人工智能人工智能公司人工智能研发实习报告

人工智能人工智能公司人工智能研发实习报告一、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的人工智能公司担任AI研发实习生。核心工作成果包括参与开发一个情感分析模型，通过迭代优化将准确率从82%提升至91%，处理的数据集规模达10万条。使用Python和TensorFlow框架构建模型，运用交叉验证和网格搜索确定最佳超参数组合，将训练时间缩短了30%。实践了数据清洗、特征工程和模型部署的全流程，总结了可复用的异常值检测算法和分布式训练策略，为后续项目提供了方法论支撑。

二、实习内容及过程

2023年7月1日到8月31日，我在一家做计算机视觉的AI公司实习。主要任务是帮团队调试一个图像分类项目，用的是PyTorch框架。项目目标是把工业零件的缺陷照片分出好坏，数据集有5000张，初始准确率只有75%。我花了两周时间重做数据增强，加了随机旋转和亮度调整，还试了不同的数据洗牌策略，最后把准确率提到89%。期间遇到的最大坎是模型过拟合，特征图太复杂。我请教导师后，改成用ResNet50的预训练模型做迁移学习，再微调几层，效果立竿见影。导师说我的代码风格可以优化，建议多用Python标准库函数替代手写工具类。实习里还参与过模型量化实验，把INT8精度下的推理速度提升了40%，但损失了1%的精度，最后选了折中方案。公司环境挺自由，但培训系统不完善，比如没给新人讲过团队使用的CI/CD流程，我都是自己摸索GitLabCI的配置。我觉得项目文档可以做得更细，现在很多实验记录靠个人笔记，容易混乱。如果能早点接触生产环境的监控工具，比如Prometheus，处理线上问题会快很多。这段经历让我明白，做AI不光要懂算法，还得会权衡精度和效率，这点学校课里没怎么讲。以后想往模型优化方向发展，但知道这行变化太快，得持续学新东西。

三、总结与体会

这8周实习像把理论往实践里硬套，收获不小。7月刚进公司时，对着导师给的代码懵圈，连BERT和GPT的细微差别都要问。到8月底，我独立跑通了一个跨模态检索的实验，把文本和图像的匹配准确率从65%搞到72%，这过程花了我两周，中间试了三种不同的注意力机制，还把向量召回用的HNSW算法的超参数调到最优。最大的改变是我开始觉得工作有压力了，不再是做作业那样随心所欲，交付日期、效果指标都得盯，这种责任感以前真没体会过。导师常说模型训练不是画图，得像医生看病一样找病因，这句话我一直记着。这段经历让我清楚，做AI研发不是光会写论文就行，还得懂工程化，比如我学的ONNX导出和模型剪枝，这些都是未来要深挖的方向。现在看招聘要求，发现很多岗位要PyTorch和TensorFlow都精通，还会用TritonInferenceServer部署，这些我实习里都摸到了门道，下学期打算把PyTorch的自动微分和分布式训练啃下来，顺便考个AWSAI认证。行业里现在大火的多模态大模型，感觉就是未来趋势，我实习里接触的那个项目虽然小，但用到的很多技术都能用到这上面，比如对比学习、CLIP那种预训练思路，真挺有意思的。从学生到准职场人，心态变化挺大的，以前犯错不怕，现在得想怎么避免，怎么把事情做对，这种成长比学多少新技能都实在。

四、致谢

在公司实习的8周里，得到不少帮助。感谢导师在项目上给我方向，让我知道怎么把想法落地，特别是那个数据增强的方法，是他点醒了我。也谢谢一起做项目的同事，他们技术好，给我讲过几次模型蒸馏的细节，还分享了怎么用JupyterNotebook写高效的实验报告。学校里教我们机