ML Engineer (Recommendation Systems) — Флаувау

Сейчас в наше направление по разработке платформы данных ищем ML Engineer (Recommendation Systems), который будет развивать рекомендательные системы и поможет нам перейти от rule-based решений к ML.

Рекомендации сейчас работают на rule-based baseline в проде; следующий шаг — перейти к ML и построить полноценный цикл экспериментов вокруг них.

Задача нетиповая, и это стоит понимать до отклика. Ассортимент, который видит пользователь, определяется геозоной доставки и наличием товара у конкретного локального мерчанта. Каталог обновляется быстро, товар скоропортящийся, холодный старт по SKU — нормальный режим работы, а не краевой случай. Персональной истории мало: подарки покупают несколько раз в год. Маркетплейс двусторонний — релевантность покупателю приходится балансировать с экономикой мерчантов.

Первые три месяца:

• разобраться в текущем baseline и данных, найти, где реально теряется качество;

• спроектировать и наладить пайплайн обучения и инференса моделей;

• сформировать рабочий цикл ML-экспериментов: офлайн-валидация → A/B на боевом трафике → решение по результату эксперимента.

Дальше, по мере зрелости системы:

• Приоритет №1 на ближайший год остаётся за рекомендациями: качество ранжирования, персонализация, работа с холодным стартом.
• Параллельно будет расти платформенная часть — feature store, фреймворк экспериментов, мониторинг моделей.
• В перспективе есть направления CV (классификация товаров, поиск по изображению) и прогнозирования спроса.

• ориентировочно от 4 лет опыта в production ML в рекомендациях, поиске или ранжировании с участием в полном цикле разработки – от обучения моделей до запуска в продакшен;

• опыт разработки современных RecSys-моделей и их запуска в продакшен с измеримым влиянием на продуктовые и бизнес-метрики;

• A/B-тесты: сами дизайнили, запускали, анализировали (не только читали результаты);

• автономность: можете спроектировать систему от идеи до production без ежедневного надзора.

Технические навыки:

• Python (production-grade код);

• PyTorch или TensorFlow (реально обучали модели, не только inference);

• SQL (сложные аналитические запросы) для сбора и подготовки данных;

• Linux, Git, Docker.

Инженерное мышление:

• умеете обосновать, где нужна модель, а где достаточно эвристики — в обе стороны;

• проговариваете trade-offs: latency против качества, сложность против поддерживаемости;

• валидируете результат так, чтобы ему можно было верить;

• готовы читать чужой код на незнакомом языке и договариваться о контрактах между командами.

Большим плюсом будет:

• мультимодальные эмбеддинги (CLIP/SigLIP-подобные), работа с контентными представлениями товара;

• Vector databases: Qdrant, Milvus, Pinecone;

• Feature stores: Feast, Tecton;

• MLOps: MLflow, experiment tracking, model registry;

• Causal inference, uplift, интерливинг;

• Kubernetes, cloud (Yandex Cloud / AWS);

• знание e-commerce домена: маркетплейсы, двусторонние рынки, ограничения предложения.

Забота и любовь

Наш продукт основан на желании людей радовать друг друга и быть вместе. Пока любовь жива, у Flowwow будут пользователи.

Развитие и рост

Flowwow быстро развивается и с радостью поддерживает инициативы сотрудников.

Культура взаимопомощи

У нас работают люди, вовлеченные в процесс и небезразличные к тому, что они делают.

Открытость к изменениям

Каждый может проявлять инициативу, предлагать и быстро видеть свой вклад в общий успех.

Благотворительность

Одна из целей Flowwow — помогать людям. Нас объединяют социальная ответственность и готовность участвовать в специальных благотворительных мероприятиях.