Data Scientist (RecSys / Deep Learning) (удаленная работа)

Вакансия: Data Scientist (RecSys / Deep Learning)

Описание вакансии

Мы в поиске Middle Data Scientist в команду рекомендательный систем.

Чем предстоит заниматься:

• Рекомендации на Главной странице (нейросетевые кандидаты, LLM-сценарии, ранжирование)
• Рекомендации на странице продукта (похожие товары, "с этим товаром покупают", Metric learning, MTMH-кандидаты)
• Рекомендация размера (размерные эмбеддинги пользователей и товаров)

Мы ожидаем:

• Подтвержденный опыт в области анализа данных и машинного обучения от 3 лет;
• Опыт работы с SQL, Hadoop, Hive, Spark;
• Владение Python, Linux, методами работы с большими данными;
• Опыт работы с ML библиотеками: Scikit-learn, CatBoost/XGBoost, PyTorch, Spark ML;
• Знания теории вероятностей и математической статистики;
• Знания в области машинного обучения, прогнозного моделирования и методов статистического анализа;
• Знание алгоритмов и структур данных;
• Высшее образование в области прикладной математики, информационных технологий, информатики и т.п;
• Английский язык на уровне технического чтения.

Подойдут два профиля:

1. Плотный коммерческий опыт в RecSys
2. Нет опыта в RecSys, но есть плотный коммерческий опыт с Deep Learning (работа с NLP, последовательностями, сигналами, временными рядами), и желание применить его в RecSys

Как мы работаем:

• Пишем на Python 3.6+ и PySpark 3.0;

• Для ресерча доступны два сервера (80 cores, 650Gb RAM), на которых развернут JupyrerHub и есть доступ к Hadoop-кластеру;

• Код с логикой ML-пайплайнов упаковываем в Docker и выкатываем, используя CI/CD-инструменты с запуском code style проверок и тестов;

• Используем Airflow для управления ML-пайплайнами и запуском их по расписанию;

• В командах есть культура code review как для изменений по части продакшен-пайплайнов, так и для ресерч-задач;

• Регулярно проводим командные брейнштормы с целью генерации новых идей по развитию наших data-driven продуктов;

• В компании внедрена культура принятия решений на основании данных и все изменения тестируем через АБ-эксперименты.