ML Engineer RecSys в Еду
Привет! Меня зовут Женя, я руковожу службой рекомендаций в Яндекс Еде. Мы отвечаем за то, что пользователь увидит и закажет: развиваем ранжирование, запускаем новые сценарии в ресторанах и ритейле. Сейчас ищем ML-разработчика, который поможет нам развивать поиск и рекомендации ресторанов.
Яндекс Еда — сервис доставки из ресторанов и магазинов с миллионами пользователей и заказов. Для ML это означает большой объём данных, быстрые A/B и высоконагруженные реал-тайм-задачи.
Наша команда отвечает за алгоритмическую и ML-составляющую ранжирования — одну из ключевых частей продукта. От наших разработок зависит, что пользователь увидит, выберет и закажет. Мы создаём персональные рекомендации, улучшаем поиск, развиваем новые пользовательские продуктовые сценарии. Внедряем как классические методы машинного обучения, так и передовые нейросетевые модели.
Ответственность за все стадии ML-проектов
Вам предстоит участвовать в проработке решений на основе машинного обучения, сводить бизнес-требования к ML-задаче, разрабатывать ML-пайплайны, проверять идеи в A/B-экспериментах.
Улучшение продукта
Недостаточно ранжировать по релевантности: нужно учитывать доступность, загрузку, время и стоимость доставки, смешивание с рекламной выдачей. Вы будете искать точки роста, предлагать и отстаивать идеи по развитию ранжирования, внедрять передовые разработки, запускать рекомендации на новых поверхностях и вертикалях.
Вывод решений в продакшн
Наши модели работают в реал-тайм-сервисах, обрабатывающих сотни запросов в секунду. Вам предстоит писать продакшн-код, тестировать и при необходимости оптимизировать его.
Взаимодействие со смежными командами
Вы будете тесно работать с продуктовыми командами, аналитиками и MLOps-инженерами: решать общие задачи, запускать эксперименты и защищать результаты.
Больше об ML в Яндексе — в канале Yandex for ML
- Разрабатывали на Python или C++
- Хорошо знаете и применяли методы анализа данных и ML
- Готовы вести полный цикл внедрения ML-решений: от обработки данных до внедрения в продакшн
- Разрабатывали рекомендательные системы или поиск
- Работали с высоконагруженными реал-тайм-системами
В нашей команде отлажены внутренние процессы и минимум бюрократии. Мы решаем сложные задачи на стыке продуктовой разработки и алгоритмов, наши внедрения напрямую влияют на бизнес и продукт Еды. Примеры наших проектов:
Переход на сквозное ранжирование и CPA-аукцион в рекламе
Мы перевели рекламный аукцион в Еде с CPC на CPA-модель и научились смешивать органическую и рекламную выдачу. Для этого перешли от предсказания релевантности к моделям вероятности заказа и маржинальности, а также подбирали оптимальные коэффициенты замешивания на симуляциях.
Запуск ML-ранжирования в «Куда сходить»
«Куда сходить» — новый продукт в Еде для выбора ресторанов офлайн. Мы решили cold start с помощью DSSM-модели и данных из Яндекс Крипты, подготовили инфраструктуру для расчёта и логирования фич, чтобы перейти к полноценному ML-ранжированию.
Улучшение апсейла в ритейле
Апсейл — это рекомендательная лента товаров в корзине магазинов. Мы улучшили алгоритмы рекомендаций: внедрили mixigen для более качественной генерации кандидатов, добавили персональные факторы и внедрили большую двухбашенную модель, созданную в Поиске Яндекса.
Узнайте про разработку Городских сервисов Яндекса на dev.go.yandex
