ML-инженер в Карты

Геопоиск Яндекс Карт ежедневно помогает миллионам людей по всему миру находить нужные места. Мы отвечаем на самые разные запросы: от простого «тамақтану» на казахском до сложного «Boğaz manzaralı hoş bir restoran» на турецком.

Сегодня мы активно используем LLM: большие языковые модели становятся основным движком ранжирования. Параллельно мы создаём интеллектуальных ассистентов поверх Карт: пользователь спрашивает «Где провести вечер?», а Карты отвечают готовым планом.

Почему это интересный вызов

• LLM в продакшене под нагрузкой: понимать запрос и ранжировать выдачу большой моделью за доли секунды для миллионов пользователей — нетривиальный инженерный вызов.
• Языковой барьер: важно понимание запросов на разных языках, смешанных запросов и многообразия названий мест.
• Культурные и локальные особенности: модели и ассистенты должны адаптироваться к местному контексту разных стран.
• Многогранность пользовательских нужд: один запрос может иметь разные значения в зависимости от контекста — и LLM учится их различать.
• Масштаб и скорость: понимание должно работать с минимальной задержкой для миллионов пользователей.

Какие задачи вас ждут

Мультиязычные LLM
Вам предстоит заниматься файнтюнингом и обучением LLM пониманию запросов и ранжированию, а также отвечать за дистилляцию в быстрые продакшен-модели.

LLM-оценка качества
Вы будете строить пайплайны LLM-as-a-judge: большие модели оценивают релевантность выдачи и качество других моделей, заменяя и дополняя ручную асессорскую разметку. Предстоит проектировать промпты-критерии, калибровать модели и автоматизировать контроль качества.

Интеллектуальные ассистенты поверх Карт
Мы превращаем поиск в помощника, который понимает жизненные сценарии: «где провести вечер с друзьями», «куда сходить, если идёт дождь» или «собери гастротур по городу на вечер». Ассистент поддерживает несколько десятков функций — вам предстоит масштабировать его на новые страны.

Улучшение ранжирования поиска для разных стран, построение векторных представлений
Вы будете создавать и обучать классические и нейросетевые модели с учётом локальной специфики. Также нужно будет использовать state-of-the-art-архитектуры для единого семантического пространства.

A/B-тесты и внедрение моделей
Вам предстоит разрабатывать пайплайны для проверки гипотез и выкатывать эффективные решения в продакшен.

Больше об ML в Яндексе — в канале Yandex for ML

Мы ждем, что вы

• Разбираетесь в классических алгоритмах машинного обучения
• Любите работать с LLM: файнтюнинг, инференс, промпт-инжиниринг
• Уверенно владеете Python
• Готовы писать на C++ и SQL (у вас нет «аллергии» на эти языки)
• Знаете базовые алгоритмы и структуры данных

Будет плюсом, если вы

• Занимались файнтюнингом и дистилляцией LLM
• Выстраивали LLM-оценку (LLM-as-a-judge) или автоматизировали разметку
• Создавали диалоговые или агентные системы поверх продуктовых данных