Мы в Telegram
Чем предстоит заниматься:
- Разрабатывать модели рекомендаций для сайта и мобильного приложения (cold‑start, гибридные модели, deep‑learning подходы)
- Разрабатывать алгоритмы candidate generation для персонализированных рекомендаций на всех этапах пользовательского пути
- Разрабатывать и обучать reranking-модели, объединяющие персональные, контекстные и бизнесовые сигналы
- Создавать алгоритмы в карточках товара – похожие товары, cross‑sell/upsell‑рекомендации
- Обучать и выводить в продакшн модели ранжирования поисковой и каталожной выдачи (Learning‑to‑Rank, нейронные ранжировщики, pair‑wise/list‑wise подходы)
- Внедрять метрики оценки эффективности рекомендаций (CTR, CVR, MAP, NDCG), проводить онлайн и офлайн тестирование, A/B‑тесты
- Разрабатывать и поддерживать ETL на PySpark для сбора необходимых признаков
Требования:
- Опыт полного цикла разработки рекомендационной системы – от сбора требований до вывода в прод
- Практический опыт Learning to Rank и понимание классических ML‑подходов к рекомендациям
- Умение работать с большыми объемами данных (Spark, Flink, Hadoop)
- Владение базой по теории вероятности и статистике
- Уверенное владение Python, опыт написания ETL‑процессов на PySpark
- Понимание A/B‑тестирования, построения онлайн/офлайн метрик рекомендаций
- Опыт работы с облачными хранилищами (S3, GCS, Azure Blob)
Будет плюсом:
- Опыт работы с графовыми моделями и embedding‑техниками (graph neural networks, node2vec)
- Знание Docker и базовых принципов контейнеризации
- Опыт разработки FastAPI‑сервисов для онлайн‑инференса