Halyk Finservice·Алматы·5 дн назад
ML-инженер (рекомендательные системы, ALS/ANN)
Ориентир по рынку≈ 250 000 – 425 000 ₽наша приблизительная оценка по 10 вакансиям этой роли и грейда, у работодателя вилка не указана
🏢 ОфисMiddleПолная занятость
Стоит ли откликаться
Стоит откликнуться, но спросите про деньги
Вместо вилки в объявлении «Конкурентная заработная плата»: что это значит в цифрах, придётся выяснять. Вакансия свежая: первые отклики читают внимательнее.
3 из 4 в норме
Зарплата не указана: ваша цель, нижняя граница и фраза для первого созвона
Деньги
Вместо вилки в объявлении «Конкурентная заработная плата». Ориентир на созвон: столько платят в 10 похожих вакансиях ML Engineer уровня Middle.
Живость
Появилась 5 дней назад. Раньше её не выкладывали: это новая позиция, а по новым почти всегда действительно нанимают.
Описание
Расписано подробно: обязанностей 6, требований 35. Картина ясна до первого созвона.
- Обещают
- официальное оформление, ДМС и обучение за счёт компании
- Известно
- испытательный срок
Что требуют
ОбязательноMLPythonFastAPIClickHouseKafkaAirflowRedisCatBoostXGBoostPyTorch
ПлюсомElasticsearchLLMHelm
Надбавка к зарплате на этом уровне: Python +40%, Kafka +20%.
Полный разбор в Pro
Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме
Сколько просить
Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга
Ваше резюме против требований
Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика
Спросить у работодателя
Что стоит спросить: вопросы именно к этой вакансии для первого созвона
Когда откликаться
Стоит ли спешить: за сколько дней эта компания обычно закрывает вакансии
30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro
Чем предстоит заниматься
Retrieval на ALS: подготовка взаимодействий, нормализация весов (BM25/TF-IDF), обучение implicit-ALS, публикация user_factors/item_factors в ClickHouse, сборка FAISS/HNSW индекса
Онлайн-инференс: FastAPI /recommend, объединение кандидатов (ALS/популярность/кластер-popular), фильтры сток/регион/квоты мерчанта, лёгкая диверсификация (MMR); контроль p95 и fill-rate
Данные и витрины: проектирование и поддержка витрин в ClickHouse (interactions, popularity, co-vis), инкрементальные DAG’и в Airflow, ingest через Kafka
Дообучение моделей и ML-эксперименты: дообучение моделей эмбеддингов на данных e-commerce, подготовка датасетов для обучения: пары товар-товар, пользователь-товар, запрос-товар, построение negative sampling и hard negative mining, эксперименты с Sentence-BERT, bi-encoder и cross-encoder архитектурами, использование transfer learning для доменной адаптации моделей, тестирование reranking-моделей поверх retrieval-кандидатов, сравнение ALS/BPR, dense retrieval, hybrid retrieval и ML-ranking, документирование экспериментов, метрик и выводов
Оффлайн-оценка и A/B: расчёт Recall@K/NDCG@K (time-split), дизайн и анализ A/B (SRM-чек, доверительные интервалы, CUPED), мониторинг CTR/ATC/RPS/GMV и guardrails (латентность, fill-rate, OOS-share), контроль технических guardrails: latency, fill-rate, OOS-share, error-rate, анализ сегментов пользователей, категорий и cold-start сценариев
Производительность и надёжность: профилирование Python/SQL, оптимизация ClickHouse-запросов и структуры таблиц, оптимизация FAISS/HNSW-индексов по latency, memory usage и recall, настройка метрик Prometheus/Grafana, настройка алертов, fallback-сценариев и graceful degradation, контроль воспроизводимости обучения и версионирование артефактов моделей, Поддержка CI/CD для ML-сервисов и пайплайнов
Наши требования
4+ лет разработки на Python 3.11+; уверенный async (asyncio/uvloop), тестирование и типизация
Уверенное владение async Python: `asyncio`, `uvloop`, async clients, профилирование latency
Опыт разработки production-сервисов на FastAPI
Уверенное тестирование, типизация, code review и поддержка production-кода
Практический опыт рекомендательных систем, ранжирования или поисковых систем
Опыт collaborative filtering: ALS, BPR, item-to-item, user-to-item retrieval
Понимание implicit feedback и особенностей e-commerce-сигналов
Опыт расчёта и интерпретации оффлайн-метрик: Recall@K, NDCG@K, MAP@K, HitRate@K
Опыт построения ANN-поиска: FAISS, HNSWlib или аналогичные решения
Практический опыт работы с эмбеддингами товаров, пользователей или текстовых запросов
Опыт построения vector search / semantic search / similarity search
Опыт дообучения embedding-моделей или уверенное понимание подходов: contrastive learning, triplet loss, hard negatives
Опыт работы с PyTorch, Sentence-Transformers или Transformers будет преимуществом
Сильный SQL и ClickHouse: MergeTree, materialized views, projections, partitioning, TTL
Умение читать планы запросов и оптимизировать расчёты на больших объёмах данных
Опыт работы с Redis как кэшем или feature store
Опыт с Kafka и Airflow: идемпотентные DAG’и, мониторинг лагов, retries, backfills
Понимание offline-online consistency фичей
Понимание принципов A/B-тестирования и продуктовых метрик
Умение работать с метриками, алертами и production-инцидентами
CatBoost/LightGBM/XGBoost в production: ranking, calibration, online scoring
Построени learning-to-rank моделей
Работа с cross-encoder / bi-encoder архитектурами для retrieval и reranking
Дообучение Sentence-Transformers на доменных данных
Построение hybrid search: sparse retrieval + dense retrieval + reranker
OpenSearch kNN, pgvector, Qdrant, Milvus или другими vector database / vector search решениями
Оптимизации FAISS-индексов: IVF, HNSW, PQ, OPQ, GPU FAISS
Кластеризация пользователей или товаров: KMeans, GMM, HDBSCAN
Построение cold-start стратегий: cluster-popular, content-based recommendations, category-popular
Применения LLM для обогащения каталога: нормализация атрибутов, генерация синонимов, классификация товаров, deduplication
Построение пайплайнов генерации эмбеддингов для каталога
Мониторинг drift эмбеддингов, качества retrieval и деградации рекомендаций
Kubernetes, Helm, GitLab CI/CD
Superset, S3/MinIO
MLflow, DVC или аналогичными инструментами для версионирования ML-экспериментов
Мы предлагаем
Стандартный офисный график, без удаленного формата работы
Оформление по ТК РК
Медицинская страховка после испытательного срока
График 5/2, плавающее начало дня, без дресс-кода
Обучение за счёт компании и постоянное развитие
Настольный теннис, PS5, тёплая атмосфера, сильная команда
Конкурентная заработная плата по итогам собеседования
Комфортный офис в верхней части города
Дополнительно
О проекте
Делаем персональные рекомендации в e-commerce на основе implicit-сигналов (просмотры/избранное/корзины/покупки) без ручных правил. Базовый retrieval — ALS + BM25/TF-IDF, быстрый поиск похожих — ANN (FAISS/HNSW), онлайн-сервис — FastAPI с p95 ≤ 150 мс и fill-rate ≥ 99%. Данные — ClickHouse (история событий, витрины), пайплайны — Kafka + Airflow. Цели — рост CTR/ATC/GMV и качественные оффлайн-метрики (Recall@K, NDCG@K)