- Страна
- Россия
ML-исследователь генеративных моделей персонализации
Оценка ИИЭто топовая позиция в одной из лучших технологических компаний России. Работа над передовыми технологиями (LLM + RecSys) на огромных масштабах данных в сочетании с отличным соцпакетом делает вакансию максимально привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИРоль требует исключительных знаний в области Deep Learning, понимания архитектур LLM и опыта работы с Reinforcement Learning (GRPO). Высокая сложность обусловлена необходимостью совмещать научные исследования с инженерной оптимизацией для высоконагруженных систем.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИВ вакансии не указан точный уровень дохода, однако для позиций уровня Senior ML Researcher в Яндексе рыночные ожидания составляют от 450 000 до 700 000 рублей и выше, включая бонусы и опционы. Предложенные условия по бенефитам (чекапы, психотерапия) соответствуют премиальному сегменту рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
*❣️ ML-исследователь генеративных моделей персонализации*
Мы решаем задачу персонализации с помощью LLM-подобных технологий: переводим пользователей в специализированное пространство токенов и обрабатываем полученные последовательности с помощью генеративных моделей. Результаты работы нашей команды применяются во всех крупных рекомендательных системах Яндекса.
Какие задачи вас ждут:
• Оптимизировать архитектуру нейросетиМы постоянно развиваем архитектуру и рецепты обучения наших моделей, адаптируя последние индустриальные тренды. Наша задача — не только обеспечить высокое качество предсказания, но и выдерживать нагрузку, создаваемую многими миллионами пользователей Яндекса.
• Развивать алгоритмы токенизацииТокенизация в генеративных моделях персонализации — активно развивающаяся область. Она включает в себя построение семантических моделей, исследование алгоритмов квантизации, а также continuous learning.
• Исследовать Alignment с использованием RLМы строим алгоритмы, которые адаптируются под вкусы пользователей с использованием GRPO, обучаясь как на reward-модели, так и на прямом фидбэке.
• Интегрироваться в LLM в качестве новой модальностиМы исследуем не только модели генеративной персонализации, но и возможности их объединения с LLM, чтобы строить системы с уникальными свойствами: способностью следовать инструкциям и объяснять рекомендации.
Мы ждём, что вы:• Глубоко понимаете, как устроен современный DL с научной и инженерной точек зрения
• Командный игрок: готовы браться за широкий спектр задач, которые продвигают команду вперёд
• Следите за трендами в таких областях, как LLM, мультимодальность, RecSys
Почему у нас хорошо:Мы предоставляем полный набор, который поможет уберечься от тревожности и выгорания: ежегодные медицинские чекапы, йога и психотерапия. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Deep Learning
- LLM
- Reinforcement Learning
- RecSys
- Python
- PyTorch
- NLP
- Alignment
- Quantization
- Continuous Learning
Возможные вопросы на собеседовании
Вакансия упоминает использование GRPO для адаптации под вкусы пользователей.
Расскажите о принципе работы алгоритма GRPO и его преимуществах перед PPO в контексте Alignment моделей?
Команда работает над переводом пользователей в пространство токенов.
Какие подходы к токенизации пользовательских действий в RecSys вы считаете наиболее эффективными для последующей обработки генеративными моделями?
Упоминается необходимость выдерживать нагрузку миллионов пользователей.
Какие методы квантизации и оптимизации инференса LLM-подобных моделей вы применяли на практике для работы в real-time системах?
Задача включает интеграцию персонализации в LLM как новой модальности.
Как бы вы подошли к архитектурному решению задачи 'объяснимых рекомендаций' при интеграции RecSys-токенов в текстовую LLM?
Требуется опыт в Continuous Learning.
С какими основными проблемами (например, катастрофическое забывание) вы сталкивались при реализации Continuous Learning в продакшене и как их решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
