ML-разработчик в Карты

Ориентир по рынку≈ 150 000 – 335 000 ₽наша приблизительная оценка по 88 вакансиям этой роли и грейда, у работодателя вилка не указана

🔄 ГибридMiddleПолная занятостьКорпорация

≈ 150 000 – 335 000 ₽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

Наша команда занимается машинным обучением в Яндекс Картах. Мы помогаем пользователям находить места, куда они хотят добраться, и выбирать, где провести время. Также мы работаем с пользовательским контентом, например с отзывами и фотографиями, чтобы показывать ключевые особенности организаций. А ещё мы оцифровываем реальный мир: автоматически собираем карту из спутниковых снимков, панорам и фотографий. С помощью ML мы стремимся сделать наши подходы масштабируемыми и решить задачи, которые раньше были под силу только человеку. Например, советовать хорошие места по очень сложным запросам или авт

О роли

В нашей команде проводят разработку full stack — от идеи решения задачи до внедрения в продакшен. Мы разбираем проблемы в ответах моделей, проверяем работоспособность методов, изучая офлайн- и онлайн-метрики качества, имплементируем обученную модель для работы в рантайме или в регулярном пайплайне.

Чем предстоит заниматься

Качество поиска

Как найти магазины, в которых можно купить редкую деталь для автомобиля? В каком салоне красоты по-особому красят волосы? Отвечать на подобные вопросы не так просто, а для ML-разработчика в нашей команде это отдельный вызов. Мы улучшаем качество ответов поиска по сложным запросам, опираясь на всю известную нам информацию об организации, включая отзывы, фотографии, сайты и информацию о меню и услугах

Выбор мест и персонализация

Мы запустили в Картах новый режим «Идеи». В нём предлагаем пользователям, куда сходить и чем заняться, и рассказываем про эти места, суммаризируя с помощью YandexGPT и моделей компьютерного зрения массивы информации про каждое место. Наша команда работает над качеством рекомендаций, чтобы подобранные организации как можно лучше соответствовали желаниям пользователя

Большие языковые модели для обучения других нейросетей

Мы используем множество асессорских разметок для обучения моделей. Один из способов повысить эффективность асессоров и полезность данных для обучения — отдавать на разметку людям только сложные случаи, а для простых решений применять тяжёлые LLM. Наша команда повышает эффективность сбора разметок и общее качество данных для обучения, применяя YandexGPT, чтобы в конечном счёте улучшить опыт пользователя, предложив более точное ранжирование в поиске, более подходящие подсказки и описания мест