ML-разработчик в группу разработки рекомендательных систем

Ориентир по рынку≈ 150 000 – 350 000 ₽наша приблизительная оценка по 140 вакансиям этой роли и грейда, у работодателя вилка не указана

🏢 ОфисMiddleПолная занятостьКорпорация

≈ 150 000 – 350 000 ₽наша приблизительная оценка

Стоит ли откликаться

Стоит откликнуться, но спросите про деньги

Вилку работодатель не назвал, но ориентир по рынку есть: он в строке «Деньги». Объявление живое, и что за работа, понятно из текста.

3 из 4 в норме

Вилку не назвали: какую сумму назвать вам и ниже какой не соглашаться

Наша компания

Привет, я Аня. Моя команда развивает ML-инфраструктуру генеративных рекомендаций: контур обучения моделей, инструменты экспериментирования и аналитику результатов. Отдельное большое направление — агентизация: мы встраиваем ИИ-агентов в инфраструктуру так, чтобы рутинных операций было меньше, а сам контур становился стабильнее и надёжнее. Наши модели работают в рекомендательных сервисах Яндекса под нагрузкой в тысячи запросов в секунду, поэтому каждая подтверждённая гипотеза сразу отражается на опыте миллионов пользователей. Анна Липкина

О роли

Руководитель группы разработки рекомендательных сервисов Мы создаём рекомендательные системы, которые помогают миллионам пользователей находить именно то, что им нужно. Наша команда работает на стыке рекомендаций, глубокого обучения и инфраструктуры: мы развиваем полный цикл генеративной рекомендательной модели — от подготовки данных и распределённого обучения на десятках GPU до онлайн-дообучения

Чем предстоит заниматься

Агентизация офлайн-исследовательского цикла

Значительная часть исследовательских вопросов — архитектура модели, состав обучающих данных, гиперпараметры — проверяется офлайн, на фиксированных датасетах и метриках, без выкатки в прод. Такой цикл замкнут и потому особенно хорошо поддаётся автоматизации: гипотеза, изменение в коде, запуск обучения, сравнение с бейзлайнами, решение. Мы хотим, чтобы агент вёл этот цикл вместе с исследователем: предлагал и ранжировал гипотезы, опираясь на результаты прошлых экспериментов и внешние исследования, вносил изменения в кодовую базу вместе с проверками их корректности, запускал серии обучений и готовил сопоставимые результаты. Так больше времени остаётся на выбор направления и интерпретацию, а не на перебор вариантов

Агентизация постановки и сопровождения экспериментов

Построение среды исполнения для агентов

Агентские сценарии должны выполняться предсказуемо и оставаться прозрачными для человека. Вы будете проектировать среду, в которой они живут: управление контекстом и доступом к внутренним системам, воспроизводимость запусков, подробное логирование действий, точки контроля, где решение принимает инженер, и механизмы отката. Отдельная задача — измерять качество работы самих агентов и улучшать их на основе накопленных траекторий

Больше об ML в Яндексе — в канале Yandex for ML

Высокая техническая и исследовательская культура

Сотни топовых GPU и петабайты логов для обучения и инференса моделей

Развитый инструментарий для прототипирования и проведения экспериментов

Направление агентизации в самом начале пути: архитектурные решения ещё не зафиксированы, инструменты можно строить с нуля и самому определять, какими они будут

Вариативность проектов и развитие экспертного опыта в области рекомендаций на различных доменах внутри команды

Возможность внедрять E2E-решения, которые непосредственно влияют на пользователей

Наши требования

Работали с LLM и интересуетесь агентскими сценариями, кодогенерацией и автоматизацией инженерных процессов

Понимаете, как устроен ML-пайплайн: подготовка данных, обучение, валидация, выкатка и инференс модели

Уверенно владеете Python и пишете надёжный код

Умеете разбираться в чужом коде и незнакомых системах и предлагать улучшения архитектуры

Отвечали за обучение или интеграцию генеративных моделей, особенно в рекомендательные системы

Работали с распределёнными вычислениями и большими данными

Дополнительно

Наш контур — это сквозной конвейер — от подготовки данных и обучения моделей до доставки весов и рантайма инференса. Каждый исследовательский эксперимент затрагивает сразу несколько его звеньев, а скорость и надёжность экспериментов напрямую определяют, насколько быстро растёт качество рекомендаций. Поэтому мы формализуем взаимодействие компонентов: описываем контракты и инварианты в коде, реализуем автоматическую верификацию конфигураций, развиваем наблюдаемость и создаём агентские сценарии для типовых операций: подготовки окружений, запуска процессов обучения, выкатки моделей. Отдельная часть этой работы — аналитика: мы хотим, чтобы система сама выделяла аномалии в метриках, готовила числовую выжимку, сопоставляла эксперимент с историей похожих и предлагала интерпретацию, которую исследователю остаётся проверить. Наша цель — довести постановку эксперимента до одной кнопки и кратно увеличить число гипотез, которые команда успевает проверить. Вам предстоит проектировать эти инструменты и расширять их применение на новые части контура