Руководитель поисковой платформы Nova (Core & Agentic Search)
Привет! Я Лёша Забелин, руководитель службы блендинга. Мы строим платформу Nova, которая позволит десяткам поисков Яндекса запускаться и развиваться в разы быстрее. Идея в том, чтобы команды могли декларативно описывать требования к релевантности и интеграциям, а система сама собирала ранжирование, evaluation и подключение к продуктам вроде Алисы.
Ищу в команду человека, который не боится экспериментов, готов генерировать идеи и реализовывать их. Для ваших инициатив у нас найдутся и масштаб, и свобода.
Мы строим платформу, которая позволит десяткам поисков Яндекса развиваться быстрее.
В компании существует множество вертикальных поисков: товары, путешествия, недвижимость, контент, сервисы. У каждого из них своя логика ранжирования, свои метрики качества, свои интерфейсы интеграции с продуктами вроде Алисы. Мы хотим собрать из этого единую платформу поиска, где команды смогут описывать требования к релевантности декларативно и получать готовые ML-пайплайны поиска.
Руководство v-team из команд ML и аналитики
Вам предстоит выстраивать взаимодействие между несколькими командами инженеров, определять техническую стратегию, приоритизировать задачи и курировать полный цикл разработки — от исследования моделей до их внедрения и мониторинга качества в продакшне.
Разработка и реализация DSL для описания релевантности поиска
Вы будете проектировать и реализовывать DSL для описания логики релевантности поисковой выдачи и гибкой настройки правил ранжирования, веса факторов и условий фильтрации без изменения кода системы, ускорять эксперименты с качеством поиска и упрощать управление алгоритмами.
Использование LLM как компилятора логики ранжирования и генерации обучающих данных
Предстоит разработать подход, в котором LLM выступает компилятором логики ранжирования: преобразует декларативные правила и описания задач в код ранжирования и конфигурации моделей. В том числе нужно использовать LLM для генерации синтетических обучающих данных, автоматической разметки релевантности, оценки качества.
Построение пайплайна дистилляции моделей ранжирования для продакшн-латентности
Вы будете создавать ML-пайплайн дистилляции, позволяющий переносить знания из вычислительно дорогих моделей ранжирования в lightweight-модели для онлайн-инференса, чтобы обеспечить продакшн-уровень latency без значительной потери качества поиска.
Построение системы метрик для разных типов поиска
Нужно будет создавать систему онлайн- и офлайн-метрик для различных типов поисковых задач, определять стандартизированные метрики.
Больше об ML в Яндексе — в канале Yandex for ML
- Вели проекты end-to-end: от идеи до успешного внедрения в рантайм
- Понимаете архитектуру поиска: retrieval, ranking, evaluation
- Обучали NLP-модели: BERT, LLM и другие
- Умеете принимать архитектурные решения в условиях неопределённости
- Работали с поиском или рекомендациями
- Строили агентские системы
- Строили ML-платформы
