Рабочие задачи
- Разработка и развитие рекомендательных систем: от идеи до production (offline-обучение, онлайн-инференс, A/B-тестирование).
- Построение пайплайнов для кандидатов (retrieval) и ранжирования (ranking): использование коллаборативной фильтрации, two-tower моделей, градиентного бустинга, нейросетевых подходов (DSSM, DIN, DIEN, Transformers для последовательностей).
- Работа с фичами: создание и поддержка feature stores, обработка пользовательских и item-фичей, временных рядов поведения.
- Разработка сервисов ранжирования и подачи рекомендаций на Python, оптимизация latency и throughput.
- Настройка A/B-экспериментов и офлайн-валидации: выбор метрик (precision@k, recall@k, NDCG, MAP, MRR), расчёт статзначимости.
- Мониторинг работы моделей в production: отслеживание дрейфа фичей, качества рекомендаций, бизнес-метрик.
- Тесное взаимодействие с заказчиком: уточнение требований к персонализации, анализ результатов экспериментов, презентация решений
Профильные навыки
- Коммерческий опыт разработки рекомендательных систем.
- Уверенное владение Python и библиотеками: pandas, numpy, scikit-learn, PyTorch или TensorFlow.
- Глубокое понимание классических методов рекомендаций: collaborative filtering (ALS, SVD), item2vec, user2vec, контентная фильтрация.
- Опыт построения two-tower моделей для кандидатов и нейросетевого ранжирования.
- Знание градиентного бустинга (LightGBM, XGBoost, CatBoost) для задач ранжирования.
- Опыт работы с большими данными: SQL, Spark (PySpark) или аналоги.
- Понимание архитектуры рекомендательного сервиса: retrieval, ranking, re-ranking, фильтрация, экспериментирование.
Коммерческий опыт
Рассматриваем Junior+, Middle и Senior. Минимум для каждого направления: 6 месяцев коммерческого опыта по профилю. Курсы и личные проекты могут дополнить его.
Курсы и личные проекты не заменяют коммерческий опыт.
Плюсом будет опыт применения AI-инструментов в коммерческой работе: с проверкой результата тестами и ревью, соблюдением конфиденциальности.
Расскажите о своём опыте
Опишите рекомендательную задачу, retrieval/ranking-пайплайн и метрики оценки. Расскажите, как проверяли модель офлайн и в эксперименте.
Рассказать об опытеЗнакомимся со специалистами этого направления для будущих проектов. Эта страница не является объявлением об открытой вакансии.