Senior Data Scientist

Ищем Senior DS в команду поиска Самоката на задачу ранжирования поисковых выдач. Фокус — L2-ранжирование, внедрение персонализации, переход к гибридному L1, A/B-эксперименты и работа с метриками качества поиска. Это самостоятельная роль с ответственностью за направление ранжирования.

Обязательные навыки

• Опыт от 3 лет в задачах ранжирования, поиска или рекомендательных систем в продакшене.
• Опыт обучения LTR-моделей на градиентном бустинге (XGBoost, LightGBM, CatBoost): кастомные функции потерь, работа с признаками под ранжирование, интерпретация моделей.
• Понимание двухуровневой схемы поиска (отбор кандидатов и реранкинг), метрик ранжирования и их компромиссов на разных этапах.
• Понимание типовых проблем ранжирования (смещения в кликовых данных, дрифты, feedback loop) и подходов к их решению.
• Понимание современных нейросетевых подходов в ранжировании (dense retrieval, нейронные реранкеры, sequence-модели) — применимость и компромиссы.
• Продакшен-качество Python-кода: модульность, тесты, читаемость, готовность к передаче MLE на продуктивизацию без переписывания.
• Самостоятельная разработка пайплайнов подготовки данных на PySpark и Polars — нетривиальные трансформации без помощи DA/DE.
• Понимание A/B-тестирования: устройство эксперимента, классы метрик (целевые, прокси, защитные, информационные), формирование набора метрик и ожидаемых эффектов до запуска.
• Умение разбирать ошибки модели, превращать их в продуктовые гипотезы и связывать метрики качества модели с метриками бизнеса и воронкой конверсии.
• Самостоятельность в работе с задачами высокой неопределённости: декомпозиция, оценка сроков, проактивное обсуждение рисков с командой.

Желательные навыки

• Опыт работы с поиском в e-commerce / e-grocery.
• Опыт построения гибридного поиска и dense retrieval; работа с ANN-индексами и метриками текстовой близости.
• Опыт с LLM-as-judge для оценки качества выдачи и автоматизации разбора ошибок.
• Опыт дистилляции LLM или cross-encoder-моделей в компактные модели для онлайн-инференса.
• Знакомство с бандитами (multi-armed, contextual) и их применением в ранжировании — для борьбы с feedback loop и поддержания exploration.
• Опыт офлайн-обучения ранжирующих моделей на кликовых данных и работы с debias-методами.
• Знакомство с FastAPI и asyncio — типовой стек ML-сервисов в команде.
• Готовность делиться экспертизой и помогать расти коллегам.