Мы развиваем корпоративный поисковый продукт Сбера, который обслуживает 300K+ пользователей при нагрузке 500+ RPS и индексирует данные из 15+ вертикалей. Наш стек включает федеративное LTR-ранжирование, нейросетевые эмбеддинги, RAG-пайплайны и AI-агентов поверх GigaChat. Мы строим систему, в которой каждый сотрудник Сбера находит нужную информацию за секунды — независимо от того, в какой системе она лежит.
Мы ищем Data Scientist, который возьмёт на себя развитие ML-составляющей поиска: от исследования и предложения архитектур до вывода моделей в продакшен и проектирования метрик качества. Вы будете работать в плотной связке с инженерами поиска, продуктом и командой инфраструктуры, и ваши модели сразу пойдут на пользователей в высоконагруженный контур.
Обязанности
•развитие текущего ML-стека: LTR-ранжирование на XGBoost (LambdaMART), классификация и категоризация запросов и документов, исправление опечаток, эмбеддинги (FastText, Sentence-BERT), кросс-энкодеры для реранжирования
•предложение и обоснование архитектур моделей под новые задачи поиска — от выбора подхода (классический ML vs нейросети vs LLM-based) до проектирования фичей и пайплайна обучения
•обучение и дообучение моделей: fine-tuning эмбеддеров под доменные данные Сбера, обучение LTR на кликовом фидбеке с IPS-коррекцией, эксперименты с hard negative mining и contrastive learning
•проектирование метрик и методологии оценки качества: офлайн-метрики (nDCG, MRR, Recall@k), онлайн-эксперименты (A/B, interleaving), side-by-side оценка с асессорами, метрики качества генерации для RAG/агентских сценариев
•разработка AI-агентов и RAG-сценариев на базе GigaChat: семантический роутинг, адаптивный RAG, оценка качества ответов
•совместная работа с инженерами по выводу моделей в продакшен и мониторингу деградации.
Требования
•опыт работы Data Scientist от 2 лет, желательно в задачах поиска, ранжирования или рекомендаций
•уверенное владение классическим ML (градиентный бустинг, линейные модели, feature engineering) и пониманием метрик ранжирования
•опыт работы с современным NLP-стеком: трансформерные эмбеддеры (BERT-семейство, Sentence-BERT), fine-tuning под доменные задачи, дистилляция
•опыт с LLM и RAG-пайплайнами: prompt engineering, агентские архитектуры, оценка качества генерации
•python на хорошем уровне, опыт с PyTorch, Hugging Face Transformers, Scikit-Learn, XGBoost/LightGBM, NumPy/Pandas/Polars
•умение формулировать гипотезы, дизайнить эксперименты и доводить их до интерпретируемых результатов
•плюсом будет: опыт с LTR-моделями (LambdaMART, listwise-подходы), PySpark, FastAPI, ANN-индексами (FAISS, HNSW), кросс-энкодерами.
Условия
•конкурентоспособную заработную плату и бонусы по результатам работы
•возможности для профессионального и карьерного роста.
•работу над интересными и сложными проектами в дружной и профессиональной команде
•современный офис и гибкий график работы
•обучение и участие в конференциях по машинному обучению и искусственному интеллекту.
