Описание
Мы развиваем рекомендации и персонализацию в продукте с миллионами пользователей: ленты, подборки, поиск и ранжирование выдачи. Рекомендательная система уже работает в проде, и мы ищем инженера, который будет растить её качество и продуктовые метрики. Если ты умеешь не только обучить модель ранжирования, но и доказать её эффект в A/B-тесте — ждём тебя.
Задачи
•Развивать многостадийную рекомендательную систему: кандидатогенерация, ранжирование, реранкинг
•Обучать и улучшать модели: коллаборативная фильтрация (ALS, implicit), two-tower, бустинги для ранжирования (CatBoost, LightGBM), sequential-модели
•Решать проблемы холодного старта, разнообразия и популярности в выдаче
•Строить фичи и пайплайны данных на больших объёмах (Spark, Airflow)
•Выводить модели в production и следить за их качеством
•Оценивать качество: офлайн-метрики (NDCG, MAP, Recall@K, coverage) и онлайн A/B-тесты
•Генерировать продуктовые ML-гипотезы и проверять их вместе с аналитиками
Требования
•Уверенный Python и SQL
•Опыт разработки рекомендательных систем или поискового ранжирования в продакшене
•Знание подходов: коллаборативная фильтрация, learning to rank (pointwise, pairwise, listwise), эмбеддинги
•Опыт с бустингами (CatBoost, LightGBM, XGBoost) и PyTorch
•Опыт работы с большими данными: Spark / PySpark, Hadoop
•Опыт проведения и анализа A/B-тестов
•Git, культура код-ревью
•Опыт от 3 лет
Будет плюсом
•Опыт с sequential-рекомендациями: SASRec, BERT4Rec
•Опыт ANN-поиска: FAISS, HNSW
•Опыт с CTR-моделями и рекламным ранжированием
•Применение LLM в рекомендациях и поиске
•Английский для чтения документации и статей
•Профильное техническое образование
Условия
•Удалённо или гибрид
•ДМС
•Бонусы и премии по результатам
•Оформление по ТК РФ
•Компенсация спорта
•Обучение за счёт компании, участие в конференциях
