Вакансии

Задачи: построение ML-моделей, корректирующих оценки ETA маршрутизатора (от градиентного бустинга до нейросетей и архитектур на основе Transformer по мере роста данных); модели оценки трафика, превращающие GPS-данные в дорожные скорости и исторические профили трафика;

Разработка, обучение и оптимизация моделей машинного обучения для решения прикладных бизнес-задач; Разработка решений на базе LLM и VLM, включая мультимодальные системы обработки текста и изображений;

▪️Разработка и развитие модуля Demand Planning. ▪️Проектирование и реализация высоконагруженных алгоритмов прогнозирования спроса и анализа рыночных сигналов.

Задачи: разработка production-моделей для бизнес-задач — прогнозирование, классификация, детектирование аномалий, анализ временных рядов; участие в запуске ML-проектов полного цикла — от постановки задачи совместно с заказчиком и подготовки данных и признаков до обучения, валидации моделей, вывода в прод и оценки влияния на бизнес-метрики;

Location: Москва Workplace: Москва (гибрид/офис) Мы строим data-driven маркетинг, где каждое решение должно доказывать свою эффективность. Ищем Senior аналитика, который выстроит единую методологию оценки всех активностей — от креативов до медиамикса. Ты будешь работать на стыке данных, стратегии и экспериментов: запускать тесты, развивать MMM и Causal Impact. Это роль для того, кто хочет влиять на ключевые бизнес-решения, а не закрывать узкие задачи. Идеальный профиль — опыт in-house аналитики в крупных онлайн-экосистемах, с бэкграундом в 360° маркетинге и пониманием причинно-следственных связей. Задачи Выстраивать с нуля единую методологию оценки эффективности всех маркетинговых каналов и активностей — от креатива до медиабаинга Запускать региональные тесты, тесты аплифтов и инкрементальные эксперименты, которые отделяют корреляцию от реального бизнес-эффекта Внедрять MMM и Causal Impact для измерения эластичности каналов, каннибализации и сквозной оптимизации медиамикса Развивать CMI-направление: связывать трекеры с ML-моделями, анализировать восприятие аудитории и эффективность выбора звёзд. Лидировать локальные команды аналитики маркетинга, передавая экспертизу и задавая стандарты качества data-driven решений Стек технологий и инструменты SQL на уверенном уровне (Greenplum, Trino, ClickHouse, Teradata) Python (Pandas, NumPy) для сбора и обработки данных, базовой статистики и экспериментального анализа BI DataLens / Superset Методологии оценки эффектов: понимание DiD, synthetic control, PSM, A/B-тестирования, MMM Требования Senior-экспертиза в маркетинговой аналитике. Опыт построения MMM, оценки эластичности и каннибализации каналов, региональных и инкрементальных тестов внутри крупного бизнеса ML и статистика. Понимание моделей от линейной регрессии до Causal Impact, временные ряды (ARIMA, Prophet), CatBoost; умение работать с причинно-следственными связями, а не только с корреляциями Коммуникации и стейкхолдер-менеджмент. Способность самостоятельно собирать контекст через интервью с большим количеством стейкхолдеров и синтезировать его в целостную картину Презентация и автономность. Умение чётко презентовать выводы, объяснять сильные и слабые стороны методологии и её ограничения; proactive-подход к неструктурированным задачам Отраслевой фон. Опыт в e-com / retailtech — преимущество. Высокий приоритет — in-house аналитика в онлайн-компаниях с 360° маркетингом. Условия ДМС со стоматологией и льготными условиями для членов семьи Технику для работы Работу в уютном офисе в центре Москвы (ст. м. Савеловская) Возможность реализовать свой опыт и потенциал в интересных и многоплановых проектах Развитие – мы оплачиваем обучение на курсах и участие в конференциях Наличие корпоративных скидок PRIMEZONE и программ лояльности от компании Наличие корпоративной библиотеки курсов Возможность рекомендовать компанию своим друзьям, участвуя в реферальной программе Формат работы Москва (гибрид/офис)

Workplace: Москва и Краснодар (гибрид/офис), другие города - удаленно Мы ищем ведущего ML-инженера, который возьмёт на себя развитие ML-направления в команде, работающей над продуктами для управления ценами, прогнозирования спроса и формирования коммерческих рекомендаций. Один из основных проектов — система рекомендаций регулярных цен на уровне SKU × магазин. Система анализирует исторические продажи, цены, промо, остатки, будущие поставки, характеристики товаров и магазинов, а также внешние данные, после чего: прогнозирует спрос при различных ценовых сценариях; оценивает ценовую эластичность рекомендует повышение, снижение или сохранение цены прогнозирует влияние решения на продажи, оборот, маржу и EBITDA рассчитывает уверенность модели и риск падения продаж позволяет сравнивать прогноз с фактическим эффектом после применения рекомендации Задачи Развивать модели прогнозирования спроса и ценовой эластичности Исследовать подходы к causal inference и оценки эффекта изменения цены Проектировать временную валидацию, backtesting и бизнес-метрики качества Работать с uncertainty, confidence, intermittent demand, cold start и long-tailSKU Разрабатывать логику выбора оптимальной цены с учётом бизнес-ограничений Организовать оценку plan/fact и мониторинг качества моделей Участвовать в проектировании feature engineering, batch training и batchinference на больших объёмах данных Проводить design review, code review Требования Сильную базу в классическом ML, статистике и работе с табличнымиданными Опыт с forecasting, временными рядами и gradient boosting: LightGBM,CatBoost или XGBoost Понимание causal inference и экспериментального дизайна Опыт доведения ML-моделей до production Уверенное владение Python и SQL Понимание временной валидации, data leakage, calibration и uncertaintyestimation. Опыт работы с Airflow или аналогичным оркестратором Понимание принципов распределённой обработки данных, партиционирования и оптимизации вычислений Умение связывать ML-метрики с измеримым бизнес-эффектом Будет плюсом Опыт в retail, e-commerce, pricing или demand forecasting Практический опыт с PySpark, Trino, Iceberg, S3, dbt или ClickHouse Опыт с price optimization, hierarchical forecasting или operations research Опыт построения ML-мониторинга и проведения A/B-тестов Текущий стек: Python, LightGBM, Airflow, dbt, Trino, Apache Iceberg, Parquet,S3, PostgreSQL, ClickHouse, Kubernetes и gRPC Условия Оформление в аккредитованную ИТ-компанию Конкурентоспособную заработную плату (обсуждается индивидуально) ДМС со стоматологией и льготными условиями для членов семьи Технику для работы График работы 5/2 с гибким началом Работу в максимально уютном офисе в Москве на ст. м. Савеловская, в Краснодаре или удаленно из других городов РФ, так же есть ИТ офисы в Санкт-Петербурге и Иннополисе Возможность проведения и участия в митапах, хакатонах, где есть возможность познакомиться с работой других подразделений Возможность реализовать свой опыт и потенциал в интересных и многоплановых проектах, получить новый интересный опыт в решении сложных задач Наличие корпоративных скидок и программ лояльности Наличие корпоративной библиотеки курсов Формат работы Москва и Краснодар (гибрид/офис), другие города - удаленно

Обязанности: Разработка моделей для рекомендательных систем CVM; Рекомендация персональных предложений в мобильном приложении, рекомендации докупа в корзине, рекомендации в карточке товара;

Location: Москва, гибрид или удалённая работа, RU; Россия О команде Мы — команда Automated Moderation в юните «Автомодерация» направления Trust & Safety. Развиваем инструменты доверия и безопасности на платформе: помогаем проверять контент и снижать риск появления материалов, которые нарушают правила Авито. Мы разрабатываем и поддерживаем ML-систему проверки объявлений: анализируем текст, фото и параметры, автоматизируем проверки и снижаем нагрузку на ручную модерацию. Основной проект — развитие LLM-модерации, около 80% рабочего времени. Система уже работает в продакшене: классические модели находят потенциальные нарушения, а LLM проверяют их по правилам Авито. Мы улучшаем промпты, дообучаем LLM- и VLM-модели, автоматизируем эксперименты с помощью AI-агентов. Ищем DS-инженера полного цикла, который будет вести решения от постановки задачи и работы с данными до инференса, мониторинга и оценки влияния на продукт. Помимо основного проекта, будут задачи автомодерации с текстом, изображениями и видео. Какие задачи вас ждут: развивать LLM-проверки: переводить регламенты модерации в инструкции для моделей, разбирать ошибки и улучшать качество решений; строить воспроизводимые эксперименты: сравнивать модели, промпты, состав входных данных и пороги принятия решений; применять и развивать автоматическую оптимизацию промптов, дообучать модели и LoRA-адаптеры там, где это оправдано качеством и стоимостью; готовить датасеты: организовывать сбор и разметку, проверять качество данных и репрезентативность выборок; встраивать решения в пайплайны автомодерации и обеспечивать стабильную работу в продакшене: учитывать качество, задержки, вычислительную стоимость и риски ошибок; настраивать мониторинг качества и деградаций, алерты и регулярные итерации улучшений; оценивать влияние решений на продуктовые и бизнес-метрики. Мы ждём, что вы: умеете проводить полный цикл ML-разработки: от работы с данными и моделью до продакшена, мониторинга и проверки влияния с помощью A/B-тестов или эквивалентных подходов; имеете большой опыт в NLP или значимый опыт вывода и сопровождения моделей в продакшене; работали с LLM в прикладных задачах и умеете проверять качество решений на данных; дообучали LLM и VLM, работали с LoRA, PEFT и оптимизацией инференса, например с vLLM; уверенно владеете Python и DS-стеком: NumPy, pandas, scikit-learn, CatBoost или аналогами, умеете работать с DL-фреймворками, например PyTorch; понимаете, как выбирать методы под задачу и аргументировать компромиссы между качеством, стоимостью, скоростью и рисками; умеете оценивать качество моделей при запуске и отслеживать его изменение во времени: дрейф, деградации, проблемы данных; пишете SQL-запросы на уровне, достаточном для анализа данных и диагностики качества; читаете англоязычную техническую литературу. Будет здорово, если вы: имеете опыт в модерации, Trust & Safety или антифроде; разрабатывали инструменты для AI-агентов, MCP-серверы или автоматизировали с их помощью ML-процессы; знакомы с практиками MLOps: Kubeflow, K8s, feature store, MLflow; настраивали мониторинг и алерты в Grafana, участвовали в A/B-тестах и канареечных релизах; использовали LLM в прикладных задачах; работали с CV или мультимодальными задачами, например VLM. Работа у нас — это: масштабный инженерный процесс, где вы можете участвовать во всех этапах работы над ML-решением; интересные развивающие задачи и влияние на продуктовые и бизнес-метрики; культура взаимопомощи и обмена опытом; прозрачный карьерный трек и инструменты для роста: семинары, менторство, митапы; расширенная забота о здоровье: ДМС, страхование жизни, онкострахование; сервис психологической поддержки, а также финансовые, юридические и ЗОЖ-консультации для вас и ваших близких; корпоративный спорт: групповые тренировки, велбиинг-приложение; спецпредложения от партнёров и скидки на сервисы Авито: бронирование жилья, услуги продвижения, ипотечное страхование; компенсация питания.

Location: Москва Workplace: Комбинированный Мы ищем ML-инженера, который будет развивать качество e-commerce рекламы, используя технологию full-stream атрибуции https://ads.vk.ru/help/general/ecomm/dyn_ret/fsa . Наша команда занимается end-to-end разработкой и поддержкой всего пайплайна рекомендаций от обработки данных до выкатки в продакшен и проведения А/B-тестов. Задачи Улучшение базового качества рекомендаций Развитие высоконагруженных сервисов рекомендаций Проведение и анализ A/B-тестов Требования Опыт работы ML-инженером от двух лет Знание алгоритмов машинного обучения и принципов построения рекомендательных систем Опыт промышленной разработки на Java Понимание принципов работы высоконагруженных систем Будет плюсом Опыт разработки рекомендательных систем и моделей ранжирования Опыт проведения и анализа A/B-тестов Опыт работы с YTsaurus, CatBoost, Spring и Java

• опыт классического ML на табличных данных (скоринг, антифрод, рекомендательные системы, прогноз спроса или оттока, ценообразование и похожие задачи). • Python (pandas, numpy).

Location: Москва Мы исследовательское подразделение, которое отвечает в Сбере за «человека»: поведение, психология, тренды, изменения, особенности восприятия и мышления. Наша ключевая задача: исследовать и рассказывать, что происходит и будет происходить с человеком, как эти изменения переложить в продукт, коммуникации, HR-процессы, чтобы они стали лучше.  Работа в Лаборатории – это возможность прикоснуться практически к любому бизнес-подразделению экосистемы Сбера, к большим данным Сбера, к клиентской базе более 100 млн человек. Мы ищем ML Developer'а — человека, который будет реализовывать ML-проекты Лаборатории: обучение и дообучение моделей, построение data-пайплайнов, вывод решений в production. В отличие от LLM-генералистов команды, которые быстро вайбкодят прототипы, вы будете отвечать за то, чтобы модели работали надёжно, воспроизводимо и масштабируемо, а также дорабатывать прототипы до продакшен решений. Вы рамках Лаборатории вы будете в команде “больших данных и гиперперсонализации”, всего около 25 человек, из которых DS-команда – порядка 10 человек, остальные – исследователи, психологи и социологи. Лаборатория работает на стыке поведенческой науки, данных и AI. Мы строим модели, которые описывают и предсказывают поведение человека — от сегментации клиентов до цифровых двойников. ML Developer — это тот, кто превращает исследовательские гипотезы в работающие модели и надёжную инфраструктуру вокруг них. Наш технологический стек: * ML/DL: HuggingFace Transformers, SentenceTransformers, CatBoost, XGBoost * LLM & Vector Search: локальные модели (Llama 3, Qwen), API (OpenAI), FAISS * Data & Infra: ClickHouse, Docker, FastAPI, Postgres, RabbitMQ, MongoDB * MLOps & Orchestration: MLflow, W&B, Prefect, Dagster, Ray, Prometheus, OpenTelemetry * Инструменты: Hydra, Poetry. Первый этап отбора на эту вакансию – общение с AI-рекрутером. После отклика ждите сообщение от него в мессенджере, диалог займёт примерно 10 минут. Задача AI-рекрутера — уточнить недостающие детали и ускорить рассмотрение вашей кандидатуры. AI-рекрутер только начинает свой путь, поэтому просим относиться с пониманием. Ваш опыт и участие помогут сделать его удобным и полезным для всех! Обязанности ### Чем предстоит заниматься: * классический ML/NLP: разработка и обучение моделей для анализа текстов, поведенческих данных, психометрических профилей. * кластеризация, классификация, NER, sentiment — всё, что требуется для исследований на данных. * LLM-интеграция: fine-tuning и дообучение языковых моделей под задачи Лаборатории, построение embedding-пайплайнов, проектирование RAG-архитектур с графовыми и векторными БД. * работа с промптами на уровне системной архитектуры, а не ad hoc экспериментов * Production & MLOps: вывод моделей из ноутбуков в production — контейнеризация, CI/CD, мониторинг, версионирование моделей и данных * построение воспроизводимых пайплайнов обработки данных. Требования ### Наши ожидания от кандидата: ML & NLP: * практический опыт обучения и дообучения моделей (классический ML + deep learning) * уверенная работа с NLP: text classification, NER, embeddings, topic modeling, умение работать с ASR, Text-to-Speech задачами * опыт fine-tuning трансформерных моделей (HuggingFace Transformers, PEFT, LoRA, QLoRA) * понимание метрик качества моделей и умение проектировать эксперименты. LLM & Retrieval-архитектуры: * опыт работы с LLM API (OpenAI, Anthropic и др.) на уровне production-решений * построение RAG-пайплайнов: chunking-стратегии, embedding-модели, векторные и графовые БД * понимание различий между векторным поиском и BM25 * работа с LangChain / LangGraph или аналогами. Engineering & MLOps: * Python как основной язык, уверенное владение * Docker, CI/CD, базовый DevOps * опыт работы с ML-оркестраторами (MLflow, W&B, Prefect, Dagster — хотя бы один) * навыки разработки API (FastAPI / аналоги) * работа с SQL-базами (ClickHouse, Postgres) и очередями (RabbitMQ и т.п.). Софты и майндсет: * техническое образование (ML, CS, математика, инженерия) * умение переводить абстрактные исследовательские гипотезы в формализованные ML-задачи * способность объяснять технические решения нетехнической аудитории (исследователям, бизнесу) * интерес к поведенческой науке, психологии — или хотя бы готовность погружаться. Будет плюсом: * опыт работы с распределёнными вычислениями (Ray, DeepSpeed) * знакомство с Prometheus, OpenTelemetry, observability-стеком * опыт работы с графовыми базами данных (Neo4j и т.п.) * контроль стоимости и latency AI-вызовов * публикации, pet-проекты, вклад в open-source * опыт использования GigaChat, Kandinsky и аналогов в продуктах, навыки создания и использования AI-агентов. Условия ### Мы предлагаем: * комфортный современный офис г. Москва, рядом с метро Кутузовская * офисный формат работы: 5/2 с 10 до 19, возможен гибрид (1-2 дня в неделю вне офиса) * ежегодный пересмотр зарплаты и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

Ищем кванта, который сам закрывает полный цикл ресерча. Кого ищем 🔍 Senior Quant/ML Researcher, который закрывает полный цикл ресерча сам: от гипотезы и данных до бэктеста, валидации и результата.

— Внедрение новых алгоритмов в существующую инфраструктуру. — Анализ пользовательских сценариев.

ML / DS Engineer (Classic ML) IT Вакансии Мы ищем опытного ML/DS инженера для разработки и внедрения моделей классического машинного обучения, решения бизнес-задач и построения ML-пайплайнов.

Location: Москва Мы ищем целеустремленного и амбициозного Data Scientist, который готов развиваться в области AI, ML и Финансов. Мы отвечаем за задачи по AI-трансформации, связанные с Блоком Финансы, нашим основным заказчиком является Казначейство Сбера. Нашей задачей является внедрение AI и ML в таких процессах, как продуктовое ценообразование на портфельном и индивидуальном уровне, установление единых трансфертных ставок, бизнес-планирование, с целью улучшения финансовых показателей банка. В нашу работу входит анализ данных, построение моделей, внедрение их в процесс, общение с заказчиками, представление результатов руководству Банка. В работе используем как стандартные модели и алгоритмы, так и тестируем более продвинутые методы, в том числе, совместно с Лабораторией искусственного интеллекта Сбера. Обязанности * Разработка ML-моделей и алгоритмов * Вывод в production ML-моделей и расчетных модулей * Аналитика на больших данных * Поддержка реализованных решений * Разработка ML-моделей и алгоритмов для прогнозирования временных рядов Требования * продвинутые знания в области математики (мат.анализ, линейная алгебра, теория вероятностей, мат.статистика) * python: типы данных, структуры, ООП * классический ML: задачи (классификация, регрессия), метрики, basic ML stack (pandas, numpy, sklearn, catboost, xgboost), SQL * BigData stack (Hadoop, Spark, SparkML) * умение работать с git, Jira, Confluence. Будет плюсом: * знания в области финансов * опыт продуктовой аналитики * опыт работы с временными рядами (анализ, разработка моделей) * опыт работы с LLM (langchain, langgraph) * опыт end-2-end разработки ML-моделей (EDA-MVP-Solution-Validation-Production) * опыт backend разработки. Условия * комфортный современный офис рядом с м. Кутузовская * гибридный формат работы * ежегодный пересмотр зарплаты, годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * программа адаптации и помощь руководителя на старте * расширенный ДМС, льготное страхование для семьи и корпоративная пенсионная программа * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * бесплатная подписка СберПрайм+, скидки на продукты компаний-партнеров * вознаграждение за рекомендацию друзей в команду Сбера.

Location: Москва Команда инфраструктурного мониторинга отвечает за стабильность и производительность высоконагруженных систем. Мы переходим от реактивного подхода к проактивному: строим систему, которая предсказывает сбои до их возникновения. Наша цель — создать внутренний AI-слой, который автоматизирует рутину эксплуатации, анализирует петабайты логов и трассировок, а также помогает инженерам принимать решения на основе данных, а не интуиции. Обязанности ### Чем предстоит заниматься: * создавать и внедрять в продакшен модели временных рядов для прогнозирования нагрузки на инфраструктуру и предиктивного алертинга, чтобы выявлять аномалии за часы или дни до деградации сервиса * разрабатывать пайплайны автоматической классификации и группировки алертов и строить системы семантического поиска и суммаризации причин сбоев по неструктурированным данным с использованием внутренних LLM * проектировать архитектуру взаимодействия с внутренними LLM для автоматической категоризации инцидентов, генерации рекомендаций по устранению и нормализации данных мониторинга * выстраивать полный цикл работы с ML в production от версионирования данных и моделей (MLflow / DVC) до автоматизированного A/B-тестирования версий моделей, мониторинга деградации качества (data drift, concept drift) и автоматического переобучения * применять методы оптимизации инференса для обеспечения низкой задержки ответов AI-сервисов в контуре real-time мониторинга * участвовать в проектировании потоков данных (ClickHouse, Redis, Kafka) для обеспечения ML-моделей актуальными фичами в режиме, близком к реальному времени * работать в тесной связке с SRE, DevOps и разработчиками бэкенда для обеспечения отказоустойчивости AI-сервисов и развития CI/CD-процессов. Требования ### Мы ждем от тебя: * коммерческий опыт разработки на Python от 3-х лет, уверенное знание Python Core, GIL и принципов работы CPython * понимание классического машинного обучения от алгоритмов временных рядов (ARIMA, Prophet, LSTM, CatBoost для time-series) до задач классификации и кластеризации * опыт работы с СУБД в рамках написания сложных запросов, понимание партиционирования и движков таблиц (PostgreSQL, Oracle, Redis, ClickHouse) * опыт написания качественного, покрытого тестами кода (pytest, unittest, принципы TDD, проектирование тестируемой архитектуры) * опыт работы с Docker, понимание многослойных образов и оптимизации их размера, опыт работы с GitLab CI, Jenkins или GitHub Actions, написание пайплайнов для автоматической сборки, тестирования и доставки ML-сервисов * знание протоколов сетевого взаимодействия HTTP/1.1, HTTP/2, REST, gRPC, а также брокеров сообщений (Kafka, RabbitMQ) * практический опыт MLOps: контейнеризация моделей, настройка мониторинга дрейфа данных, пайпланы переобучения. Будет плюсом: * опыт работы с экосистемой Big Data: PySpark, Hadoop, Airflow (построение сложных DAG для подготовки фичей) * опыт работы с Kubernetes/Openshift: написание Helm-чартов, настройка ресурсов (CPU/Memory), работа с PodDisruptionBudgets и HorizontalPodAutoscaler. * понимание Observability-стека: Prometheus (архитектура, PromQL), Grafana, Loki, Tempo, OpenTelemetry * опыт работы в fintech, highload или data-intensive проектах, где цена ложного срабатывания или пропуска аномалии критически высока * опыт интеграции с LLM через API, prompt engineering, работа с векторными базами данных для RAG и семантического поиска * знание спецификаций взаимодействия с моделями или опыт разработки собственных AI-агентов для автоматизации рутинных задач эксплуатации. Условия ### **Мы предлагаем:** * офис рядом с м. Кожуховская * офисный формат работы на время адаптации * ежегодный пересмотр зарплаты и годовая премия * корпоративный спортзал и зоны отдыха * более 400 образовательных программ СберУниверситета для профессионального и карьерного развития * расширенный ДМС, льготное страхование для семьи * гибкий дисконт по ипотечному кредиту, равный 1/3 ключевой ставки ЦБ * подписка Прайм с возможностью совместного использования на трёх близких * вознаграждение за рекомендацию друзей в команду Сбера.

— Исследовать данные, разрабатывать новые информативные признаки и добавлять в командный пайплайн новые источники. — Строить ML модели на основе различных данных: табличные, последовательности событий (кликстрим, транзакции и т.д.).

Location: Москва Workplace: Гибрид, Удаленно RWB (Wildberries & Russ) — это международная технологическая компания, образованная в результате слияния двух лидеров рынка — IT-компании Wildberries и оператора наружной рекламы Russ. Мы ищем Middle+ / Senior ML Engineer в команду Поиска для развития направления Спеллчека пользовательских запросов и карточек товаров. При этом мы занимаемся широким спектром задач, связанных с обработкой текста в движке Поиска. Обязанности Улучшать текущие и развивать новые пайплайны обработки текста в запросах и карточках товаров (исправление опечаток, синонимизация); Развивать направление онлайн-инференса в продуктах обработки текста; Разрабатывать пайплайн автоматического выделения текстовых синонимов для применения в ретривинге и ранжировании; Разрабатывать модель классификации запросов (текстовые, категорийно-атрибутивные, брендовые, нетекстовые); Исследовать методы кластеризации (IVF и др.) для ускорения и повышения качества векторного поиска. Требования Опыт работы в роли ML / NLP Engineer от 3 лет; Уверенное владение Python и стандартным ML/DS-стеком (polars, pytorch и т.д.); Опыт работы со Spark и Airflow (построение и поддержка пайплайнов обработки данных, ETL); Опыт разработки и внедрения трансформерных моделей (обучение, файнтюнинг, инференс — HuggingFace Transformers и т.п.); Опыт работы с табличными моделями (LightGBM, CatBoost, XGBoost) — построение ранжирующих/классификационных моделей; Опыт применения методов кластеризации (например, IVF и другие подходы для векторных индексов/ANN-поиска); Понимание задач NLP: нормализация текста, работа с опечатками, синонимия, классификация текстов; Опыт вывода моделей в продакшн, понимание требований к онлайн-инференсу (латентность, нагрузка); Умение работать с большими объёмами данных, оптимизировать пайплайны обработки; Опыт работы с поисковыми системами (retrieval, ranking, семантический поиск) и векторными базами данных / библиотеками ANN-поиска (FAISS, HNSW и т.п.) будет плюсом. Условия Обучение и развитие: языковые клубы, собственный корпоративный университет, программы развития управленческих навыков и многое другое; Благополучие сотрудников: корпоративный пакет ДМС со стоматологией, корпоративный спорт, консультации психолога и дополнительные возможности аккредитованной IT-компании; Множество сообществ: клуб спикеров, футбола, йоги, шахмат и т.д.; Забота о семьях: создаем условия, в которых легко сочетать карьеру и заботу о близких – от гибкого подхода до масштабных проектов для детей сотрудников; Скидки и партнерские программы: на обучение, страхование, покупки и многое другое; Комфортная рабочая среда: бесплатное питание в офисе, современные офисы рядом с метро, корпоративная техника и портал для сотрудников.