ML Engineer RecSys в Еду

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.

Какие задачи вас ждут

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

Мы ждем, что вы

• 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

Будет плюсом, если вы

• Разрабатывали рекомендательные системы или поиск
• Работали с высоконагруженными реал-тайм-системами

О команде

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](http://dev.go.yandex/?utm\_source=yandex\_jobs&utm\_medium=social&utm\_content=1&utm\_campaign=vacancies)