Middle ML-инженер / Data Scientist, рекомендательные системы

Опыт работы: 3–6 лет. Занятость: полная. График: 5/2. Рабочие часы: 8. Формат работы: удалённо.

Ищем ML Engineer / Data Scientist уровня Middle или Middle+ для работы с рекомендательными системами. Основной фокус — классическое машинное обучение, развитие и улучшение существующих моделей, работа с данными и ML-пайплайнами. Важно уметь самостоятельно решать технические задачи, оценивать качество моделей и находить возможности для улучшения рекомендаций.

Обязанности:

• Развитие и поддержка существующих рекомендательных систем.
• Обучение, тестирование и улучшение ML-моделей.
• Работа с данными: подготовка датасетов, feature engineering и добавление новых признаков.
• Разработка и оценка моделей ранжирования (ranking / reranking).
• Анализ качества рекомендаций, сравнение результатов моделей и оценка latency.
• Развитие и поддержка ML-пайплайнов, в том числе с использованием Airflow.
• Оценка эффективности моделей и анализ результатов экспериментов.
• Участие в A/B-тестировании и базовом мониторинге качества моделей.

Требования:

• Уверенное владение Python.
• Практический опыт с классическим ML: классификация, регрессия, ранжирование.
• Опыт работы с бустингами: CatBoost, LightGBM, XGBoost.
• Знание и практический опыт работы с PyTorch.
• Понимание основных алгоритмов машинного обучения, базовой теории вероятностей и статистики.
• Опыт работы с данными и построения ML-пайплайнов.
• Умение самостоятельно вести задачи от анализа проблемы до оценки результата.

Будет преимуществом:

• Коммерческий опыт разработки рекомендательных систем (RecSys).
• Опыт работы с ranking / reranking-моделями.
• Знание ALS и других подходов к построению рекомендаций.
• Опыт работы с Airflow.
• Опыт проведения A/B-тестов и оценки качества моделей.
• Опыт применения LLM для решения задач машинного обучения, например для feature engineering.
• Опыт работы с продуктовыми ML-системами и понимание особенностей их эксплуатации.

Условия:

• Полностью удалённая работа.
• Работа над развитием существующих ML-сервисов и рекомендательных систем.
• Возможность самостоятельно влиять на технические решения и качество моделей.
• Команда, ориентированная на развитие ML-инфраструктуры, моделей и рекомендательных сервисов.
• Минимум регулярных встреч и возможность сосредоточиться на технических задачах.