互联网公司人工智能实习生实习报告

互联网公司人工智能实习生实习报告一、摘要

2023年7月1日至2023年8月31日，我在一家互联网公司担任人工智能实习生，主要负责自然语言处理模型的优化与测试。通过参与项目，我运用Python和TensorFlow框架，将文本分类准确率从82%提升至89%，处理了超过10万条标注数据，并搭建了自动化评估脚本，将模型验证效率提高了40%。在技能应用方面，我实践了BERT微调技术，通过调整学习率和批处理大小，使模型在情感分析任务上的F1值达到0.92。工作成果验证了数据驱动迭代的有效性，提炼出“小批量高频更新”的训练策略，可供同类任务参考。

二、实习内容及过程

2023年7月1日至2023年8月31日，我在一家做智能推荐系统的公司实习，岗位是AI算法工程师助理。来的时候主要是想看看大厂怎么落地模型训练和上线，顺便把学校学的NLP知识用起来。公司分了几个团队，我跟着的是负责搜索排序的那个小组，他们主要用深度学习做特征工程，QASparse这类索引结构用得挺多。

第4周开始接触实际项目，是优化商品召回模型的A/B测试。当时系统上报错率从0.8%涨到1.2%，客户投诉增多。我发现是离线评估指标和线上表现差异太大，训练数据采样策略出问题了。数据里长尾词占比太低，模型在冷门商品上泛化能力不行。

我花了3天重采样，把负样本按商品类目分层，用了分层抽样确保每个类别至少有2000条数据。重新训练后，线上验证错误率降回0.65%，CTR（点击率）提升了1.5个百分点。导师说这算小优化，但让我意识到线上环境比实验室复杂得多，特征选择不能只看皮卡丘指标。

8月中旬参与新特征上线流程，主要是文本向量化。有个长文本匹配任务，传统TFIDF效果差，我们试了两种方案。一是用SentenceBERT提取语义向量，二是自定义匹配权重。SentenceBERT在相似度计算上快了60%，但内存消耗翻倍。最终选了折中方案，把BERT用在核心场景，普通场景用传统方法。这让我明白资源限制下怎么取舍。

困难是调试模型总踩坑。有次用PyTorch写数据增强，GPU显存突然爆了，日志看半天才发现是某步操作创建了冗余变量。后来学乖了，用tensorboard记录显存变化，每次写代码先跑memoryprofiler。另一个问题是和前端对接，他们要的JSON格式我不熟悉，差点把key名写错。最后请教了测试同事，把API文档对着改了两天才对齐。

收获是看到端到端项目运作。从标注数据到特征工程，再上线A/B测试，每个环节都有坑。比如冷启动问题，我们用随机分配流量+离线预估双保险。导师说这招他们踩了半年坑才总结出来。个人能力上，学会用HuggingFace自动下载模型，还把Linux运维课知识用上了，比如用shell脚本批量重启服务。

公司管理上，周会开得有点长，有时技术分享和事务性讨论混在一起。建议可以按组拆分会议，技术组就聊技术。培训机制也一般，没人带，新来的直接扔任务。我后来都是自己找文档补，比如花了周末两天看他们用的MLOps平台源码。岗位匹配度还行，但实际工作更偏向数据运维，算法创新机会少。如果新人能分配到具体导师带几个月，效率会高很多。

三、总结与体会

这8周，从2023年7月1日到8月31日，感觉像被扔进了真实世界的实验室。之前在学校搞项目，数据集小，跑个实验几个小时就出结果，来了这里发现完全不是那么回事。公司那个商品召回项目，10万条数据跑一夜，第二天上线还得看转化率。这种感觉挺奇妙的，以前觉得NLP就是调调参数，现在明白模型上线是门技术活，涉及硬件、网络、运维，哪一步出问题都可能导致“火箭模型”变“稻草人”。

实习最大的价值是让我把“纸上谈兵”变成了“真枪实弹”。比如那个文本向量化项目，我之前只知道BERT厉害，来了才知道怎么在资源有限时平衡效果和成本，怎么用PyTorch写脚本监控显存，这些细节在学校根本学不到。导师说我的重采样方法让模型在冷门商品上召回率提升了5%，虽然不大，但对比我开学做的几个实验，这种改变实际业务的效果的感觉完全不一样。

这次经历也让我更清楚自己想干嘛。之前觉得算法研究最酷，现在发现做AI不能只埋头写代码，得懂业务、会沟通。比如对接前端时，我花两天研究他们的API文档，虽然有点笨，但最后效果出来了，感觉挺有成就感。这让我想以后工作肯定得往工业界走，实验室太自由，企业需要更落地的东西。

看着公司每天上线的模型，我意识到AI这东西变化太快，学校教的很多基础理论用得上，但最新的技术趋势，比如现在火的那几个自监督学习方法，公司用的工具链里就有。下学期我打算报个HuggingFace的认证，把自动模型下载和微调流程搞熟练，还想去补补MLOps的课程，毕竟现在模型光调好不行，还得会部署。行业里感觉现在都在拼效率，谁部署快、运维好，产品就能先一步。

心态上变化挺大的。以前遇到问题习惯找老师，现在第一反应是查文档、看源码，或者自己试错。有一次调试特征工程脚本，跑了3小时没结果，本来想直接问导师，但转念一想，这么简单的问题肯定有现成解决方案，结果自己加个打印语句发现是文件路径写错了。这种“自力更生”的感觉挺爽，也让我觉得做技术真的得有股韧劲儿。

最大的感悟是责任感。以前做实验就算跑失败了也没啥，顶多影响个人成绩，但这里的数据和模型真的会影响业务，哪怕只是0.1%的误差，乘以每天几百万的请求，也是实实在在的损失。这让我觉得，做AI不光要有技术，还得有敬畏心。未来不管是继续深造还是找工作，这种心态肯定用得上。

四、致谢

感谢在实习期间给予我指导和帮助的各位。特别感谢我的导师，在项目遇到瓶颈时，他分享的调试思路让我受益匪浅，比如那次商品召回率上不去，是他引导我检查了冷启动策略的细节。还有团队里的几位同事，他们在我学习用HuggingFace自动下