Data Scientist (RTB)

We are seeking a Senior Applied ML Engineer to join a fast-growing team building an agent-native search platform for AI systems, the emerging web access layer for AI. You will develop and deploy machine learning models that power retrieval, ranking, and indexing at scale, helping AI systems access fresh, reliable information in real time. This is a high-impact role working on a production system used 24x7, tackling challenges comparable to large-scale web search.

Your responsibilities:

• Design, train, and deploy ML models for retrieval, reranking, and search relevance in production
• Build and optimise embedding-based indexing and large-scale retrieval systems
• Develop models supporting crawling, data selection, and content understanding
• Define and improve quality metrics for agent-native search and build evaluation pipelines
• Work on systems operating at very large scale, including high-throughput query workloads
• Collaborate closely with engineering teams to integrate ML models into production services
• Analyse performance trade-offs across latency, quality, and cost
• Experiment with and apply state-of-the-art techniques in search, retrieval, and LLM-integrated systems
• Contribute to product and architectural decisions in a fast-moving environment

Must-haves:

• 5+ years of experience in software engineering or applied machine learning
• Strong programming skills in Python, Go, or C++
• Proven experience deploying ML models in production systems
• Hands-on experience with retrieval, ranking, recommendation, or similar ML problems
• Strong understanding of machine learning and modern deep learning techniques
• Experience working with large-scale data systems and high-throughput environments
• Ability to design evaluation frameworks and define meaningful model metrics
• Product-oriented mindset with a focus on impact and iteration
• Strong problem-solving skills and ability to work in a distributed team

Nice-to-haves:

• Experience with search systems or large-scale information retrieval
• Familiarity with embeddings, transformers, and modern NLP systems
• Experience working on LLM-powered or agent-based systems
• Contributions to open-source projects, technical publications, or conference talks
• Participation in competitive ML (e.g. Kaggle) or similar signals of strong technical ability

We conduct coding interviews as part of the process.

 

Планирование движения — одна из самых сложных задач в сфере автономных технологий. Мы экспериментируем с большими генеративными моделями, чтобы предсказывать, как будет двигаться автомобиль. Траектория должна быть безопасной для всех участников движения, комфортной для пассажира и позволять автомобилю доехать до конечной точки маршрута.

Мы хотим улучшить модель, чтобы она лучше справлялась с новыми дорожными ситуациями. Для этого исследуем новые алгоритмы RL‑обучения, экспериментируем с наградами и работаем с данными. В том числе развиваем направление сложных и редких сценариев для обучения ML‑планировщика.

Вам предстоит не только изучать статьи и пробовать разные подходы, но и внедрять собственные разработки в пайплайн движения автомобиля. Вы сможете увидеть, как ваша работа улучшает качество технологии.

Разработка алгоритмов

Вы будете разрабатывать алгоритмы, которые генерируют синтетические дорожные сценарии для ML‑планера. При этом предстоит изучить много материалов, придумать разные подходы и разобраться, как их воплотить в жизнь.

Исследование методов работы с агентами

Вы будете экспериментировать с разными подходами, в том числе с reinforcement learning и диффузионными моделями (diffusion models), чтобы изменить поведение агентов или добавить новых на сцену и создавать синтетический контент.

Улучшение RL‑обучения

Вы будете работать с синтетическими данными: не только создавать качественную синтетику, но и обучать модели на ней. Важно найти баланс между синтетическими и реальными данными, а также понять, как улучшать обучение при добавлении сцен без Ground Truth водителя.

Больше об ML в Яндексе — в канале Yandex for ML

* Обучали нейросетевые модели
* Внедряли DL‑решения в продакшн
* Программировали на Python
* Работали с PyTorch
* Знаете классические структуры данных и алгоритмы
* Ориентируетесь в области DL
* Быстро разбираетесь в новых методах
* Умеете выдвигать гипотезы и выстраивать эксперименты для их проверки
* Читаете статьи о ML
* Следите за развитием области ML

* Внедряли методы обучения с подкреплением в продакшн
* Работали с диффузионными моделями
* Публиковались в сборниках научных конференций высокого уровня
* Работали с большими объёмами данных
* Участвовали в соревнованиях по ML или спортивному программированию
* Увлечены автомобилями или автономными автомобилями

Департамент AI, контентных и рекомендательных сервисов развивает технологии искусственного интеллекта для ключевых продуктов VK, создаёт системы рекомендаций и поиска контента на наших платформах.

Рекомендации — один из основных сценариев взаимодействия аудитории с музыкальным контентом, поэтому развитие технологий рекомендаций — одна из приоритетных задач.

Задачи

• Улучшать базовое качество рекомендаций
• Запускать новые сценарии музыкальных рекомендаций
• Анализировать статистику потребления контента, выдвигать и проверять гипотезы, проводить А/B-тесты
• Взаимодействовать со смежными командами (разрабатывать рекомендации для всевозможных типов аудиоконтента и голосового помощника)

Требования

• Опыт работы с large-scale рекомендательными системами
• Глубокое понимание алгоритмов классического ML (Matrix Factorizations, CatBoost, etc.)
• Опыт работы с большими данными (MapReduce/Spark)

Будет плюсом

Знание Java.