Flowwow·Удаленно·6 дн назад
ML Engineer (Recommendation Systems)
Ориентир по рынку≈ 235 000 – 350 000 ₽наша приблизительная оценка по 11 вакансиям этой роли и грейда, у работодателя вилка не указана
🏢 ОфисMiddleПолная занятость
Вилки нет, про деньги придётся договариваться с нуля.
Наша компания
Сейчас в наше направление по разработке платформы данных ищем ML Engineer (Recommendation Systems), который будет развивать рекомендательные системы и поможет нам перейти от rule-based решений к ML. Рекомендации сейчас работают на rule-based baseline в проде; следующий шаг — перейти к ML и построить полноценный цикл экспериментов вокруг них. Задача нетиповая, и это стоит понимать до отклика. Ассортимент, который видит пользователь, определяется геозоной доставки и наличием товара у конкретного локального мерчанта. Каталог обновляется быстро, товар скоропортящийся, холодный старт по SKU — норма
Чем предстоит заниматься
Разобраться в текущем baseline и данных, найти, где реально теряется качество
Спроектировать и наладить пайплайн обучения и инференса моделей
Сформировать рабочий цикл ML-экспериментов: офлайн-валидация → A/B на боевом трафике → решение по результату эксперимента. Дальше, по мере зрелости системы: • Приоритет №1 на ближайший год остаётся за рекомендациями: качество ранжирования, персонализация, работа с холодным стартом. • Параллельно будет расти платформенная часть — feature store, фреймворк экспериментов, мониторинг моделей. • В перспективе есть направления CV (классификация товаров, поиск по изображению) и прогнозирования спроса
Мы предлагаем
Трудовой договор
График работы: 5/2
Удаленный формат работы. Что приятного мы делаем для сотрудников • предлагаем ДМС со стоматологией или компенсацию на медицинское обслуживание, а также сервис психологической поддержки
Заботимся о физическом здоровье — компенсируем расходы на занятия спортом или покупку спортивного оборудования
Компенсируем стоимость техники, которую вы приобретаете для работы
Создаем условия для развития: оплачиваем обучение, конференции и митапы, нужные для работы
Подключаем к корпоративной программе лояльности: персональным скидкам на Flowwow и предложениям от партнеров. Наши ценности Забота и любовь Наш продукт основан на желании людей радовать друг друга и быть вместе. Пока любовь жива, у Flowwow будут пользователи. Развитие и рост Flowwow быстро развивается и с радостью поддерживает инициативы сотрудников. Культура взаимопомощи У нас работают люди, вовлеченные в процесс и небезразличные к тому, что они делают. Открытость к изменениям Каждый может проявлять инициативу, предлагать и быстро видеть свой вклад в общий успех. Благотворительность Одна из целей Flowwow — помогать людям. Нас объединяют социальная ответственность и готовность участвовать в специальных благотворительных мероприятиях
Расскажите об этой вакансии в соцсетях
Дополнительно
Требования • ориентировочно от 4 лет опыта в production ML в рекомендациях, поиске или ранжировании с участием в полном цикле разработки – от обучения моделей до запуска в продакшен; • опыт разработки современных RecSys-моделей и их запуска в продакшен с измеримым влиянием на продуктовые и бизнес-метрики; • A/B-тесты: сами дизайнили, запускали, анализировали (не только читали результаты); • автономность: можете спроектировать систему от идеи до production без ежедневного надзора. Технические навыки: • Python (production-grade код); • PyTorch или TensorFlow (реально обучали модели, не только inference); • SQL (сложные аналитические запросы) для сбора и подготовки данных; • Linux, Git, Docker. Инженерное мышление: • умеете обосновать, где нужна модель, а где достаточно эвристики — в обе стороны; • проговариваете trade-offs: latency против качества, сложность против поддерживаемости; • валидируете результат так, чтобы ему можно было верить; • готовы читать чужой код на незнакомом языке и договариваться о контрактах между командами. Большим плюсом будет: • мультимодальные эмбеддинги (CLIP/SigLIP-подобные), работа с контентными представлениями товара; • Vector databases: Qdrant, Milvus, Pinecone; • Feature stores: Feast, Tecton; • MLOps: MLflow, experiment tracking, model registry; • Causal inference, uplift, интерливинг; • Kubernetes, cloud (Yandex Cloud / AWS); • знание e-commerce домена: маркетплейсы, двусторонние рынки, ограничения предложения