Описание
Компания Nebelung специализируется на персонализации и оптимизации конверсии в онлайн-сегменте.
Задачи
•Развивать ML-компоненты поиска в электронной торговле: векторный поиск, переранжирование и понимание запросов
•Анализировать и улучшать качество ранжирования в существующих проектах на OpenSearch
•Разработать механизм категоризации поисковых запросов и определения пользовательского намерения
•Использовать клики, добавления в корзину и конверсии как сигналы для ML-ранжирования и обучения ранжированию
•Формировать обучающие выборки на основе поисковых и пользовательских событий
•Разрабатывать и улучшать модели переранжирования и гибридного поиска
•Настроить оценку качества поиска с использованием метрик NDCG, Precision@K, Recall@K, MRR и других метрик
•Проводить эксперименты и участвовать в A/B-тестировании изменений ранжирования
•Разрабатывать переиспользуемые ML-компоненты для поисковых решений на OpenSearch
Требования
•Опыт работы в машинном обучении или науке о данных от 2 лет
•Уверенное знание Python
•Практический опыт с задачами информационного поиска, ранжирования, рекомендательных систем или NLP
•Понимание принципов векторного поиска, embeddings и семантического поиска
•Опыт разработки или интеграции моделей переранжирования
•Понимание обучения ранжированию и подходов к обучению моделей ранжирования
•Опыт работы с пользовательскими событиями: показы, клики, добавления в корзину, конверсии
•Понимание принципов формирования обучающих выборок для задач ранжирования, включая положительные и отрицательные примеры
•Знание метрик качества поиска и ранжирования: NDCG, Precision@K, Recall@K, MRR
•Опыт работы с производственными данными и умение самостоятельно исследовать проблемы релевантности
Будет плюсом
•Опыт с OpenSearch или Elasticsearch, Meilisearch
•Опыт с поиском в электронной торговле
•CatBoost, LightGBM или XGBoost для задач ранжирования
•sentence-transformers или cross-encoders
•ClickHouse
•Опыт с классификацией запросов или определением намерений
•Проведение A/B-тестов поисковых алгоритмов
Условия
•Гибкий график, ориентир на результат
•Работа над производственным поиском для реальных клиентов электронной торговли
•Возможность напрямую влиять на архитектуру машинного обучения продукта и подходы к ранжированию
•Доступ к реальным поисковым данным, пользовательским событиям и результатам экспериментов
•Формат сотрудничества обсуждается индивидуально
•Уровень вознаграждения зависит от опыта и формата занятости
•Частичная занятость
