ml engineer поиска в электронной торговле

Компания Nebelung специализируется на персонализации и оптимизации конверсии в онлайн-сегменте.

• 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

• 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, поиском в электронной торговле, CatBoost, LightGBM или XGBoost для задач ранжирования, sentence-transformers или cross-encoders, ClickHouse, классификацией запросов или определением намерений, проведением A/B-тестов поисковых алгоритмов

• 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