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.
- Python (production-grade код);
- PyTorch или TensorFlow (реально обучали модели, не только inference);
- SQL (сложные аналитические запросы) для сбора и подготовки данных;
- 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.
- 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.