Middle+ ML engineers ко мне в команду рекомендаций Я.Маркета (3 вакансии) 300-400к руб на руки Москва, Спб или remote *если вы senior - тоже пишите, договоримся)

Наша команда рекомендаций Яндекс.Маркета делает персональные рекомендации товаров на главной странице, подбирает похожие и сопутствующие товары, персонализирует поиск, crm-коммуникации и другие поверхности. Мы - бизнесовая команда, которая приносит прямой прирост выручки/прибыли компании в АВ-тестах. Баланс бизнес-рисерч у нас 80-20

Сейчас мы ищем уверенных ML инженеров на 3 трека: нейросетевые рекомендации, более классический recsys + discovery, СRM-персонализация. Внутри команды со временем трек можно менять, это скорее фокус на ближайшие полгода

1. Нейросетевые рекомендации Предстоит работать в первую очередь над трансформерной моделью ARGUS-8k, глубоко погружаться в архитектуру

• Добавление новых входных данных для нейросетей: поисковые запросы, новые типы действий (шеринг ссылки на товар), фичи пользователей и тп
• Эксперименты с эмбеддингом товара: что из текстового описания и характеристик использовать, как учесть картинки товаров, semantic id и дп
• Эксперименты с архитектурой: добавление отдельной головы под новый таргет, изменение лосса и тп
• Адаптация моделей под сценарии: рекомендации на главной странице, товары-аналоги (учет контекста основного товара), поиск (учет контекста поискового запроса)
• Анализ наших данных и поиск точек роста в ML-моделях через новые таргеты, входные данные или фичи

2. RecSys и Discovery Нужно оптимизировать не только количество действий пользователя в моменте (заказы, корзины и тп), но и учитывать юнит экономику товара

• оптимизировать долгосрочный LTV пользователя. С нейронками работать тоже нужно, но без настолько глубокого погружения как в выкансии выше: и BERT-ы для похожих товаров учить, и LLM-ки применять, и многое другое. Основы нашей архитектуры рекомендаций можно посмотреть в докладе на highload

• Эксперименты с таргетом ранжирующих моделей: как учесть юнит экономику товаров? как балансировать текущий интерес и новые discovery категории для пользователя?
• Discovery брендов: например, как любителям одежды показывать новые фэшн-бренды?
• Lifelong рекомендации: как запомнить релевантные интересы пользователя из далекого прошлого? Купил сноуборд 1,5 года назад (интерес/хобби - катание на сноуборде) -> рекомендуем ботинки для сноуборда или горнолыжный шлем сейчас
• Развитие моделей для подбора товаров-аналогов: коллаборативная фильтрация, статистическая со-встречаемость (PMI, swing, ...), BERT и тп
• Внедрять и улучшать LLM для рекомендаций
• Анализ наших данных и поиск точек роста в ML-моделях через новые таргеты, фичи или бизнес-логику

3. Персонализация CRM

• Строить ML-модели склонности к покупке категорий и брендов (Catboost, ALS, LightFM, трансформерные модели)
• Uplift-модели для коммуникаций с пользователем
• Определять персональную контактную политику (как часто коммуницировать? в какие дни и время?)
• Запускать АВ-тесты и влиять на бизнес-метрики
• Анализ наших данных и поиск точек роста в ML-моделях через новые таргеты, фичи или бизнес-логику

Что жду от кандидата

• Опыт работы в ML/DL от 1 года
• Python, Airflow
• SQL
• A/B тестирование и статистика
• Классический ML: catboost и способы генерации фич, ml-метрики
• Базовые знания в DL: эмбеддинги, типы слоев, функции активации, attention
• (доп для DL) Глубокое понимание нейросетей в NLP или RecSys: BERT-подобные модели

Будет плюсом

• Продакшен опыт работы с задачами поиска или рекомендаций
• Опыт работы с LLM: rag, sgr, so
• (доп для DL) Опыт с нейросетевыеми моделями рекомендаций: SASRec, HSTU

🔤 Резюме можно присылать напрямую мне в лс - @Ivan_maksimov