Data Scientist в команду автомодерации

О команде: Команда автомодерации (Trust & Safety) отвечает за качество и безопасность контента на Авито. Наша цель — не допускать нежелательный контент к пользователям и делать платформу надёжной и безопасной.Мы разрабатываем и поддерживаем ML-систему проверки объявлений (текст, фото, параметры), которая уже помогает автоматизировать большую часть проверок и снижать нагрузку на ручную модерацию. Сейчас команда запускает новый проект внутри направления автомодерации. В нём будет много задач с нуля, свобода в выборе подходов и возможность заметно повлиять на продукт. При этом мы опираемся на существующие решения и будем постепенно развивать их под новые требования.Мы ищем Full-stack Data Scientist, который ведёт ML-решения end-to-end: от данных и обучения моделей до инференса и мониторинга в продакшене.

Примеры будущих задач: – повышать качество автомодерации на уровне продукта;– выбирать оптимальный подход под задачу и риск: от правил/регулярок и классических моделей до трансформеров и LLM (в зависимости от тяжести нарушения, бизнес-импакта и стоимости решения);– готовить данные и датасеты: сбор, разметка/правила, генерация обучающих выборок, контроль качества данных;– разрабатывать модели модерации текста (≈80%) и изображений (≈20%), комбинировать сигналы из текста, фото и параметров объявления;– встраивать модели в пайплайны автомодерации и обеспечивать стабильную работу в проде;– настраивать мониторинг качества и деградаций во времени, алёрты и регулярные итерации улучшений;– оценивать влияние решений на продукт и бизнес-метрики.

Мы ждем, что вы: – умеете проводить полный цикл ML-разработки: данные → модель → прод → мониторинг → проверка влияния (AB или эквивалентные подходы);– имеете большой опыт в NLP или значимый опыт вывода и сопровождения моделей в продакшене;– уверенно владеете Python и DS-стеком: NumPy / pandas, scikit-learn, CatBoost (или аналоги), и умеете работать с DL-фреймворками (например, PyTorch);– понимаете, как выбирать методы под задачу и аргументированно объяснять 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, антифроде;– знакомы с практиками MLOps: Kubeflow, K8s, feature store, MLflow;– настраивали мониторинг/алёрты (Grafana), участвовали в AB и канареечных релизах;– использовали LLM в прикладных задачах;– работали с CV или мультимодальными задачами (VLM).