Разработчик рекомендательных систем

Журналы Вертикалей — это медиа Авто.ру, Яндекс Путешествий, Яндекс Недвижимости и Яндекс Аренды. Каждый месяц к нам приходят миллионы пользователей, чтобы найти ответы на вопросы, зарядиться эмоциями, вдохновиться идеями. Мы хотим, чтобы наши читатели всегда получали то, что им нужно, и с нашей помощью узнавали ответы даже на те вопросы, которые ещё не успели себе задать. У нас уже несколько миллионов активных пользователей в месяц, и мы хотим делать для них лучший информационный сервис. А для этого, кроме хорошего контента и удобного продукта, нужны классные рекомендации, которые: • увлекут каждого читателя так, что он будет переходить из статьи в статью и возвращаться каждый день; • покажут самые подходящие предложения основных сервисов, выгодные и пользователю, и бизнесу; • определят, кому какие показывать баннеры, виджеты, поп-апы и прочее. У нас вы сможете: • познакомиться с рекомендательными технологиями Яндекса; • поработать с трансформерами на истории действий пользователя; • поучаствовать в разработке фундаментальной модели Журнала. Какие задачи вас ждут Разработка рекомендательной системы Журнала Вам предстоит создавать и внедрять гибридную систему рекомендаций, которая объединит контентные и коллаборативные подходы. Реализовывать механизм персонализации контента на основе поведения пользователей. Разрабатывать алгоритмы для предсказания интересов пользователей на основе их истории взаимодействия с контентом. Аналитика и оптимизация Вы будете анализировать поведение пользователей для выявления новых паттернов. Оптимизировать алгоритмы под различные сегменты пользователей. Разрабатывать систему автоматического выявления проблем в работе рекомендаций. Мы ждем, что вы • Имеете опыт в обучении рекомендательных систем • Обладаете хорошими теоретическими знаниями в области ML • Уверенно владеете Python, знаете стандартные библиотеки для работы с ML-моделями • Работали с оркестрацией ML-пайплайнов с помощью Airflow или Luigi Будет плюсом, если вы • Занимались интеграцией ML в продукт, например в рекомендательные системы • Применяли DL в задачах генерации персонализированного контента • Работали со сложной валидацией продакшн-решений: A/B-тестированием, causal inference