Разработчик ML в команду контент-системы товарного поиска (ML-склейка)
Компания: Яндекс
Локация: Москва
О компании
Яндекс — одна из крупнейших IT-компаний в России, известная своими поисковыми и интернет-сервисами. Бизнес-группа поиска Яндекса занимает важную роль в структуре компании, предоставляя пользователям высококачественные результаты поиска по разным категориям, в том числе товарам. Яндекс разработал различные инструменты и технологии, помогающие пользователям находить нужные товары в десятках тысяч интернет-магазинов.
Ключевые факты:
- Каждый пятый запрос касается товарного поиска, что составляет 40% прибыли.
- В базе компании находится миллиарды товаров, что требует разработки современных ML-моделей для их обработки.
- Яндекс активно работает над внедрением ИИ-консультантов для повышения качества поиска товаров.
О вакансии
Наша команда в Яндексе занимается развитием технологий для товарного поиска, обеспечивая качество структуры товарной базы. Мы создаем карточки товаров и интегрируем предложения от интернет-магазинов, чтобы помочь пользователям находить лучшие цены и наиболее выгодные предложения по доставке.
Сейчас мы работаем над внедрением ИИ-консультанта, который будет сравнивать товары по характеристикам. Для этого нам нужны решения, способные обрабатывать данные о миллиардах товаров быстро и эффективно.
Чем предстоит заниматься:
- Обучение и внедрение ML-моделей в конечные продукты.
- Дообучение YandexGPT для генерации контента и классификации.
- Кластеризация и обработка больших объемов данных о товарах.
- Изучение и применение современных подходов в области ML.
- Поиск оптимального баланса между качеством и скорость работы моделей.
Что мы предлагаем:
- Работа в команде профессионалов над передовыми технологиями.
- Участие в интересных проектах, касающихся товарного поиска и ИИ.
Обязанности
- Обучение ML-моделей и их внедрение в продукт
- Дообучение моделей YandexGPT для генерации контента и классификации
- Кластеризация большого числа товаров
- Выполнение полного цикла работы от сбора данных до внедрения моделей
- Исследование новых подходов в ML и предложения по улучшению моделей
- Определение trade-off между качеством моделей и скоростью их работы