ML-разработчик в Музыку

Яндекс Музыка — это не просто стриминговый сервис с десятками миллионов треков, подкастами и персональными рекомендациями. Это проект, который создаёт эмоции. Мы верим, что наша работа напрямую влияет на счастье пользователя, а значит, увеличивает количество добра в мире. Сердце сервиса — «Моя волна», где умные алгоритмы в реальном времени подстраиваются под настроение слушателя, почти мгновенно дообучаясь на его реакциях.

ML-команда Яндекс Музыки создаёт будущее персонализированного аудио. Мы активно экспериментируем с архитектурами трансформеров, внедряем рантайм-дообучение моделей, используем CatBoost, DeepRanker, PyTorch и методы коллаборативной фильтрации. Мы отвечаем за полный цикл: от исследований и подготовки данных до внедрения моделей в продакшен. Для нас правильно собранный обучающий датасет не менее ценен, чем новая архитектура.

Качество рекомендаций складывается из точности, разнообразия, свежести, адаптивности и серендипности — того самого ощущения, когда незнакомый трек попадает прямо в сердечко. Чтобы измерять эффект от внедрений, мы следим за метриками и уделяем огромное внимание A/B-тестам: прямо сейчас запущено несколько десятков экспериментов. Кроме того, мы отвечаем за инфраструктуру рекомендательной системы, которая состоит из цепочки компонентов, а кластер GPU и тысячи CPU под капотом обрабатывают наши запросы онлайн 24/7.

Мы не только решаем сложные задачи на стыке ML и бэкенда, но и постоянно развиваемся: проводим в команде семинары по машинному обучению и инфраструктуре рекомендаций.

Какие задачи вас ждут

Исследование SOTA-моделей на музыкальных данных
Вам предстоит исследовать новые архитектуры, в том числе end-to-end-модели, внедрять дополнительные источники знаний при обучении нейросетей и оптимизировать скорость и качество моделей. Мы работаем с тяжёлыми трансформерами и обучаем их на сотнях терабайтов данных, чтобы добиться максимального качества рекомендаций. В Яндекс Музыку ежесекундно приходят многие тысячи запросов, и нужно очень быстро подбирать релевантные треки. У нас уже внедрены target-aware ARGUS (авторегрессивный трансформер) и нейроранжирование, несмотря на огромный RPS.

Внедрение в продакшен
Вы будете встраивать обученные модели в ранжирование и кандидатогенерацию, строить пайплайны регулярного дообучения, писать надёжный и эффективный продакшен-код на Java.

Аналитика и A/B-эксперименты
Нужно будет проводить A/B-тесты, проверять гипотезы о процессе прослушивания музыки пользователями и исследовать различные таргеты для обучения моделей.

Больше об ML в Яндексе — в канале Yandex for ML

Мы ждем, что вы

• Хорошо владеете классическим ML
• Знаете Python и готовы изучать и использовать Java в работе
• Разбираетесь в классических алгоритмах и структурах данных
• Умеете писать качественный продакшен-код

Будет плюсом, если вы

• Знаете Java или C++
• Работали с рекомендательными системами
• Занимались распределённым обучением нейросетей