人工智能工程人工智能公司AI产品经理实习生实习报告

人工智能工程人工智能公司AI产品经理实习生实习报告一、摘要2023年7月1日至2023年8月31日，我在一家专注于自然语言处理技术的AI公司担任AI产品经理实习生。核心工作成果包括完成智能客服产品v2.0的需求文档撰写，涉及3大类12个功能模块，通过用户调研收集有效反馈200条并优化交互流程，推动产品上线后用户满意度提升15%。专业技能应用方面，运用Figma完成50张原型图设计，采用SQL处理分析10万条用户行为数据，并运用A/B测试方法验证3种推荐算法效果，最终选择点击率高出9%的方案。提炼出可复用的方法论：基于用户行为数据驱动需求迭代，结合A/B测试量化验证产品改进效果，构建了从需求到落地的闭环管理流程。二、实习内容及过程2023年7月1日至8月31日，我在一家做计算机视觉的AI公司实习，岗位是AI产品经理助理。公司主要做企业级视觉识别方案，客户以制造业和零售业为主。我跟着导师负责一个智能质检的项目，目标是把人工检漏的效率提上去。项目初期，我花两周时间做竞品分析，整理出5家同类产品的功能点，发现大部分都没活体检测这一块。用户调研阶段，我参与设计了10份问卷，在3家工厂发放，回收有效问卷186份，85%的工人反馈现有设备漏检率高，尤其是细微划痕和污点。9号开始写需求文档，到18号初稿出来，分了3大类12个小功能，比如小目标检测、多角度缺陷识别等。但8天后来个急活，老板要求两周内出交互原型，我手头数据集只有2万张，远不够。那段时间特别焦虑，白天跑用户访谈，晚上调算法库，最后用数据增强把样本扩充到6万张，还学了Python的imgaug库，这才把线框图转成可交互原型。25号产品组评审时，有人质疑小样本训练的鲁棒性，导师让我展示测试数据，我调出之前用验证集跑的指标：AUC曲线0.89，召回率92%，算符合上线标准。不过上线后一周，发现工厂环境光线变化导致识别率掉到85%，这逼着我和算法组一起搞了个自适应亮度补偿模块，花了3周时间把稳定率拉回91%。这段经历让我明白，产品迭代不能闭门造车，必须和算法、运营团队死磕数据。最大的收获是学会了怎么用数据驱动决策，以前觉得功能越多越好，现在看用户留存率和准确率才最实在。不过公司培训挺水的，没人系统讲过标注规范和数据治理这块，有时候得自己上网扒教程。另外，感觉我的技术背景帮了大忙，但有时候产品决策还是会被业务部门牵着鼻子走。建议公司多搞点跨部门项目，我也想早点接触些用户增长和商业化的事，光懂技术侧有点窄。三、总结与体会这8周在AI公司的经历，像给我这颗待在象牙塔里的种子浇了实时的水。7月1号刚进公司时，对标注数据集的噪声处理、模型评估里的F1score、召回率这些词还是懵懵懂懂的，觉得不就是跑跑代码、填填文档嘛。可到8月31号离开时，真正体会到把一个想法变成能用上的人工智能产品有多复杂。参与那个智能质检项目，从收集200份工厂工人反馈，到协调算法组用imgaug扩充6万张缺陷样本，再到上线后盯着一波波数据调整亮度补偿模块的参数，每一步都让我明白，产品经理不是画饼的，得对最终用户的体验负责，对那些冰冷数字背后的业务价值负责。导师跟我说过，做产品得懂技术，但更要懂人，那天我看着系统自动标记出的第1000个合格品，突然觉得这份工作挺有意义的。这段经历直接让我改了职业规划，原先想毕业后随便找个算法工程师的位置，现在明确想往产品方向发展。接下来打算系统补齐产品经理的知识体系，计划9月开始啃《智能产品经理实战手册》，顺便考个NPDP证书，希望能把在实习里悟的“数据驱动决策”和“跨团队协作”这些玩意儿学扎实。行业趋势这东西看得越多越觉得，未来几年AI产品会越来越像“数据科学家+业务顾问”，光会调参不行，得懂行业痛点和用户心理。从学生到职场人的心态转变也挺明显的，以前做项目怕犯错，现在知道问题暴露得越早越容易解决，而且抗压能力确实上来了。最大的体会是，学校教的理论是骨架，实习里摸爬滚打得来的经验才是血肉，这两样合在一起，才能活得像个人样。四、致谢感谢实习期间给予指导的导师，在智能质检项目需求文档撰写和用户调研方法上给了我不少启发。感谢一起做项目的几位同事，尤其是在讨论算法模型适用性和标注数据清洗时，他们分享的经验