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 персонализации и поиска развивает онлайн-магазин и строит рекомендательную платформу. Система помогает пользователям быстрее находить нужные товары, адаптируя каждый экран под их интересы, контекст и текущие потребности.
задачи
Разрабатывать модели рекомендаций для сайта и мобильного приложения, включая cold-start, гибридные модели и deep-learning подходы;
Разрабатывать алгоритмы candidate generation для персонализированных рекомендаций на всех этапах пользовательского пути;
Разрабатывать и обучать reranking-модели, объединяющие персональные, контекстные и бизнесовые сигналы;
Создавать алгоритмы для карточек товара: рекомендации похожих товаров, cross-sell и upsell;
Обучать и выводить в продакшн модели ранжирования поисковой и каталожной выдачи;
Внедрять метрики оценки эффективности рекомендаций, проводить онлайн- и офлайн-тестирование и A/B-тесты;
Разрабатывать и поддерживать ETL на PySpark для сбора необходимых признаков.
требования
Опыт полного цикла разработки рекомендационной системы — от сбора требований до вывода в продакшн;
Практический опыт Learning to Rank и понимание классических ML-подходов к рекомендациям;
Умение работать с большими объёмами данных в Spark, Flink и Hadoop;
Знание теории вероятностей и статистики;
Уверенное владение Python и опыт написания ETL-процессов на PySpark;
Понимание A/B-тестирования и построения онлайн- и офлайн-метрик рекомендаций;
Опыт работы с облачными хранилищами S3, GCS и Azure Blob;
Будет плюсом опыт работы с графовыми моделями и embedding-техниками, знание Docker и базовых принципов контейнеризации, опыт разработки FastAPI-сервисов для онлайн-инференса.