研發(fā)工程師科技公司實(shí)習(xí)報(bào)告一、摘要

2023年7月1日至2023年8月31日，我在一家專(zhuān)注于人工智能技術(shù)的科技公司擔(dān)任研發(fā)工程師實(shí)習(xí)生。核心工作成果包括參與開(kāi)發(fā)智能推薦算法模塊，通過(guò)優(yōu)化模型參數(shù)，將系統(tǒng)響應(yīng)時(shí)間縮短至0.3秒，用戶(hù)點(diǎn)擊率提升12%。運(yùn)用Python和TensorFlow實(shí)現(xiàn)數(shù)據(jù)預(yù)處理流程，處理約5TB用戶(hù)行為數(shù)據(jù)，準(zhǔn)確率達(dá)89%。在項(xiàng)目中應(yīng)用敏捷開(kāi)發(fā)方法論，結(jié)合Git進(jìn)行版本控制，推動(dòng)團(tuán)隊(duì)協(xié)作效率提升30%。提煉出的特征工程優(yōu)化策略可復(fù)用于提升相似度計(jì)算模型的效率。

二、實(shí)習(xí)內(nèi)容及過(guò)程

2023年7月1日至2023年8月31日，我在一家做智能推薦系統(tǒng)的公司實(shí)習(xí)，崗位是研發(fā)工程師。剛?cè)ツ菚?huì)兒，主要是熟悉業(yè)務(wù)和團(tuán)隊(duì)項(xiàng)目。我們團(tuán)隊(duì)在優(yōu)化用戶(hù)畫(huà)像構(gòu)建模塊，我接手了特征工程這塊兒。原始數(shù)據(jù)有5TB，維度特別多，直接喂給模型效果差得很，準(zhǔn)確率也就75%，用戶(hù)點(diǎn)擊率也上不去。那段時(shí)間挺撓頭的，感覺(jué)方案試來(lái)試去都不對(duì)路。后來(lái)導(dǎo)師建議我從日志里挖掘更細(xì)的行為特征，用PCA降維，再加點(diǎn)LDA主題模型，跑了幾輪實(shí)驗(yàn)，最終把特征數(shù)量壓縮到200個(gè)，準(zhǔn)確率飆到了89%，響應(yīng)時(shí)間也快了，從2秒降到0.3秒。這個(gè)項(xiàng)目讓我直觀點(diǎn)了模型調(diào)參不是瞎改參數(shù)那么簡(jiǎn)單，得懂?dāng)?shù)據(jù)分布，還得會(huì)踩坑。

團(tuán)隊(duì)用的是敏捷開(kāi)發(fā)，需求變更特別頻繁，有時(shí)候前一天還確定的技術(shù)方案，第二天得改。有好幾次我寫(xiě)的接口被推翻重來(lái)，挺挫敗的。但這也逼我學(xué)會(huì)快速學(xué)習(xí)，比如用Jira跟蹤需求，每天站會(huì)匯報(bào)進(jìn)度，晚上回去補(bǔ)補(bǔ)SpringCloud微服務(wù)架構(gòu)這塊兒短板。有個(gè)挑戰(zhàn)是分布式環(huán)境下數(shù)據(jù)一致性問(wèn)題，我們用Redis做緩存，但并發(fā)大的時(shí)候會(huì)出現(xiàn)超賣(mài)。當(dāng)時(shí)我提了個(gè)方案用分布式鎖，但實(shí)現(xiàn)起來(lái)復(fù)雜，最后團(tuán)隊(duì)選了本地緩存+定時(shí)同步的折中方案，效果還行，但心里還是覺(jué)得自己的方案可能更好。不過(guò)轉(zhuǎn)念想，公司這規(guī)模，能按時(shí)上線(xiàn)比啥都強(qiáng)。

我還參與了模型部署流程，用Docker打包鏡像，推到Kubernetes集群上，第一次接觸這些挺新鮮，但也踩了不少小坑，比如容器網(wǎng)絡(luò)配置不對(duì)，模型就起不來(lái)。這段經(jīng)歷讓我明白，做研發(fā)不光得懂算法，還得懂工程化。公司技術(shù)棧挺新的，但培訓(xùn)機(jī)制有點(diǎn)弱，很多東西得自己摸索。比如有次想學(xué)他們的MLOps平臺(tái)，翻半天文檔都沒(méi)找到完整教程，最后還是問(wèn)師兄才搞定。我覺(jué)得他們可以搞個(gè)內(nèi)部Wiki，把常用操作都錄個(gè)視頻，或者搞個(gè)新人培養(yǎng)計(jì)劃，指定個(gè)老員工帶，效率肯定能高不少。崗位匹配度上，我主要做后端開(kāi)發(fā)和模型部署，但感覺(jué)對(duì)業(yè)務(wù)理解不夠深，有時(shí)候需求理解有偏差，導(dǎo)致返工。下次實(shí)習(xí)我得主動(dòng)多跟產(chǎn)品經(jīng)理聊，早點(diǎn)摸透業(yè)務(wù)邏輯。這段經(jīng)歷讓我意識(shí)到，技術(shù)好只是基礎(chǔ)，得會(huì)跟人打交道，項(xiàng)目才能順利。

三、總結(jié)與體會(huì)

這8周，從2023年7月到8月，在公司的經(jīng)歷像給理論課上了場(chǎng)硬核實(shí)踐課。以前覺(jué)得算法跑通就行，現(xiàn)在明白落地得考慮成本、穩(wěn)定性，比如那個(gè)用戶(hù)畫(huà)像項(xiàng)目，最終選的方案在準(zhǔn)確率和延遲間做了取舍，這跟學(xué)校里不計(jì)代價(jià)追求最優(yōu)解完全不一樣。數(shù)據(jù)量從5TB處理到200維特征，每一步都得有數(shù)，看著準(zhǔn)確率從75%爬升到89%，點(diǎn)擊率跟著漲，才真切感受到技術(shù)能帶來(lái)的改變，這比單純看論文有意思多了。

團(tuán)隊(duì)那套敏捷開(kāi)發(fā)流程，需求隨時(shí)變，一開(kāi)始挺不適應(yīng)，但后來(lái)發(fā)現(xiàn)這逼著人快速學(xué)習(xí)，比如為了跟上版本迭代，硬著頭皮把SpringCloud和Docker學(xué)了個(gè)七七八八。最深的體會(huì)是，學(xué)校教的基礎(chǔ)是骨架，公司里學(xué)的是血肉，怎么把理論用在實(shí)際場(chǎng)景里，怎么跟人協(xié)作把東西做出來(lái)，是最大的收獲。導(dǎo)師常說(shuō)“對(duì)結(jié)果負(fù)責(zé)”，這句話(huà)我現(xiàn)在理解了，不再是做完就行，而是要確保用戶(hù)能用上、用得好。這種責(zé)任感是以前沒(méi)體會(huì)過(guò)的。

看著部署在Kubernetes上的服務(wù)穩(wěn)定運(yùn)行，處理著真實(shí)用戶(hù)的請(qǐng)求，突然就清晰了未來(lái)的路。這個(gè)行業(yè)對(duì)MLOps、分布式系統(tǒng)的需求越來(lái)越明顯，這也提醒我，接下來(lái)得往這個(gè)方向深耕。學(xué)校那套學(xué)習(xí)路徑太寬了，這次實(shí)習(xí)讓我知道，得挑重點(diǎn)攻。比如想轉(zhuǎn)全棧，那后端這塊就得補(bǔ)強(qiáng)，計(jì)劃下學(xué)期就把那個(gè)微服務(wù)認(rèn)證課補(bǔ)上，順便考個(gè)AWS或者K8s的證，增加點(diǎn)競(jìng)爭(zhēng)力。行業(yè)里感覺(jué)AI落地是趨勢(shì)，怎么把算法用好、用大，怎么解決工程難題，這才是真本事。這次經(jīng)歷像開(kāi)了扇窗，讓我看清了想成為有用的人，還得持續(xù)學(xué)習(xí)，不斷給自己加壓。從學(xué)生到準(zhǔn)職場(chǎng)人，心態(tài)變了，肩上的事也重了，但心里踏實(shí)多了。

四、致謝

感謝公司給我這次實(shí)習(xí)機(jī)會(huì)，讓我接觸到了真實(shí)的研發(fā)環(huán)境。感謝導(dǎo)師悉心指導(dǎo)，尤其是在特征工程和模型調(diào)優(yōu)上給我的建議，幫助