ML-разработчик в Доставку и Эксперименты

Workplace: Офис, Гибридный Яндекс Доставка помогает людям и бизнесу доставлять заказы в сотнях городов по всему миру. Мы развиваем ML-продукты: находим точки роста, формулируем задачу, собираем данные, обучаем модели, внедряем их, проводим эксперименты и отвечаем за качество после запуска. Яндекс Доставка помогает людям и бизнесу доставлять заказы в сотнях городов по всему миру. Каждый день наши алгоритмы решают, какого исполнителя назначить на заказ, когда отправить его в точку, как построить маршрут и что сделать, если доставка отклоняется от плана. От качества этих решений напрямую зависят скорость и стоимость доставки, загрузка исполнителя и опыт клиентов. Мы развиваем ML-продукты для доставки под ключ: находим точки роста, формулируем задачу, собираем данные, обучаем модели, внедряем их в высоконагруженные сервисы, проводим эксперименты и отвечаем за качество после запуска. В команде есть задачи и для тех, кому интересен классический ML на больших табличных данных, и для тех, кто хочет работать с LLM. Кроме развития работающих продуктов, мы запускаем новые экспериментальные продукты. В таких проектах нужно самостоятельно разобраться в предметной области, сформулировать проверяемые гипотезы, быстро собрать прототип и понять, стоит ли превращать его в продукт. Обязанности Классический ML на больших данных Мы прогнозируем время прибытия исполнителя, ожидания в точке, приготовления заказа и движения между точками маршрута; улучшаем назначение заказов, батчинг и персональные цели исполнителей; восстанавливаем по геосигналам реальные этапы доставки и уточняем точки выдачи заказа; выявляем отклонения от маршрута и другие нарушения, автоматизируя решения поддержки. LLM и агентские продукты Мы используем LLM для обработки и суммаризации комментариев к заказам, строим RAG- и агентские системы, готовим данные и оцениваем качество моделей. Полный цикл ML-задачи Вы будете превращать продуктовые проблемы в ML-постановки, выбирать целевые метрики и оценивать потенциальный эффект; исследовать данные, строить признаки и датасеты, обучать и сравнивать модели; проектировать онлайн- и офлайн-оценку качества, проводить A/B-эксперименты и разбирать их результаты; отвечать за результат целиком: от исследования до запуска и поддержки в продакшене. Платформа, инфраструктура и продакшен Вы станете внедрять модели в высоконагруженные сервисы и развивать сервисы их применения; следить за качеством после запуска: строить мониторинги, находить деградации и устранять их причины; улучшать инструменты и инфраструктуру, сокращая путь от идеи до работающей модели; развивать платформу обучения, применения и мониторинга моделей под высокой нагрузкой. Экспериментальные продукты Вам предстоит самостоятельно разбираться в новой предметной области, формулировать проверяемые гипотезы, быстро собирать прототип и определять, стоит ли превращать его в продукт. Плотно взаимодействовать с разработчиками, аналитиками, продакт-менеджерами и командами логистических алгоритмов. Больше об ML в Яндексе — в канале Yandex for ML Требования * Знаете основные методы ML и понимаете, как выбирать модель и метрики под задачу * Используете AI-инструменты для исследования и разработки, проверяя и улучшая результат * Уверенно программируете на Python * Владеете SQL и умеете работать с большими данными * Знакомы с классическими алгоритмами и структурами данных * Умеете проверять гипотезы, искать причины в данных и видеть за изменением метрик физический и продуктовый смысл * Умеете работать с неопределённостью: превращать открытую исследовательскую задачу в последовательность проверяемых шагов * Готовы отвечать за результат целиком: от исследования до запуска и поддержки в продакшене * Умеете ясно обсуждать решения и договариваться с коллегами из разных функций Будет плюсом * Внедряли ML-модели в высоконагруженные сервисы * Программировали на C++ или готовы его освоить * Работали с распределённой обработкой данных и ML-пайплайнами * Проводили A/B-эксперименты и принимали решения по их результатам * Решали задачи геоаналитики, маршрутизации, временных рядов или прогнозирования времени * Работали с LLM: готовили данные, настраивали модели, оценивали качество или строили RAG- и агентские системы