信息技术与人工智能人工智能公司人工智能应用开发实习报告

信息技术与人工智能人工智能公司人工智能应用开发实习报告一、摘要2023年7月1日至2023年8月31日，我在一家信息技术与人工智能公司担任人工智能应用开发实习生。实习期间，我主导完成了3个智能推荐模型的优化，使模型准确率提升12%，响应时间缩短至0.8秒。核心工作包括使用Python和TensorFlow处理并分析10万条用户行为数据，设计并实现了一个基于深度学习的用户画像系统，覆盖85%的用户标签准确率。通过实践，我将机器学习算法与实际业务场景结合，提炼出数据预处理与模型调优的标准化流程。专业技能方面，熟练运用PyTorch、Jupyter和Git，掌握了大规模数据集的分布式处理方法，并应用自动化测试工具将系统稳定性提升至99.2%。二、实习内容及过程2023年7月1日到8月31日，我在一家做AI应用开发的公司实习。主要目标是把学校学的机器学习知识用到实际项目里，熟悉工业界的开发流程。公司是做智能客服和推荐系统的，用不少深度学习模型，环境是Python和TensorFlow为主。我跟着团队做了两个项目。第一个是优化一个电商推荐模型，处理了10万条用户历史数据，发现特征交叉部分效果不好，准确率只有78%。我花了两天研究Fisher信息矩阵来评估特征重要性，重新设计了特征组合，最后模型AUC从0.72提升到0.81。第二个是参与智能客服的意图识别，遇到跨领域术语理解不准的问题，比如“退款”有时被误识别为“退货”。我主动找产品那边要了500个标注数据，用BERT微调模型，准确率从82%提高到86%。期间还学了GitLab的CI/CD流程，把实验环境配置标准化，减少了每次部署的调试时间。老是被问为什么我的模型训练时间比别人长，后来发现是没用到混合精度训练，卡在GPU显存上。花了周末看PyTorch文档，弄懂了torch.cuda.amp，把训练速度快了大概40%。但有时候代码合并会出冲突，比如8月15号因为版本控制没做好，返工了两天。团队里开发流程挺乱的，有时候需求直接改，没文档。我提过把需求变更记在Jira上，但没人理。另外培训挺水的，就发了几篇论文让我读，没人带。岗位匹配度也一般，分配的任务偏数据标注，用不到我擅长的模型调优。要是能有个导师带着，或者多给些实战机会就好了。三、总结与体会这8周实习，感觉像是把学校里那些公式和理论，真金白银地换成能跑的代码。7月10号刚接手推荐系统优化时，跑个实验要等俩小时，数据清洗和特征工程做了小半个月，最后模型效果也就那样，准确率才78%，感觉挺挫败的。但后来琢磨Fisher信息矩阵，把特征选得更精准，再结合交叉验证，8月5号模型AUC飚到0.81，那一刻觉得挺值。这种把数据变成价值的过程，比单纯上课听讲刺激多了。团队里老哥们的处理方式也给我挺大启发。比如8月20号遇到客服意图识别不准的坎，不是急着加数据，而是先去问产品经理，知道“售后”和“维修”是近义词，这才把BERT的预训练模型加上了同义词扩展，效果立马上去了。这种跨团队沟通、从业务出发解决问题的思路，学校里真学不到。现在写代码，会下意识先想用户会不会这么问。走的时候回头看，实习最大的收获是抗压能力。以前做实验跑不通就跑两小时换个方向，现在能盯着一个bug盯俩钟头，还会主动去查底层库的源码。比如混合精度训练那事儿，为了省显存，硬是把PyTorch的amp模块从零学了一遍。这种硬着头皮钻研的感觉，挺磨人但也挺爽。对未来挺清晰的。现在知道深度学习不能光会调参数，还得懂点工程化，所以下学期打算补补Docker和Kubernetes，顺便考个AWS的认证。另外实习时觉得图神经网络挺有意思，打算9月把PyTorchGeometric的系统课补上。找工作时，肯定会强调这段经历里怎么把准确率从0.72拉到0.81的细节，这种能亮眼的成果比空泛的技能书管用。行业趋势这块，感觉现在大模型应用是主流，但落地还得靠传统ML的调优，像我的推荐系统，最后还是用了LambdaMART，只是把特征工程做深了。所以既不能只盯着LLM，也不能老守着旧方法。8周时间太短，没太接触大模型微调，但回来后打算找个开源项目练练手，看看这块怎么结合自己的业务知识。总归一句话，实习让我从纸上谈兵到知道怎么把论文里的模型塞进服务器里，这转变值千金。四、致谢感谢实习期间给予指导的导师