ML-инженер (рекомендательные системы, ALS/ANN)

О проекте:

Делаем персональные рекомендации в e-commerce на основе implicit-сигналов (просмотры/избранное/корзины/покупки) без ручных правил. Базовый retrieval — ALS + BM25/TF-IDF, быстрый поиск похожих — ANN (FAISS/HNSW), онлайн-сервис — FastAPI с p95 ≤ 150 мс и fill-rate ≥ 99%. Данные — ClickHouse (история событий, витрины), пайплайны — Kafka + Airflow. Цели — рост CTR/ATC/GMV и качественные оффлайн-метрики (Recall@K, NDCG@K).

Стек:

Python 3.11+, FastAPI, ClickHouse, Kafka, Airflow, Redis, FAISS/HNSWlib, CatBoost/LightGBM/XGBoost, (опц.) PyTorch/Sentence-Transformers, Prometheus/Grafana, Docker, GitLab CI/CD, (опц.) Kubernetes/Swarm, Superset, S3/MinIO.

Обязанности:

• Retrieval на ALS: подготовка взаимодействий, нормализация весов (BM25/TF-IDF), обучение implicit-ALS, публикация user_factors/item_factors в ClickHouse, сборка FAISS/HNSW индекса.
• Онлайн-инференс: FastAPI /recommend, объединение кандидатов (ALS/популярность/кластер-popular), фильтры сток/регион/квоты мерчанта, лёгкая диверсификация (MMR); контроль p95 и fill-rate.
• Данные и витрины: проектирование и поддержка витрин в ClickHouse (interactions, popularity, co-vis), инкрементальные DAG’и в Airflow, ingest через Kafka.
• Оффлайн-оценка и A/B: расчёт Recall@K/NDCG@K (time-split), дизайн и анализ A/B (SRM-чек, доверительные интервалы, CUPED), мониторинг CTR/ATC/RPS/GMV и guardrails (латентность, fill-rate, OOS-share).
• Производительность и надёжность: профилирование Python/SQL, оптимизация запросов/проекций в CH, метрики Prometheus/Grafana, алерты и фолбэки.

• 4+ лет разработки на Python 3.11+; уверенный async (asyncio/uvloop), тестирование и типизация.
• Практический опыт рекомендательных систем/ранжирования: CF (ALS/BPR), оффлайн-метрики (Recall@K, NDCG@K).
• Опыт построения ANN-поиска (FAISS/HNSW) и/или работы с эмбеддингами.
• Сильный SQL и ClickHouse: MergeTree/матвью/проекции, партиционирование, TTL; умение читать планы, считать быстро на объёмах.
• Продакшн-сервисы на FastAPI (REST), базовый Redis как кэш/фичестор.
• Потоки и ETL: Kafka, Airflow (идемпотентные DAG’и, мониторинг лагов).
• Понимание оффлайн↔онлайн консистентности фичей и практик A/B.

• Оформление по ТК РК.
• Медицинская страховка после испытательного срока
• График 5/2, плавающее начало дня, без дресс-кода.
• Обучение за счёт компании и постоянное развитие.
• Настольный теннис, PS5, тёплая атмосфера, сильная команда.
• Конкурентная заработная плата по итогам собеседования.
• Комфортный офис в верхней части города.

Будет плюсом:

• CatBoost/LightGBM/XGBoost в проде (калибровка, онлайновый скоринг).
• Кластеризация пользователей (KMeans/GMM) и cold-start стратегии (cluster-popular).
• Kubernetes/Helm, GitLab CI/CD, Superset; объектные хранилища (S3/MinIO).
• Применение LLM для обогащения каталога (нормализация атрибутов, генерация синонимов).