Principal Data Scientist, ML и рекомендательные системы

Gopuff доставляет товары повседневного спроса за минуты через собственную сеть микрофулфилмент-центров. Каждая сессия показывает клиенту небольшой быстро меняющийся ассортимент, который зависит от местоположения, наличия товаров и текущих потребностей. Персонализация этого опыта — один из главных рычагов роста компании.

В роли Principal Data Scientist, Consumer вы станете техническим лидером направления персонализации покупок. Вы будете проектировать и внедрять модели рекомендаций, ранжирования и персонализации для поиска, просмотра, корзин и маркетинга, а также возглавите работу над агентными AI-сценариями для потребителей. Вы будете задавать техническое направление, наставлять дата-сайентистов и тесно сотрудничать с руководителями продуктов, инженерных и маркетинговых команд.

Что вы будете делать

• Отвечать за потребительскую персонализацию от начала до конца. Определять стратегию моделирования рекомендаций, ранжирования и персонализации для главной ленты, поиска, страниц товаров, корзины и CRM.
• Создавать рекомендательные и ранжирующие системы. Проектировать генерацию кандидатов, retrieval и learning-to-rank системы, балансирующие релевантность, размер корзины, маржу и доступность товаров в реальном времени.
• Руководить агентными AI-сценариями для потребителей. Создавать LLM-агентов, помогающих клиентам планировать, находить и повторно заказывать товары (например, превращая запрос «ужин с тако на шестерых» в готовую корзину), включая использование инструментов, retrieval, оценку и guardrails.
• Сочетать классический ML и LLM. Определять, когда градиентный бустинг, two-tower сеть или LLM — подходящий инструмент, и комбинировать их в продакшн-системах.
• Проводить строгие эксперименты. Проектировать A/B-тесты и фреймворки офлайн-оценки, выбирать правильные метрики и связывать улучшения моделей с клиентскими и бизнес-результатами.
• Доводить до продакшна. Работать с инженерами и продакт-менеджерами над пайплайнами признаков, сервингом моделей, бюджетами задержки и мониторингом дрейфа и качества.
• Задавать планку. Наставлять senior и staff дата-сайентистов, проводить ревью дизайна и повышать стандарты моделирования, качества кода и измерений в команде.
• Формировать роадмап. Вместе с руководителями продуктов и инженерных команд выбирать наиболее impactful задачи и понятно объяснять компромиссы руководству.

Что вы принесёте

• 10+ лет опыта в data science или машинном обучении, либо 8+ лет с PhD в количественной области (computer science, статистика, исследование операций или аналогичное).
• Подтверждённый опыт внедрения систем рекомендаций, ранжирования или персонализации, измеримо улучшивших потребительские метрики в масштабе.
• Глубокое знание классического машинного обучения: градиентный бустинг, коллаборативная фильтрация, матричная факторизация, learning-to-rank, эмбеддинги, причинно-следственные и экспериментальные методы.
• Практический опыт построения агентных AI-систем с LLM, включая дизайн промптов и инструментов, retrieval-augmented generation, многошаговых агентов и оценку качества и безопасности агентов.
• Экспертные навыки Python и владение основным ML-стеком (например, pandas, scikit-learn, XGBoost или LightGBM, PyTorch или TensorFlow).
• Уверенный SQL и опыт работы с большими хранилищами данных; практический опыт со Snowflake.
• Комфорт в использовании AI-ассистентов для кода, таких как Claude, для ускорения построения моделей и пайплайнов, с умением проверять, тестировать и валидировать сгенерированный AI-код и защищать данные клиентов.
• Прочная база в A/B-тестировании, согласовании офлайн- и онлайн-метрик и статистическом выводе.
• Опыт ведения технического направления в командах без прямых полномочий и наставничества senior дата-сайентистов.
• Ясная коммуникация с техническими и нетехническими партнёрами, включая руководство.

Будет плюсом

• Опыт с Databricks или аналогичной платформой (Spark, MLflow, feature stores) для крупномасштабного обучения и управления моделями.
• Опыт в e-commerce, продуктовом ритейле, quick commerce или других маркетплейсах, где наличие товаров и местоположение определяют доступный ассортимент.
• Опыт с рекомендациями в реальном времени или на основе сессии, контекстными бандитами или обучением с подкреплением.
• Знакомство с агентными фреймворками и инструментами оценки LLM, а также с fine-tuning или дистилляцией моделей для снижения стоимости и задержки.
• Опыт с dbt, Airflow или аналогичными инструментами для пайплайнов данных.
• Публикации, патенты или open-source работа в рекомендательных системах, информационном поиске или прикладных LLM.

Компенсация Gopuff платит сотрудникам на основе рыночных ставок, и оплата может зависеть от вашего местоположения. Диапазон зарплат ниже отражает то, что компания разумно ожидает платить кандидатам. Стартовая оплата кандидата будет определяться на основе связанных с работой навыков, опыта и квалификации.