ML-инженер рекомендательных систем

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.

• 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.

• 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

• Удалённо или гибрид;
• ДМС;
• Бонусы и премии по результатам;
• Оформление по ТК РФ;
• Компенсация спорта;
• Обучение за счёт компании, участие в конференциях.