Если вы раньше входили через Google, сбросьте пароль для своей Gmail-почты через кнопку «Забыли пароль?» на экране входа. Затем войдите по email и новому паролю.
Если аккаунта ещё нет, зарегистрируйтесь с Gmail-почтой, после подтверждения почты мы предложим задать пароль.
Что нового
Загружаю обновления...
Что нового
Загружаю обновления...
Работа найдется быстрее с подпискойКандидат найдётся быстрее с подпиской
Чтобы адаптировать резюме под вакансию или составить сопроводительное письмо, загрузите резюме
описание
Команда отвечает за развитие отдела продаж Авито и повышение его эффективности за счёт умной автоматизации: от подбора наиболее релевантных пользователю коммерческих предложений и скидочных механик до разработки LLM-подсказок во время звонков и коммуникаций в чатах.
задачи
Проектировать и развивать модели склонности, look-alike- и uplift-модели для подбора коммерческих предложений клиентам;
Участвовать в построении end-to-end пайплайна принятия решений: от формирования пула офферов до ранжирования и отбора шорт-листа для обзвона менеджерами;
Разрабатывать и улучшать офлайн-алгоритмы скоринга и ранжирования предложений в условиях ограниченных ресурсов;
Участвовать в дизайне и интерпретации экспериментов (A/B, holdout, uplift-валидация) и принимать решения о масштабировании моделей;
Формировать и поддерживать стандарты разработки моделей и валидации;
Доводить модели до продакшена, участвовать во внедрении, мониторинге качества и итеративном улучшении решений.
требования
Опыт работы в Data Science / Machine Learning от 3 лет с фокусом на продуктовые решения в продакшене;
Практический опыт построения моделей склонности, look-alike- или uplift-моделей для продуктовых или коммерческих сценариев;
Опыт работы с задачами ранжирования или приоритизации объектов в условиях ограниченных ресурсов;
Уверенное владение Python и SQL для анализа данных, обучения моделей и построения ML-пайплайнов;
Понимание принципов офлайн- и онлайн-валидации моделей, опыт участия в дизайне и интерпретации экспериментов;
Опыт вывода моделей в продакшен, отслеживания качества и работы с деградациями;
Готовность брать на себя техническую ответственность за ML-решения и взаимодействовать с кросс-функциональными командами;
Будет плюсом опыт работы в рекламе или e-commerce, опыт работы с бандитами, интерливингом или мультиобъективным ранжированием, опыт работы с MLOps-инструментами (CI/CD, мониторинг, ML-пайплайны), опыт работы с системами оркестрации (например, Kubeflow), готовность писать код на Go.
условия
Прозрачная система премий;
Личный бюджет на обучение (книги, курсы, конференции);