研发工程师创业公司实习报告

研发工程师创业公司实习报告一、摘要

2023年7月1日至2023年8月31日，我在一家专注于人工智能算法优化的创业公司担任研发工程师实习生。核心工作围绕图像识别模型的迭代优化展开，通过改进损失函数设计，将模型在标准测试集上的准确率从87.5%提升至92.3%，具体表现为对模糊图像的识别错误率降低了18.7%。期间，我运用了PyTorch框架进行模型训练，结合Kubernetes进行分布式计算资源管理，累计处理训练数据超过200GB。通过实践验证了“小批量梯度下降结合学习率动态调整”的方法论在提升模型收敛速度上的有效性，平均训练周期缩短了30%。这些经验让我掌握了从数据处理到模型部署的全流程开发方法。

二、实习内容及过程

1.实习目的

去7月1号开始实习的时候，我就是想看看自己学的那些机器学习算法在实际项目里怎么用，能不能真的把东西做出来。想体验一下创业公司那种快速迭代的开发环境，看看跟学校里做项目有什么不一样。

2.实习单位简介

我去的公司做的是智能推荐系统，就是那种给你推荐商品或者新闻的。规模不大，也就二三十个人，但技术氛围挺浓的，每周都有技术分享会，大家会聊最新的模型或者框架。

3.实习内容与过程

我是跟着一个做用户画像的团队，主要任务就是优化推荐模型的召回效果。开始的时候，我主要负责数据处理，把用户的历史行为数据清洗一下，填充缺失值，然后转成模型能吃的格式。这里用到了Pandas和NumPy，处理几百万条数据的时候确实有点慢，后来学了一下数据分区和并行处理，效率提升了不少。

真正开始做模型优化是第3周，当时团队在用BERT做文本特征提取，但效果不太理想，尤其是在长文本上。我就想能不能试试用Transformer的变种，比如EfficientTransformers，他们家论文里说训练速度和效果都不错。我花了两天时间把代码扒过来，用我们自己的数据跑了一下，发现参数量能少一半，而且AUC指标确实提升了0.5个百分点。不过，部署的时候遇到大问题，服务器内存不够，模型推理老是崩溃。最后跟运维小哥一起调了半天，把batchsize降了，再加了缓存机制，才勉强跑起来。

还有一次是做特征工程，需要把用户的行为序列转换成时序特征。我一开始用简单的滑动窗口方法，但效果一般。后来看到同事用LSTM，我就去学了半天PyTorch里的高阶API，搞懂了RNN的内存问题怎么解决。重新跑完发现，不光是准确率提高了，模型的收敛速度也快了，原来训练一个epoch要8小时，后来只要3小时了。

4.实习成果与收获

我负责优化的那个模块，最终把召回率从68%提到了73%，虽然不算特别夸张，但对比之前那种随便调参的做法还是进步不小的。最让我满意的还是学会了一些实际开发中的技巧，比如怎么在资源有限的情况下平衡模型效果和训练速度，还有就是怎么把论文里的模型快速适配到自己的数据集上。感觉跟学校里闭门造车不一样，这里每做一点改动都要看实际效果，哪个指标提升了就说明有进步。

5.问题与建议

实习期间也发现一些问题。比如公司培训机制不太完善，我来了快一个月，除了部门内的技术分享，就没怎么接触到其他业务，感觉视野有点窄。另外，岗位匹配度上也有点奇怪，我被分到算法岗，但实际工作里写代码的时间没想象中那么多，很多需求都是业务那边直接给现成的代码让我改参数。我建议公司可以多搞点跨部门的技术交流，比如每周让算法、工程、产品坐一起碰一下，这样能更快理解需求背后的逻辑。而且可以给新人配个导师，不是那种走过场的，而是能实际指导怎么写代码、怎么调优模型的那种。

三、总结与体会

1.实习价值闭环

这8周，从7月1号到8月31号，感觉像是把学校里那些散装的知识拼成了一个完整的系统。以前做项目总觉得隔层纱，现在知道怎么跟业务方沟通需求，怎么在资源限制下做取舍，怎么把一个模型从论文代码变成能上线的产品。比如那个EfficientTransformers的案例，开始只是看论文觉得牛逼，自己动手才发现里面好多细节要自己调，内存优化、分布式部署，都是书本上没的。现在回头看，当初为了解决那个服务器崩溃问题，硬是跟运维小哥磨了两天，搞懂了Linux的OOMKiller机制，这种感觉挺实在的。实习最大的价值就是让我明白，技术不是孤立存在的，它得解决问题，得有人用。

2.职业规划联结

这段经历直接影响了我的职业想法。以前觉得算法工程师就是天天调参数，现在发现工程能力同样重要。如果以后要做研究，可能得补补分布式系统、云原生的知识。公司那种快速迭代的文化也让我意识到，光会做深不一定行，还得会做宽。我下学期打算报个AWS的认证，顺便学学Docker容器化，感觉这些技能在创业公司特别实用。而且，这次实习让我确认了方向还是想继续做推荐系统相关的，但得往更体系化的方向发展，比如怎么把图神经网络跟时序模型结合起来。

3.行业趋势展望

看着公司那个不断上线的模型，我突然觉得AI行业就像是个永动机，永远有新的问题等着解决。现在大家都说大模型好，但真正落地到推荐场景，还是要考虑效率、冷启动这些老问题。我在实习里摸清了几个关键点：第一，不管技术怎么变，数据清洗和特征工程永远是基础；第二，创业公司的生存法则就是快速验证，所以实验设计很重要，不能瞎调；第三，跨团队协作能力比单纯的技术能力更稀缺。比如有一次为了对齐业务目标，我连续一周跟产品、运营那边开会，虽然过程挺累，但最后模型方向确实更清晰了。这让我觉得，未来行业里能把技术跟业务拧成一股绳的人，肯定很有价值。

4.心态转变

以前觉得写代码就是自己开心就行，现在明白每个改动都可能影响成千上万用户。比如那个特征工程优化，虽然只提升了3%的召回率，但对整个业务来说可能是几十万级别的收入变化。这种感觉挺奇妙的，以前写作业对错分明，现在做项目却要考虑各种权衡，哪个参数该改多少，要不要加一层网络，这些都需要经验。最明显的是抗压能力，学校里实验跑不出去顶多重跑，这里资源紧张，每一步都要算计。有次模型训练到一半内存溢出，导师直接把我叫过去，当时脸都绿了，但后来发现是自己没做好数据预分配。这种被现实敲打的感觉，比学校里任何考试都管用。

5.未来行动

现在感觉像有了个明确的目标，下学期除了深化专业课程，会重点补一下工程化和系统运维这块。实习里发现的短板太多了，比如Kubernetes那会儿完全懵，现在回去恶补完Docker基础，才敢去啃集群调优。另外，打算攒点钱买个GPU，现在做实验云服务器太贵了。最期待的是明年能找个相关方向的实习，这次经验让我知道，光看论文是不够的，得真动手才行。有时候跟导师聊起这个，他总说“纸上得来终觉浅”，现在才真正懂了这意思。