- Страна
- Россия
ML-разработчик в Яндекс Заботу
Оценка ИИЯндекс — топовый работодатель с сильной инженерной культурой и интересными задачами на стыке ML и финтеха. Работа с данными всей экосистемы дает огромные возможности для профессионального роста.
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 ИИПозиция требует уверенных знаний классического ML и умения работать с 'грязными' данными и неоднозначными таргетами. Процесс отбора в Яндекс традиционно включает несколько этапов технических интервью по алгоритмам и ML-секциям.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для Middle ML-специалистов в Яндексе обычно соответствует верхней границе рынка, учитывая совокупный доход с учетом премий и опционов. Указанный диапазон отражает текущие рыночные реалии для опытных разработчиков в Москве.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Яндекс
ML-разработчик в Яндекс Заботу
Опыт работы: от 3 лет
Формат работы: офис или гибрид
*☑️* Чем предстоит заниматься
-Дистрибуция страховых продуктов. Предстоит развивать модели отбора пользователей, которым может быть актуален конкретный страховой продукт. Среди ближайших задач — улучшение дистрибуции ОСАГО и КАСКО, а также перенос подхода на новые продукты. Работа включает формулирование продуктовых гипотез, поиск релевантных сигналов в разных сервисах Яндекса, построение интерпретируемых моделей и проверку качества отбора в продуктовых экспериментах
-Риск-скоринг. Вы будете развивать модели оценки страхового риска для КАСКО, ОСАГО и других продуктов. Основные сложности — небольшое количество подтверждённых страховых случаев, неполная разметка и необходимость проверять сигналы на независимых источниках данных. У нас уже есть базовые модели и архитектура пайплайна: нужно будет улучшать признаки и валидацию, следить за качеством текущих решений и адаптировать подход к новым продуктам
-Данные и ML-пайплайны. В обоих направлениях значительная часть работы связана с данными: нужно договариваться с командами — владельцами источников, собирать выборки и признаки, проверять их покрытие и качество, добавлять новые блоки в существующие пайплайны и анализировать результаты A/B-тестов
*☑️* Наши пожелания к кандидатам
-Уверенно владеете Python и SQL
-Имеете хорошую базу в классическом ML, работали с табличными данными
-Понимаете принципы корректной валидации, временных разбиений и возможных утечек
-Умеете самостоятельно вести ограниченный исследовательский или продуктовый трек: от постановки гипотезы до выводов и следующего шага
-Готовы работать с неполными данными и неоднозначными таргетами
-Способны понятно объяснять продуктовой команде логику модели, допущения и ограничения
-Критически относитесь к данным, метрикам и результатам
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Machine Learning
- A/B Testing
- Data Analysis
- Risk Scoring
Возможные вопросы на собеседовании
Проверка понимания специфики работы с временными рядами и предотвращения переобучения.
Как вы организуете валидацию модели, если данные имеют временную структуру, чтобы избежать утечки данных из будущего?
Актуально для задач риск-скоринга, где страховые случаи происходят редко.
Какие методы вы используете для работы с сильно несбалансированными классами, когда целевое событие встречается крайне редко?
В описании указано, что нужно объяснять логику модели бизнесу.
Как вы обеспечиваете интерпретируемость моделей градиентного бустинга для продуктовых менеджеров?
Проверка навыков работы с данными в экосистеме Яндекса.
Расскажите о вашем опыте проектирования ML-пайплайнов: как вы обеспечиваете качество признаков на этапе сбора данных?
Важно для оценки эффективности внедренных моделей.
Как правильно рассчитать размер выборки для A/B-теста при внедрении новой модели дистрибуции страхового продукта?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
