- Страна
- Россия
ML / Recsys Engineer в Персональные рекомендации
Оценка ИИОтличная вакансия в топовом российском бигтехе с возможностью работать над продуктом огромного масштаба. Использование современных технологий (SOTA) и разнообразие задач (от главной страницы до медиа-сервисов) делают роль очень привлекательной 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 ИИВысокая сложность обусловлена необходимостью глубоких знаний в области RecSys и DL, а также опытом работы с высоконагруженными системами (SOTA подходы, выкатка в production). Требуется не только знание библиотек, но и понимание сложных архитектур вроде HSTU и DCN-v2.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана, однако для ML-инженера с опытом от 3 лет в крупных российских технологических компаниях (уровня Senior) рыночные предложения обычно находятся в диапазоне 350 000 – 550 000 рублей. Wildberries традиционно предлагает конкурентоспособные условия, соответствующие верхним границам рынка.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
ML / Recsys Engineer в Персональные рекомендации
Компания: Wildberries
*🔹*Что нужно делать
-Разрабатывать и развивать алгоритмы, которые формируют ленту рекомендаций на Главной странице Wildberries для каждого пользователя с учётом его контекста (история действий, время суток, устройство, сезонность и тд.);
-Внедрять и тестировать различные стратегии ранжирования — от классических (матричная факторизация, градиентный бустинг) до нейросетевых подходов (two‑tower модели, трансформеры);
-Настраивать отдельные модели и стратегии для других зон маркетплейса, а также развивать медиа рекомендации в Wibes и WB Книги;
-Участвовать в ранжировании поисковой выдачи и каталога, добавлять персонализированные сигналы в алгоритмы;
-Развивать профиль пользователя и фичи таргетинга для быстрого применения персонализации в различных сценариях (скидочные акции, пуш-уведомления, email‑рассылки).
*🔹*Какой опыт и знания нужны
-Опыт работы в направлении ML от 3х лет;
-Знание классического ML, DL;
-Понимание, как устроены рекомендательные системы;
-Опыт разработки рекомендательных систем;
-Хорошее знание алгоритмов и структур данных;
-Знание и умение применять для ML стек Python (Polars, Pandas, Sklearn, Numpy, Scipy, XGBoost/LightGBM/Catboost), а также SQL;
-Опыт обучения моделей, которые работают в продуктах для массовой аудитории и приносят пользу;
-Знание современных архитектур и желание развивать SOTA подходы к рекомендациям и ранжированию (OneRec, HSTU, DCN-v2);
-Опыт выкатки моделей в production.
Python Job в Telegram | в VK | в Max
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Polars
- Pandas
- Scikit-learn
- NumPy
- SciPy
- XGBoost
- LightGBM
- CatBoost
- Deep Learning
- Machine Learning
- Recommendation Systems
- Ranking
- Transformers
Возможные вопросы на собеседовании
Проверка понимания фундаментальных основ рекомендательных систем.
Расскажите о преимуществах и недостатках Two-Tower моделей по сравнению с классической матричной факторизацией в контексте Wildberries.
Оценка практического опыта работы с современными архитектурами, упомянутыми в вакансии.
В каких случаях архитектура DCN-v2 показывает лучшие результаты, чем стандартный MLP для задач ранжирования?
Проверка навыков работы с данными и фичами, критически важными для маркетплейса.
Как бы вы решали проблему холодного старта для новых товаров в ленте рекомендаций на главной странице?
Оценка инженерных навыков и понимания жизненного цикла модели.
Опишите ваш процесс мониторинга качества рекомендательной системы в продакшене: какие метрики (бизнес и ML) вы бы отслеживали в первую очередь?
Проверка алгоритмической подготовки.
Как эффективно реализовать поиск ближайших соседей (ANN) в пространстве эмбеддингов для миллионов товаров в реальном времени?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
