ML-разработчик в ранжирование Яндекс Еды

Яндекс Еда — сервис доставки из ресторанов и магазинов с миллионами пользователей и заказов. Для машинного обучения это означает работу с большими данными, быструю проверку гипотез в A/B-тестах и обработку данных в реальном времени под нагрузкой.

Наша команда занимается алгоритмической и ML-составляющей ранжирования. Мы определяем порядок отображения:

• ресторанов — на главной странице;
• блюд — как внутри ресторана, так и на блюдоцентричных поверхностях;
• ресторанов и магазинов вместе — в тех местах, где вертикали пересекаются (например, в поиске);
• подборок заведений для офлайна (в разделе «Сходить»).

От наших моделей зависит, какие позиции пользователь увидит первыми и что в итоге закажет. В работе мы используем как классические методы ML, так и нейросетевые подходы.

Какие задачи вас ждут

Цикл ML-проекта
Вы будете преобразовывать бизнес-требования в ML-задачи, собирать пайплайн, обучать и проверять модель, внедрять её в реалтайм-сервис и тестировать с помощью A/B-теста.

Развитие продукта
Вам предстоит искать точки роста, предлагать и отстаивать свои идеи, а также запускать рекомендации на новых поверхностях и вертикалях. При этом нужно не только ранжировать по предпочтениям, но и учитывать доступность и загрузку ресторана, скорость и стоимость доставки, а также балансировать органику с рекламным продвижением.

Работа со смежниками
Вам нужно будет сотрудничать с продуктовыми командами, аналитиками и MLOps — решать общие задачи, проводить совместные эксперименты и защищать результаты.

Больше об ML в Яндексе — в канале Yandex for ML

Мы ждём, что вы

• Разрабатывали на Python или C++
• Хорошо знаете методы анализа данных и ML и применяли их на практике
• Готовы вести решение от обработки данных до внедрения в продакшен

Будет плюсом, если вы

• Делали рекомендательные системы или поиск
• Работали с высоконагруженными реалтайм-системами

Больше о команде

Над чем мы работаем сейчас

• Дискавери на главной. Историю заказов уже закрывает отдельная карусель, но и на остальных поверхностях главной пользователь встречает в основном знакомые ему рестораны. Хотим, чтобы эти поверхности открывали новое — места, где человек ещё не заказывал, но закажет.
• Блюдоцентричное ранжирование. Учимся ранжировать не рестораны, а сами блюда — на поверхностях вне карточки ресторана.
• Общий поиск Еды. Ищем баланс между семантической релевантностью и бизнес-метриками.
• Ядро ранжирования. Новые факторы и новые архитектуры — сквозная задача для всех поверхностей сразу.

Что у нас есть

• Стек: Python, C++, SQL.
• Инфраструктура Яндекса: общие фреймворки, собственная A/B-платформа и вычислительные мощности.

Узнайте про разработку Городских сервисов Яндекса на dev.go.yandex.