ML-инженер разработки для AI-приложения в Международный Поиск и Алису AI

Привет! Меня зовут Никита, я руководитель группы еком-поиска и агентов в команде AI-продуктов. Наша команда развивает еком-сценарии на разных поверхностях — от классического поиска до AI приложений в РФ и за рубежом. Под капотом — многостадийное ранжирование, агент со своими harness и роутингом по сценариям и система сигналов качества, позволяющая развивать все компоненты как единое целое. Мы ищем опытного ML-инженера, который будет активно улучшать поиск и агентов и делать пользователей счастливее :)

Для Турции наша команда создала полноценный еком-поиск и еком-агента для приложения Yandex AI, которыми ежедневно пользуются тысячи людей. За это время мы проделали большую работу: обучили несколько стадий ранжирования, разработали качественный сигнал релевантности, сделали современную архитектуру агента со скилами и тулами.

Наша задача — сделать еком-агента ещё умнее, используя SOTA-подходы из индустрии, и трансформировать пользовательский опыт, чтобы у людей появился полноценный AI-ассистент, который может решать по-настоящему сложные задачи, не ограничиваясь обычными поисковыми запросами.

Что вы получите, если придёте к нам:

• Участие в работе над AI-продуктом, которым будут пользоваться десятки миллионов людей в СНГ и за его пределами.
• Опыт разработки мультиагентных систем в проде: с реальными интеграциями, реальным трафиком и измеримым влиянием на бизнес-метрики.
• Работу на стыке больших языковых моделей, мультиязычности, агентных архитектур и классического поиска.
• Широкий скоуп.

Улучшение качества еком-поиска
Поиск — это сложная система, состоящая из разных стадий и компонент и имеющая свои локальные особенности в зависимости от рынка. Среди них разные фичи, разные сигналы релевантности, разный ассортимент и разные рыночные предпочтения. Чтобы на выходе получить качественный поиск, надо грамотно анализировать и улучшать все его компоненты.

Исследование SOTA-подходов и разработка решений для улучшения качества еком-агента
Агентные системы — одна из самых быстро меняющихся тем в LLM: подходы к планированию, памяти, reflection и обучению агентов на собственном опыте выходят почти каждый день. Вы будете изучать методы, отбирать применимое к нашим сценариям и создавать собственные подходы на стыке с бизнесом и продуктом.

Проверка и оценка качества
Вы будете собирать и размечать данные, проводить офлайн-оценку, A/B-тесты на реальных пользователях и выводить в продакшен.

Продуктовые фичи
Повышать качество пользовательского опыта можно не только за счёт развития core-составляющих (поиска и агента), но и за счёт продуктовых фич. Среди них интеграция внешних MCP магазинов, развитие конкретных срезов (например, авто или медицины) за счёт подключения специализированных баз знаний и многое другое.

Больше об ML в Яндексе — в канале Yandex for ML

• Много работали с трансформерами, большими генеративными моделями и SOTA-архитектурами
• Имеете опыт и обширный кругозор в NLP, ранжировании и поиске или в RecSys и умеете работать на стыке ML, бизнеса и продукта
• Умеете строить агентные пайплайны: tool calling, RAG, оркестрацию, оценку качества
• Заботитесь о конечном продукте и готовы глубоко погружаться в данные: логи поиска и агента, реальные обращения пользователей, разборы ошибок

• Работали с large-scale поисковыми или рекомендательными системами
• Выводили агентов или LLM-ассистентов в продакшен под реальной нагрузкой
• Дообучали модели под агентные задачи: SFT, RLHF/RLAIF, distillation
• Имеете опыт в домене E-commerce