ML Engineer (Recommendation Systems)
Описание
Сейчас в наше направление по разработке платформы данных ищем ML Engineer (Recommendation Systems), который будет развивать рекомендательные системы и поможет нам перейти от rule-based решений к ML. Рекомендации сейчас работают на rule-based baseline в проде; следующий шаг — перейти к ML и построить полноценный цикл экспериментов вокруг них. Задача нетиповая, и это стоит понимать до отклика. Ассортимент, который видит пользователь, определяется геозоной доставки и наличием товара у конкретного локального мерчанта. Каталог обновляется быстро, товар скоропортящийся, холодный старт по SKU — нормальный режим работы, а не краевой случай. Персональной истории мало: подарки покупают несколько раз в год. Маркетплейс двусторонний — релевантность покупателю приходится балансировать с экономикой мерчантов. Что нужно делать: Первые три месяца: разобраться в текущем baseline и данных, найти, где реально теряется качество; спроектировать и наладить пайплайн обучения и инференса моделей; сформировать рабочий цикл ML-экспериментов: офлайн-валидация → A/B на боевом трафике → решение по результату эксперимента. Дальше, по мере зрелости системы: Приоритет №1 на ближайший год остаётся за рекомендациями: качество ранжирования, персонализация, работа с холодным стартом. Параллельно будет расти платформенная часть — feature store, фреймворк экспериментов, мониторинг моделей. В перспективе есть направления CV (классификация товаров, поиск по изображению) и прогнозирования спроса. Ждем от вас: ориентировочно от 4 лет опыта в production ML в рекомендациях, поиске или ранжировании с участием в полном цикле разработки – от обучения моделей до запуска в продакшен; опыт разработки современных RecSys-моделей и их запуска в продакшен с измеримым влиянием на продуктовые и бизнес-метрики; A/B-тесты: сами дизайнили, запускали, анализировали (не только читали результаты); автономность: можете спроектировать систему от идеи до production без ежедневного надзора. Технические навыки: Python (production-grade код); PyTorch или TensorFlow (реально обучали модели, не только inference); SQL (сложные аналитические запросы) для сбора и подготовки данных; Linux, Git, Docker. Инженерное мышление: умеете обосновать, где нужна модель, а где достаточно эвристики — в обе стороны; проговариваете trade-offs: latency против качества, сложность против поддерживаемости; валидируете результат так, чтобы ему можно было верить; готовы читать чужой код на незнакомом языке и договариваться о контрактах между командами. Большим плюсом будет: мультимодальные эмбеддинги (CLIP/SigLIP-подобные), работа с контентными представлениями товара; Vector databases: Qdrant, Milvus, Pinecone; Feature stores: Feast, Tecton; MLOps: MLflow, experiment tracking, model registry; Causal inference, uplift, интерливинг; Kubernetes, cloud (Yandex Cloud / AWS); знание e-commerce домена: маркетплейсы, двусторонние рынки, ограничения предложения.