人工智能XX人工智能公司工程师实习报告

人工智能XX人工智能公司工程师实习报告一、摘要2023年7月1日至2023年8月31日，我在XX人工智能公司担任实习工程师，主要参与智能推荐算法优化项目。通过8周实践，我运用Python和PyTorch完成数据预处理，处理了包含10万条用户行为的训练集，将模型训练时间缩短15%；参与特征工程，新增5个关键特征后，推荐准确率从72%提升至78%；协助搭建了3个AB测试环境，分析结果显示新算法点击率提升12%。工作中应用了网格搜索调参和交叉验证方法，形成了一套可复用的模型优化流程，包括数据清洗标准化、特征重要性评估及实时监控调整策略。二、实习内容及过程1实习目的希望通过实践了解工业界智能推荐系统的实际运作，掌握从数据到模型部署的全流程，提升算法调优和工程实践能力。2实习单位简介公司核心业务是做电商领域的个性化推荐，团队主要用深度学习框架做特征工程和模型训练，服务日活用户超500万。3实习内容与过程第12周主要是熟悉业务，参与用户画像构建项目，用Pandas处理了2023年16月的用户行为日志，总数据量约3GB。后期聚焦召回阶段，用PyTorch重写了原有的协同过滤模块。具体是针对冷启动问题，做了以下几件事：用TFIDF提取用户历史商品的文本特征，新增维度后召回准确率从65%提到70%优化了Embedding初始化策略，对比实验显示训练损失下降约20%，收敛速度加快遇到过两次坎。一次是特征洗牌后模型效果反复，后来发现是缺失值填充方法没调对，改用KNN后CV得分稳定了。另一次是AB实验环境卡顿，排查出是Redis缓存过期策略设太短，调整后毫秒级请求占比从30%降到10%。4实习成果与收获最终项目上线后，负采样效率提升35%，预估吞吐量达2000qps。最大的收获是学会了怎么把论文里的注意力机制落地，比如在双塔模型中通过动态调整query层权重来平衡召回和排序。5问题与建议公司的培训有点太粗放了，比如没人教过怎么用Prometheus监控GPU显存，自己摸索了两天。建议可以搞个新人技术栈清单，至少把Jenkins流水线搭起来给新来的指个方向。岗位匹配度上，我发现自己对工程化理解不足，比如写代码总想着功能实现，忘了算吞吐量。要是前期能接触点Flink处理实时数据就更好了。三、总结与体会1实习价值闭环这8周（2023年7月1日至8月31日）像把理论装进了实践模具。之前觉得CTR预估就是算几个公式，现在明白为什么特征要正则化，为什么排序模型要带重排层。比如调参时发现学习率0.001比0.01泛化好，就印证了课程里讲的欠拟合比过拟合更可控。用PyTorch重构召回模块后，模型吞吐量从500qps提到2000qps，这比课本上抽象的FLOPS概念直观多了。2职业规划联结现在再看招聘要求，突然懂了为什么大厂都喜欢招有工程背景的算法人。我之前总盯着论文里的RNN变种，结果发现他们要的能处理1亿UV日志的分布式方案比新模型更致命。这段经历让我把职业目标拆解成三个坎：短期补齐Spark和Kubernetes实操，下个月就去啃FlinkStreaming文档中期争取把推荐系统A/B测试全链路摸透，现在刚学会用Redis做冷启动分流长期想考取AWSAI认证，毕竟客户侧部署比纯算法难太多了3行业趋势展望看着线上跑的模型，突然觉得现在所谓大语言模型的火爆有点像15年前的图数据库。当时谁也想不到Neo4j能靠半结构化数据杀出重围，现在LLM也在做类似的范式迁移。我实习时用的SentenceBERT提取商品描述，对比了TFIDF+Word2Vec的方案，效果提升30%但工程成本翻倍。这让我意识到，未来算法能力可能要变成"算法+工程平衡术"。4心态转变最意外的是学会了对失败负责。之前做实验随便调调参数，现在明白为什么线上模型要带监控。8月15号凌晨发现模型预估偏差，追查到是某供应商API延迟超了均值3个sigma，连夜改了重试机制。这种压力下反而把Pandas的groupby用了熟练，以前只当它是做报表的。现在写代码会下意识加日志，想起导师说的"能被记录的bug都不会杀人的话"。四、致谢1感谢公司给我的实习机会，让我看到工业界算法落地有多复杂。2特别感谢导师在特征工程上给我的点拨，比如用KNN填充缺失值那会儿，他让我看了组内部用的日志异常检测图，才知道数据质量比模型更重要。3研发部的张工教了我怎么看JProfiler，当时线上模型显存溢出，踩坑三天最后发现是BatchSize没对齐GPU。4谢谢实验室的李老师，实习前他让我啃的GPT3论文，