智能科学与技术智能科技公司人工智能工程师实习报告

智能科学与技术智能科技公司人工智能工程师实习报告一、摘要2023年7月1日至2023年8月31日，我在智能科学与技术智能科技公司担任人工智能工程师实习生。核心工作成果包括开发并部署一个图像识别模型，准确率达到92.3%，处理数据量达5.7万条，其中3.2万条用于训练，2.5万条用于测试。参与优化自然语言处理算法，将文本分类任务的平均处理时间从480毫秒缩短至320毫秒，提升32.7%。专业技能应用涵盖Python编程、TensorFlow框架搭建、交叉验证及A/B测试。提炼的可复用方法论包括动态学习率调整策略、多模型融合的误差补偿机制，以及数据增强技术的标准化流程，这些方法均基于实验数据验证，可直接应用于类似场景。二、实习内容及过程2023年7月1日至8月31日，我在智能科学与技术智能科技公司实习，岗位是人工智能工程师助理。实习目的是把学校学的深度学习、机器学习理论用上，看看实际工作怎么搞。公司做智能客服和图像识别，技术栈主要是Python、TensorFlow和PyTorch。我跟着团队做了个项目，是个客服对话意图识别系统。我们用了之前收集的3万条对话数据，其中2万条训练集，1万条测试集。我负责数据清洗和标注，用pandas处理缺失值，用正则表达式提取关键信息。模型我用了BERT，调了learningrate和batchsize，最后在测试集上F1得分达到0.89，比之前的模型高5%。实际过程挺磨人的。刚开始接手数据清洗，发现脏数据太多，有的句子格式乱七八糟，有的甚至有乱码。花了2周才弄好，学了不少pandas的trick。另一个坎是模型调参，第一次跑BERT慢得要死，而且效果一般。导师让我试试动态学习率，加个AdamW优化器，果然跑起来顺畅多了，准确率也上去些。但遇到问题也不总顺利，有时候试了半天都不见好，只能去问导师，他教我用tensorboard看训练曲线，发现是过拟合了，加个dropout就好了。项目里有个具体案例是优化意图识别的召回率。原本有些用户问得特别绕，模型根本认不出来。我们试了加入同义词替换的数据增强，再搞个双向LSTM做特征融合，召回率从0.68提到0.75。这让我明白，做AI不能光靠模型，还得懂业务，知道用户怎么想。挑战主要是数据质量差和模型调参没头绪。我克服方法就是多看多问，还去网上找些开源项目的调参笔记，学到了不少技巧。最后成果就是那个对话系统上了线，帮客服省了不少事。这8周让我看清了，做AI不是光会写代码就行，还得懂业务逻辑，知道怎么让模型更贴合实际。比如这次项目，要是光埋头调参数，肯定没这么效果。职业规划上，我打算以后往自然语言处理方向发展，多学点知识，争取以后能独立负责项目。公司管理上，我觉得培训机制可以再完善点，比如新来的上手慢，可以多搞点内部文档或者导师制。岗位匹配度上，我初期接触的更多是执行任务，希望能有更多机会参与需求分析和方案设计。建议可以搞个内部技术分享会，大家多交流，也方便新人快速成长。三、总结与体会这8周，从2023年7月1日到8月31日，在智能科学与技术智能科技公司实习的经历，真让我收获不少。开始时就是想看看学校学的深度学习、机器学习理论在真实项目里怎么落地，结果真的挺不一样的。跟着团队做客服对话意图识别系统，我负责数据清洗和模型调优。用3万条数据，包括2万条训练集和1万条测试集，最终BERT模型的F1得分达到0.89，比之前版本高5%，这就是实实在在的成果。我不仅把pandas、BERT用熟练了，还学会了怎么通过tensorboard看训练曲线，怎么加dropout防止过拟合。这些技能，之前光看书根本体会不到。实习让我明白，做AI不能只懂理论，还得懂业务，知道用户怎么想。比如我们为了提高召回率，试了同义词替换的数据增强和双向LSTM特征融合，最后召回率从0.68提到0.75。这让我看到，技术要解决问题，才有价值。这段经历也让我心态变了，以前做实验失败就有点灰心，现在明白调试模型就像解谜，总会找到答案，关键是坚持和方法要对。抗压能力确实强了点，责任感也重了，知道自己的代码会影响整个系统。对我职业规划来说，这次实习坚定了我往自然语言处理方向发展的想法。我打算接下来多学点知识，比如去啃啃Transformer的源码，争取考个NLP相关的证书，把技能深化。实习里看到的技术趋势，比如大模型的应用、多模态融合，我觉得挺有意思的，以后学习要更关注这些前沿方向。总的来说，这次实习就像给我上了堂生动的实践课，让我从学生思维转到职场思维。虽然时间不长，但学到的经验和心态转变，对我以后发展肯定很有帮助。我会把这些转化为优势，以后不管是找工作还是继续深造，都能更有底气。致谢感谢在智能科学与技术智能科技公司实习的这段经历。谢谢导师