ML Engineer (offline recommendations)

Чем нужно будет заниматься:

• Разработка и развитие офф-лайн музыкальных и не музыкальных (книги/подкасты) рекомендательных сценариев на основе классического ML и DL
• Создание новых фичей приложения - например обновляемая "лента" плейлистов, бесконечные воспроизведения по треку и артисту, плейлисты под жизненные ситуации
• Внедрение разработанных решений в продакшен, включая интеграцию с существующими системами
• Полный цикл мониторинга и поддержки внедренных решений
• Анализ качества рекомендаций, поиск проблемных зон и проведение A/B тестов для оценки эффективности сценариев

Требования:

• Техническое образование
• Опыт работы в области Data Science / Machine Learning от 3 лет
• Опыт разработки рекомендательных систем от 1 года
• Опыт реализации и внедрения моделей машинного обучения в продакшен
• Уверенное знание алгоритмов машинного обучения, включая глубокое понимание рекомендательных систем (RecSys)
• Способность самостоятельно исследовать новые подходы в ML, читать научные статьи на английском и воспроизводить их на практике
• Владение Python 3 на уровне разработчика
• Опыт работы с библиотеками и фреймворками: Для рекомендательных систем: Implicit, LightFM, RecTools, RecBole Для глубокого обучения: PyTorch, SAS4Rec Для классического ML: CatBoost, Scikit-learn Для работы с данными: SQL, PySpark, Pandas, Polars Для инфраструктуры: HDFS, Docker, Airflow, Kubernetes, Redis, FastAPI Для поиска ближайших соседей (ANN): Qdrant/OpenSearch или аналоги
• Для рекомендательных систем: Implicit, LightFM, RecTools, RecBole
• Для глубокого обучения: PyTorch, SAS4Rec
• Для классического ML: CatBoost, Scikit-learn
• Для работы с данными: SQL, PySpark, Pandas, Polars
• Для инфраструктуры: HDFS, Docker, Airflow, Kubernetes, Redis, FastAPI
• Для поиска ближайших соседей (ANN): Qdrant/OpenSearch или аналоги

Опыт работы с библиотеками и фреймворками:

• Для рекомендательных систем: Implicit, LightFM, RecTools, RecBole
• Для глубокого обучения: PyTorch, SAS4Rec
• Для классического ML: CatBoost, Scikit-learn
• Для работы с данными: SQL, PySpark, Pandas, Polars
• Для инфраструктуры: HDFS, Docker, Airflow, Kubernetes, Redis, FastAPI
• Для поиска ближайших соседей (ANN): Qdrant/OpenSearch или аналоги

Будет плюсом:

• Опыт работы с музыкальными рекомендациями
• Опыт работы с распределенными вычислениями и большими данными