Локация
Алматы, проспект Юрия Гагарина, 133/7; работа на месте работодателя, без удалённого формата
Заработная плата обсуждается по итогам собеседования.
Компания
Halyk Finservice развивает e-commerce-рекомендации и сервисы персонализации на основе поведенческих сигналов пользователей.
Что делать
•Разрабатывать retrieval на implicit-ALS, включая подготовку взаимодействий, нормализацию весов и публикацию факторов пользователей и товаров.
•Создавать ANN-индексы на FAISS/HNSW и онлайн-сервис рекомендаций на FastAPI с контролем latency и fill-rate.
•Проектировать витрины ClickHouse, инкрементальные DAG в Airflow и ingest-пайплайны через Kafka.
•Дообучать embedding-модели, готовить пары и negative samples, тестировать bi-encoder, cross-encoder, dense и hybrid retrieval.
•Проводить offline-оценку и A/B-тесты, анализировать Recall@K, NDCG@K, CTR, ATC, GMV и технические guardrails.
•Оптимизировать Python/SQL, ClickHouse и ANN-индексы, настраивать мониторинг, алерты, fallback-сценарии и CI/CD для ML-сервисов.
Требования
•От 4 лет разработки на Python, уверенное владение asyncio/uvloop, async-клиентами, типизацией, тестированием и профилированием latency.
•Опыт разработки production-сервисов на FastAPI и поддержки production-кода.
•Практический опыт рекомендательных, поисковых или ranking-систем; знание ALS, BPR, collaborative filtering и implicit feedback.
•Опыт ANN/vector search с FAISS, HNSWlib или аналогами, а также работы с товарными, пользовательскими или текстовыми embedding-моделями.
•Сильный SQL и ClickHouse, включая MergeTree, materialized views, projections, partitioning и TTL; опыт оптимизации расчётов на больших объёмах данных.
•Опыт с Redis, Kafka и Airflow, понимание offline-online consistency, A/B-тестирования, продуктовых метрик и production-инцидентов.
Хорошо, если есть
•PyTorch, Sentence-Transformers, Transformers, CatBoost, LightGBM или XGBoost в production.
•Learning-to-rank, cross-encoder/bi-encoder, hybrid search и reranking.
•Оптимизация FAISS с IVF, HNSW, PQ, OPQ или GPU FAISS; опыт с OpenSearch kNN, pgvector, Qdrant или Milvus.
•Cold-start-стратегии, кластеризация, LLM для обогащения каталога и мониторинг drift embedding-моделей.
•Kubernetes, Helm, GitLab CI/CD, Superset, S3/MinIO, MLflow или DVC.
Культура и преимущества
•Стандартный офисный график, 5/2, без удалённого формата работы.
•Плавающее начало рабочего дня и отсутствие дресс-кода.
•Оформление по ТК РК и медицинская страховка после испытательного срока.
•Обучение за счёт компании и возможности профессионального развития.
•Комфортный офис, настольный теннис, PS5 и рабочая атмосфера без лишней формальности.
