ML-разработчик в Едадил

Едадил помогает пользователям экономить на покупках в категории FMCG. Наша задача — не просто показать наличие товара и его цену в торговых сетях, а предложить именно то, что человеку ценно и интересно, а также подсветить, где он сможет сэкономить.

Мы занимаемся машинным обучением: от аналитики и экспериментов с моделями до разработки и поддержки production-сервисов и пайплайнов данных. Активно применяем ML для автоматической модерации товаров и для рекомендаций. В продакшне у нас уже развёрнуто более сотни процессов обучения ML-моделей, инференса нейросетей для обработки данных по товарам и логам пользователей. А наши бэкенды — это высоконагруженные онлайн-сервисы, которые занимаются расчётом рекомендаций для пользователей на лету.

Едадил выходит на международные рынки — в Латинской Америке, Юго-Восточной Азии, Африке, и под эти запуски нужно масштабировать дата-пайплайны, сервисы и ML-модели. Ищем бэкенд-разработчика с опытом применения ML-технологий, который будет развивать и поддерживать процессы и сервисы рекомендаций, а также масштабировать их под новые сценарии.

Доработка рекомендаций
Рекомендации — это смесь экспериментов с ML-моделями, тяжёлых офлайн-расчётов и высоконагруженного рантайма с ML-моделями внутри. Наша команда занимается полным циклом работы со всеми задачами, связанными с рекомендациями: от аналитики и поиска идеи для улучшения сервиса до проведения A/B-теста и последующего релиза на прод.

Реализация NRT-фидбэка в рекомендациях
Продвинутые рекомендации могут на лету пересчитывать рекомендации для пользователя после совершённых им действий в приложении. Нам необходимо доработать инфраструктуру, ML-модели и сервис рекомендаций, чтобы научиться учитывать последние действия пользователя в приложении для перерасчёта рекомендаций.

Разработка рекомендаций для новых сценариев
Рекомендации реализованы не для всех слоёв приложения. Нужно провести ML-эксперименты и подготовить модели для кандидатогенерации и ранжирования, настроить офлайн-процессы и доработать онлайн-сервис для рекомендаций в трёх новых сценариях: в ленте поиска, в бесконечной ленте и в карусели категорий товаров.

Решение проблемы холодного старта
Мы активно выходим на международные рынки. Но при каждом новом запуске возникает проблема холодного старта: в новой стране Едадил ничего не знает про пользователей и товары, а Яндекс не имеет общей информации о профиле пользователя. Предстоит доработать алгоритм рекомендаций, чтобы успешно и быстро запускать приложение в условиях холодного старта.

• Хорошо знаете Python и SQL, пишете чистый код
• Разрабатывали системы рекомендаций и персонализации поиска
• Работали с большими данными, знакомы с парадигмой MapReduce
• Оптимизировали ML-модели и внедряли их в продакшн
• Строили автоматические пайплайны машинного обучения

• Занимались разработкой NLP- или CV-моделей
• Работали над ML-моделями в сфере фудтеха или e-commerce
• Имеете опыт разработки на C++