- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data scientist Персонализация
Оценка ИИИзвестный бренд с современным стеком технологий и понятными задачами в области рекомендательных систем. Удаленный формат работы и работа над продуктом с большой аудиторией делают вакансию очень привлекательной.
Сложность вакансии
Оценка ИИРоль требует уверенного владения PySpark и опыта реализации полного цикла ML-моделей (от ETL до деплоя). Ожидается глубокое понимание алгоритмов ранжирования (L2R) и статистики.
Анализ зарплаты
Оценка ИИВ вакансии не указана зарплата, но для уровня Middle/Senior Data Scientist в крупном российском ритейле рыночные вилки составляют от 250 000 до 450 000 рублей. Предложение, скорее всего, будет соответствовать рынку Москвы.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Золотое Яблоко уже сейчас
Присоединяйтесь к команде «Золотого Яблока» и создавайте персонализированный опыт для миллионов пользователей!
Описание вакансии
Data scientist Персонализация
Компания: Золотое Яблоко
*🔹*ЧТО НУЖНО ДЕЛАТЬ:
-Разрабатывать ML-модели персонализации контента на Главной странице сайта и мобильного приложения
-Разрабатывать алгоритмы для наполнения полок в карточке товара (комплементарные товары, похожие товары)
-Обучать и внедрять модели ранжирования поисковой и каталожной выдачи
-Писать ETL на PySpark ETL для сбора признаков
-Внедрять оценку эффективности рекомендаций
*🔹*ЧТО ЖДЕМ ОТ КАНДИДАТА:
-Есть практический опыт полного цикла реализации рекомендательного алгоритма (от построения ETL-процессов до продуктивизации через оркестратор или сервис)
-Уверенные знания подходов к решению классических ML-задач, Learning2Rank и понимание базовых принципов обучения нейросетевых моделей
-Опыт работы с распределенными системами обработки данных (ex. Spark)
-Владение базой по теории вероятности и статистике
Python Job в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Machine Learning
- Statistics
- PySpark
- Apache Spark
- ETL
- Neural Networks
- Probability Theory
- Learning-to-Rank
Возможные вопросы на собеседовании
Вакансия сфокусирована на персонализации, поэтому важно понимать, как кандидат выбирает метрики для оценки качества рекомендаций.
Какие офлайн-метрики (например, nDCG, MRR) и онлайн-метрики вы бы использовали для оценки эффективности рекомендаций на главной странице?
В описании указан PySpark, что критично для обработки больших данных в ритейле.
Расскажите о самом сложном ETL-процессе, который вы оптимизировали на PySpark. С какими проблемами производительности вы сталкивались?
Упоминается задача ранжирования поисковой выдачи.
Какие подходы в Learning to Rank (Pointwise, Pairwise, Listwise) вы применяли и в чем их основные различия?
Работа с комплементарными и похожими товарами требует понимания специфики товарных рекомендаций.
Как бы вы решали проблему «холодного старта» для новых товаров в системе рекомендаций?
Требуется опыт продуктивизации моделей.
