Team lead ML in recommender systems

Twinby — один из крупнейших российских дейтинг-сервисов с миллионами пользователей: реалтайм (лента, матчи, чаты), деньги (подписки, бусты, покупки), антифрод и модерация. Мы выстраиваем data- и ML-контур и собираем команду. Ищем Team Lead ML (RecSys) в департамент Data & ML — играющего тренера, который отвечает за рекомендательную систему и другие ML-проекты продукта. Роль примерно на половину практическая (проектируешь и катишь ключевые модели, ревьюишь, разбираешь инциденты) и на половину лидерская (ведёшь небольшую ML-команду, ставишь процесс ML-разработки и приоритизируешь портфель).

• Владеть рекомендательной системой end-to-end: кандидатная генерация, ранжирование, ре-ранжирование, cold start, exploration — для двустороннего дейтинг-продукта, где выдача должна устроить обе стороны.
• Отвечать за онлайн-результат: цель и метрики, мониторинг качества и дрейфа, откаты и разбор деградаций; A/B-эксперименты ведёшь вместе с продуктовым аналитиком, который отвечает за дизайн и статистику тестов.
• Брать смежные ML-проекты: Trust & Safety (боты и фермы, фрод, модерация, liveness), монетизация и retention (churn, uplift, персональные офферы), NLP по чатам (токсичность, спам, мошеннические сценарии).
• Строить команду и процесс: растить людей, ставить ревью и процесс «гипотеза → офлайн → онлайн-эксперимент → прод → мониторинг», выбирать, что делать и чего не делать.
• Работать с дата-платформой и аналитикой: формулировать требования к логированию показов, фичам и метрикам; вместе выстраивать доверенные данные под ML.
• Писать код сам там, где это даёт максимальный рычаг: дизайн и ключевые модели, критичные пайплайны, ревью.

• Опыт production-рекомендательных систем — не ноутбуки, а система в проде, за онлайн-результат которой ты отвечал (лента, ранжирование, каталог, матчинг).
• Deep learning на практике: PyTorch (или эквивалент), нейросетевое ранжирование и retrieval (two-tower, sequence-модели, multi-task), обучение на больших данных, оптимизация инференса.
• NLP: современные модели для текста (трансформеры, эмбеддинги, fine-tuning), классификация и ранжирование по пользовательскому тексту — токсичность, спам, мошеннические сценарии, поиск похожего.
• Классический ML рядом с DL: градиентный бустинг (CatBoost / LightGBM), фичи, оценка; умение выбрать простое решение, когда глубокое не нужно.
• Уверенный Python, умение написать и вывести модель в прод; понимание, почему офлайн-метрика не равна онлайн-эффекту (смещения, петля обратной связи, дрейф).
• Инстинкт доверия к данным: мониторинг, воспроизводимость, версионирование, тесты на данные.
• Будет плюсом: Опыт лидерства: вёл людей (формально или как техлид), нанимал, растил, выстраивал процесс. Если не вёл — важно, что хочешь и готов расти в эту сторону; Опыт онлайн-экспериментов для рекомендаций (интерференция, долгосрочные эффекты, мощность) — дизайн тестов на нашей стороне ведёт продуктовый аналитик, но понимание ценно; Reciprocal-рекомендации, двусторонние рынки (job-платформы, маркетплейсы, такси, дейтинг); Опыт Trust & Safety / антифрода (боты, фрод, модерация, liveness), computer vision; Опыт монетизации: uplift, churn, бандиты по офферам; Опыт с ClickHouse, Airflow, векторным поиском; Публикации, доклады, менторство

• Реальное владение: рекомендательная система и ML-портфель продукта — твои.
• Возможность построить ML с честного фундамента: сначала доверенные данные и метрики, потом модели.
• Автономия в том, как устроены ML-процесс и команда; цели и приоритеты обсуждаешь с Head of Data.
• Богатая фактура дейтинга: взаимность, перекос по полу, безопасность живых людей, чат, монетизация.
• Трудоустройство по ТК РФ.
• Формат работы - удаленный.