- Страна
- Россия
Разработчик качества поисковой платформы Nova (Core & Agentic Search)
Оценка ИИПрестижная компания, работа с передовыми технологиями (LLM, Agentic Search) и отличный социальный пакет. Вакансия предлагает масштабные задачи, влияющие на множество продуктов компании.
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 глубоких знаний в области NLP (LLM, BERT), опыта дистилляции моделей и уверенного владения алгоритмами. Работа в Яндексе над поисковыми технологиями подразумевает высокий уровень ответственности и техническую сложность задач.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в Яндексе для ML-специалистов такого уровня обычно соответствует верхней границе рынка или превышает её за счет бонусов и акций (RSU). Указанный диапазон отражает рыночные реалии для Senior ML-инженеров в крупных технологических компаниях России.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
*🔎 Разработчик качества поисковой платформы Nova (Core & Agentic Search)*
Привет! Я Лёша Забелин, руководитель службы блендинга. Мы строим платформу Nova, которая позволит десяткам поисков Яндекса запускаться и развиваться в разы быстрее. Ищу в команду человека, который не боится экспериментов, готов генерировать идеи и реализовывать их.
Алексей Забелин
Руководитель службы
В Яндексе существует множество вертикальных поисков, и у каждого из них своя логика ранжирования, метрики качества и интеграции с продуктами вроде Алисы. Мы хотим собрать из этого единую платформу поиска, где команды смогут описывать требования к релевантности и интеграциям декларативно, а инфраструктура будет автоматически строить ранжирование, evaluation и подключение к агентам.
Какие задачи вас ждут:
• Развивать платформу поиска для продуктовых командВы будете реализовывать ML-инфраструктуру, которую смогут использовать десятки команд внутри компании.
• Использовать LLM для построения ML-пайплайновМы применяем LLM для описания логики ранжирования, генерации обучающих данных и помощи в настройке моделей. Вам предстоит реализовать такие механизмы внутри платформы.
• Заниматься дистилляцией моделей ранжированияНужно будет превращать тяжёлые мощные модели в быстрые продакшн-модели, позволяющие соблюдать ограничения по латентности и не сильно уступающие в качестве учителю.
• Развивать систему метрик и evaluationВы будете создавать инфраструктуру для измерения качества поиска в разных вертикалях.
Мы ждём, что вы:• Обучали LLM или BERT-модели
• Уверенно владеете Python и работаете с SQL
• Увлечены ML, аналитикой и интеграцией моделей в реальные сервисы
• Хорошо разбираетесь в алгоритмах и структурах данных
Будет плюсом, если вы:• Работали с поиском или рекомендациями
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
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- LLM
- BERT
- NLP
- Machine Learning
- Algorithms
- Data Structures
- Model Distillation
Возможные вопросы на собеседовании
Проверка опыта оптимизации моделей для продакшена, что критично для поиска.
Расскажите о вашем опыте дистилляции моделей: какие методы вы использовали и как оценивали потерю качества относительно 'учителя'?
Вакансия предполагает работу с LLM для генерации данных и логики.
Как бы вы организовали процесс автоматической генерации обучающих данных с помощью LLM для специфической вертикали поиска?
Поиск требует высокой скорости ответа.
Какие подходы вы применяете для соблюдения жестких ограничений по латентности при внедрении тяжелых ML-моделей в продакшн?
Важная часть задач — создание системы метрик.
Как вы подходите к выбору метрик качества для оценки релевантности поиска в условиях отсутствия явной разметки?
Проверка фундаментальных знаний.
Реализуйте алгоритм эффективного объединения (merging) нескольких отранжированных списков из разных источников.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
