- Страна
- Россия
Руководитель группы ML-сигналов в Поиск
Оценка ИИЭто одна из самых престижных позиций в российском BigTech, предлагающая работу над ключевым продуктом компании с использованием передовых технологий (LLM). Отличный соцпакет и возможность влиять на опыт миллионов пользователей.
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 сочетания сильных управленческих навыков (команда 4–6 человек) и глубокой технической экспертизы в LLM и DL. Высокая планка Яндекса к качеству поиска и работе с высоконагруженными системами делает отбор крайне строгим.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЯндекс предлагает конкурентную зарплату, которая для позиций уровня Lead в ML обычно находится в верхнем квартиле рынка, дополняясь значительными бонусами и опционами.
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
*❤️ Руководитель группы ML-сигналов в Поиск*
Поиск — сердце Яндекса. Его качество во многом определяется ранжированием — способностью выбрать из огромного числа документов те, которые лучше всего помогут пользователю или агенту решить задачу.
LLM позволяют создавать более точную разметку, быстрее проверять гипотезы и заметно повышать качество моделей. Следующий шаг — масштабно внедрить LLM-разметку в задачи, решаемые в ранжировании Поиска:
• Понимать намерение пользователя
• Оценивать полезность документа для конкретного запроса
• Определять авторитетность источника, достоверность и качество информации
Ищем технического лидера, который возглавит это направление.
Какие задачи вас ждут:
• Управление командойВы будете руководить командой из 4–6 человек: ставить масштабные цели, декомпозировать их в задачи, договариваться со смежными командами о совместной работе, контролировать весь процесс от постановки задачи до внедрения в продакшен.
• Обучение моделей и работа с даннымиВам с командой предстоит превращать данные, размеченные с помощью LLM, в датасеты для разметки ML-моделей, использующихся на различных этапах ранжирования. В зависимости от моделей это может быть как создание отдельных корпусов синтетических данных, так и полноценное дообучение открытых и внутренних LLM.
• Создание пайплайнов для оценки обученных моделейВсе наши модели работают в реальных продуктах, которыми пользуются миллионы людей ежедневно. Поэтому они должны проходить многостороннюю оценку, чтобы поддерживать высокое качество работы в различных сценариях.
Мы ждём, что вы:• Управляли командой ML/DL-разработчиков
• Обучали DL-модели и внедряли их в продакшен
• Готовы работать руками, создавая прототипы и проверяя гипотезы
Будет плюсом, если вы:• Работали с высоконагруженными системами и делали модели для них
• Работали в кросс-функциональных командах
Почему у нас хорошо:Наше ДМС поможет предотвратить болезни: в него входят регулярные чекапы и вакцинация. Это не все бонусы — полный список тут.
*📩* Откликнуться на нашем сайте
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- ML
- DL
- LLM
- NLP
- Python
- High Load
Возможные вопросы на собеседовании
Проверка управленческого опыта и умения работать с людьми.
Расскажите о самом сложном кейсе управления командой ML-разработчиков: как вы ставили цели и решали конфликты приоритетов?
Оценка технического видения в области LLM-разметки.
Как бы вы организовали процесс фильтрации и контроля качества синтетических данных, сгенерированных LLM, перед их использованием для обучения ранжирующих моделей?
Проверка понимания специфики поиска и ранжирования.
Какие метрики, помимо стандартных точности и полноты, вы бы использовали для оценки влияния новых ML-сигналов на итоговое качество поиска?
Оценка опыта работы с продакшен-системами.
С какими основными проблемами производительности вы сталкивались при внедрении тяжелых DL-моделей в высоконагруженные сервисы и как их решали?
Проверка готовности к практической работе (hands-on).
Опишите ваш последний опыт создания прототипа ML-решения: какую гипотезу вы проверяли и какой стек технологий использовали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
