- Страна
- Россия
Аналитик-разработчик в группу аналитики поисковых технологий
Оценка ИИЯндекс — топовый работодатель с сильной инженерной культурой и отличным соцпакетом. Работа над поисковыми технологиями в E-com — это масштабные задачи и работа с передовым стеком (ML, GPT).
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует сильной математической базы (статистика, тервер) и навыков работы с Big Data. Дополнительную сложность придает необходимость понимания ML-процессов и работы с GPT-разметкой.
Анализ зарплаты
Оценка ИИЯндекс обычно предлагает зарплаты на уровне или чуть выше медианы рынка для Senior/Middle+ специалистов, дополняя их значительным пакетом бонусов и опционов. Указанные рыночные оценки соответствуют уровню сложности задач в Big Data аналитике.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Откликнитесь в Яндекс уже сейчас
Присоединяйтесь к команде Яндекса и развивайте технологии поиска в крупнейшем E-com проекте страны!
Описание вакансии
*❣️ Аналитик-разработчик в группу аналитики поисковых технологий*
Привет! Меня зовут Никита, я руковожу группой аналитики поисковых технологий в Екоме. Наша команда занимается аналитикой ML- и инфраструктурных технологий, которые лежат в сердце Яндекс Поиска. От аналитики правильности зависит базовое качество нашего продукта и пользовательский опыт взаимодействия с ним.
Никита Симаков
Руководитель группы
В рунете больше 100 млн товаров, а также более 20 млрд предложений об их продаже. 10% товаров меняют какую-либо из своих характеристик в течение суток. Ищем специалиста, который будет заниматься аналитикой правильности еком-товаров.
Какие задачи вас ждут:
• Выстраивание системы метрикОт качества метрик зависит, что в итоге выучат ML-модели и в какую сторону будет двигаться продукт. Мы используем систему офлайн- и онлайн-метрик. Предстоит улучшать эту систему, а для этого нужно понять, где её область применения, какие у неё недостатки и как их исправить.
• Сбор офлайн-метрик качества базыВам предстоит собирать learn-датасет для ML-моделей и формировать метрики их качества. Для этих задач мы используем краудсорсинг и GPT-разметку.
• Приоритизация задач правильностиРешить задачу правильности для всей товарной базы — проблема сложная. Очень много категорий товаров и нюансов — чтобы учесть их все, нужны большие ресурсы. Но есть более важные срезы и задачи, и команде аналитики нужно определять приоритетность.
Мы ждём, что вы:• Работали с большими объёмами событийных данных и логами сервисов
• Уверенно владеете Python и SQL
• Знаете статистику и тервер
• Самостоятельно разбираетесь в данных, находите проблемы качества и причины аномалий
Будет плюсом, если вы:• Участвовали и побеждали в олимпиадах по математике, физике, программированию
• Работали с архитектурой аналитических данных продукта (собирали DWH, витрины)
• Знаете основы ML
Что мы предлагаем:Наше ДМС поможет предотвратить болезни: в него входят регулярные чекапы и вакцинация. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Statistics
- Probability Theory
- Machine Learning
- DWH
- Big Data
- LLM
Возможные вопросы на собеседовании
Вакансия подразумевает работу с качеством данных для ML-моделей.
Как бы вы спроектировали систему офлайн-метрик для оценки качества распознавания характеристик товаров?
Упоминается работа с большими объемами событийных данных.
Расскажите о вашем опыте оптимизации сложных SQL-запросов при работе с терабайтными логами.
В задачах указано использование GPT-разметки.
Какие риски вы видите при использовании LLM для формирования обучающих датасетов и как их минимизировать?
Требуется знание статистики.
Как проверить значимость изменений в метриках качества поиска, если распределение данных не является нормальным?
Одна из задач — приоритизация.
