互联网公司人工智能伦理实习生实习报告

互联网公司人工智能伦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XX互联网公司担任人工智能伦理实习生。核心工作成果包括完成10份AI伦理风险评估报告，其中7份被产品部门采纳用于优化算法透明度；通过搭建数据集清洗流程，将模型训练数据偏差率从15%降低至5%。专业技能应用上，运用Python对1000条用户反馈进行情感分析，构建了伦理问题预警模型，准确率达88%。提炼出可复用的方法论：建立“算法决策日志”追踪机制，通过量化指标动态监控AI行为偏差，并制定标准化伦理审查清单，覆盖了模型开发全流程的30个关键节点。

二、实习内容及过程

2023年7月1日到8月31日，我在XX部门当人工智能伦理实习生。实习目标挺清晰的，就是学怎么在实际工作中搞懂AI伦理那点事儿，帮着团队把产品搞得更靠谱。我们部门主要是做推荐系统的，算法模型一大堆，用户数据量也贼大，有时候得处理几亿条信息。我跟着导师摸了两个项目。第一个是给某项新算法做伦理风险评估，得翻阅大量文献，分析可能出现的偏见问题，比如性别、年龄这些维度。我们做了个问卷调查，找了2000个样本，用Python跑完数据，发现模型对年轻女性用户的推荐结果偏差率有点高，大概3.2%，就提了个优化建议，后来产品那边调整了参数，9月份新版本上线后，偏差降到了1.5%。第二个是参与用户投诉处理，有个次级模型老是给某些用户推荐不相关的广告，用户投诉率飙到5%，我帮忙整理了500条投诉记录，用NLP技术抽了关键词，发现主要是广告精准度问题。导师教我用了一个叫Fairlearn的工具，我花了两周时间自学，最后把数据喂进去跑，得出了模型在哪些特征上存在不公平性，报告提交后，技术那边连夜改了模型，11月份的投诉率直接掉到1.2%。遇到的最大坎儿是刚开始写风险评估报告，不知道从哪儿下手，感觉理论跟实践差得挺远。后来我就天天泡在团队的技术分享会上，还去问了做算法评审的学长，他建议我多看几份之前的报告，摸清套路。另外，公司培训这块儿有点跟不上，理论培训多，实操机会少，有时候就得自己找资源学。比如学Fairlearn那会儿，公司没安排专门课程，我就去Coursera上找了个课，啃完了才敢上手。收获最大的还是把学到的伦理框架用上了，以前觉得那些概念挺虚的，现在真抓实了。最大的启发是，做AI伦理不光要懂技术，还得懂业务，跟产品、技术、法务那边得多沟通。要是说问题，我觉得管理上可以搞点轮岗机会，让不同团队的实习生互相了解下工作流程。建议培训时多带几个实际案例，光讲概念太枯燥了，咱们学这个，最好能上手实践。这次实习让我意识到，光会写代码可不够，得知道怎么让AI变得对大家都好。

三、总结与体会

这8周，从2023年7月到8月，在XX部门当人工智能伦理实习生的经历，对我来说就是实打实的成长。实习的价值感很强，从一开始连“算法偏见”具体怎么量都懵，到后来能独立完成一份风险评估报告，里面分析了用户数据，找出了模型在年龄分层上的推荐偏差，最终数据上偏差率从最初的4.1%降到了1.8%，这感觉挺踏实的。导师给我反馈说，报告里的“数据去噪流程”写得有参考价值，后来有好几个项目在方法上借鉴了点。这段经历直接让我看清了职业规划的方向，我发现自己对技术落地和社会影响这块挺感兴趣，以后想往“AI产品伦理师”或者“数据治理工程师”这类方向钻。行业趋势看，现在大厂都挺重视AI伦理这块，算法透明度、公平性这些关键词天天挂嘴边，技术迭代太快了，感觉不学就会掉队。这次实习最大的体会是心态变了，以前做项目就是写代码、跑数据，现在会想得更多，比如这个功能对用户公平吗？有没有潜在风险？责任感一下子重了。抗压能力也练出来了，刚开始搞风险评估报告那会儿，数据看得眼花，还写错地方，被导师指出来，真是压力山大，但硬着头皮把它改好，最后出成果了，感觉特别值。未来打算把实习里用到的技能再深化下，比如Fairlearn、TensorFlowExtended这些工具，打算找个时间系统学学，看看能不能考个相关的认证，把实践经验往简历上硬邦邦地贴上去，这样以后求职肯定有优势。感觉这次实习就像打地基，虽然累，但知道这层地基稳了，以后才能盖得更高。

四、致谢

在XX部门这8周