Data Scientist, Моделей пользовательского поведения

Привет! Мы — команда моделей пользовательского поведения в Поиске маркетплейса. Строим ML- и DL-модели на стыке NLP и RecSys, которые опираются на историю взаимодействия пользователя с маркетплейсом и применяются в задачах персонализации: персонализация товарной выдачи, персональные поисковые подсказки и другие поверхности. Мы ведём полный цикл разработки: от обработки сырых логов и построения признаков до обучения, валидации и деплоя моделей в высоконагруженный продакшн. Работаем с данными десятков миллионов пользователей и отвечаем за реальные продуктовые метрики.

Задачи команды

• Моделирование интересов пользователя на основе последовательностей его поведения: запросы, применённые фильтры, клики, покупки и т.д.

• Построение архитектур персонализации (в т.ч. мультимодальных подходов): обучение пользовательских и товарных представлений, их оценка и применение в различных задачах персонализации.

• Полный инженерный цикл: пайплайны обработки логов на больших данных, обучение моделей, их деплой и онлайн-инференс под нагрузкой с жёсткими требованиями к latency.

Наш стек

• Deep Learning: Python, PyTorch и HF-экосистема, lightning.

• Big Data: Hadoop, PySpark.

• Деплой и инференс: сервинг моделей в высоконагруженном рантайме (TensorRT и др.).

Вы будете

• Вести ключевые технические направления команды: от постановки задачи и выбора архитектуры до вывода модели в продакшн и подтверждения эффекта на A/B.

• Проектировать и улучшать модели пользовательских представлений и архитектуры персонализации, решать различные исследовательские вопросы.

• Развивать пайплайны подготовки данных, оптимизации обучения и инференса.

• Работать в связке с продуктовыми командами, аналитиками и инфраструктурой, переводя продуктовые гипотезы в ML-задачи и измеримый результат.

Нам важно

• Сильный опыт в DL, понимание NLP и LLM и/или RecSys (рекомендации, ранжирование, поиск, sequential-модели).

• Уверенное владение Python и PyTorch, способность самостоятельно довести модель от прототипа до продакшн-решения.

• Практический опыт работы с большими данными (PySpark, экосистема Hadoop) и построения production-пайплайнов.

• Умение декомпозировать задачи, принимать архитектурные решения и отвечать за результат экспериментов.

Будет плюсом

• Опыт построения sequential-моделей пользовательского поведения или обучения языковых моделей в продакшне.

• Опыт работы с высоконагруженным инференсом DL-моделей.

• Опыт с многоэтапными архитектурами ранжирования (retrieval → pre-ranking → ranking → re-ranking).

• Публикации, выступления на конференциях.