的。总归一句话，这次实习没白来，收获挺大的，至少知道自己以后该往哪儿努力了。

四、致谢

在金融科技金科科技公司的这8周实习，让我受益匪浅。感谢公司给我这个机会，让我接触到真实的金融科技项目。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，让