ML Engineer (Recommendation Systems)

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 No1 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…