Data Scientist, Ранжирование поиска (удаленная работа)

Вакансия: Data Scientist, Ранжирование поиска

Описание вакансии

Наша команда занимается разработкой сервисов для поиска на сайте Ozon: находим и ранжируем товары, формируем поисковые подсказки, исправляем опечатки.

Общие задачи:

Глобально- это улучшение моделей поиска: добавление новых признаков, изменение логики ранжирования (как пример - уменьшение среднего времени доставки заказанного товара), улучшение Unit-экономики за счет оптимизации соответствующих метрик. Улучшение качества ранжирования в отдельных категориях / разделах сайта, технические задачи, связанные с архитектурой расчета и обновления признаков, тестиования различных типов моделей и другое.

Наш стек:

• Python, Pyspark, Clickhouse, Airflow, Mlflow.

Вам предстоит:

• Решать сложные глобальные задачи поиска, такие как cold start, unbiased learning, персонализация поисковой выдачи, сезонность в ранжировании и другие.

• Улучшать алгоритмы поиска товаров в Озоне.

• Делать ранжирование более качественным в отдельных разделах Озона - fresh, одежда, другие разделы.

• Писать на pyspark новые фичи, собирать датасеты, обучать модели.

• Ставить A/B тесты разных алгоритмов поиска, детально анализировать результаты проведенных тестов.

• Решать важные продуктовые задачи, делать выдачу более качественной для пользователей.

• В команде сейчас 6 человек. Мы отвечаем за весь pipeline сбора данных, обучение моделей ранжирования, проведение и анализ новых экспериментов. Работаем по Agile с двухнедельными спринтами.

Мы ожидаем:

• Опыт работы в Data Science от 3х лет.

• Уверенные теоретические знания ML.

• Сильный Python.

• Уверенное знание hadoop - стека, опыт работы с большими данными.

Как плюс:

• Опыт работы с рекомендательными системами или NLP.
• Опыт работы с высоконагруженными системами.
• Опыт дизайна и проведения AB тестов.

Мы предлагаем:

• В первую очередь интересные задачи. Примеры проблем, с которыми борется наша команда: "холодный старт" товаров и запросов (как понять, куда поставить товар в выдаче, когда у нас нет по нему статистики); позиционный и другие bias в ранжировании (товары, которые стоят выше, видят чаще, поэтому у них больше "хорошей" статистики); релевантность vs заказы (зачастую люди покупают мелочевку и аксессуары, но хотят видеть в топе основные и дорогие товары); предсказание категории, типа товара и других сущностей по тексту запроса.
• Динамичный и быстроразвивающийся бизнес, ресурсы, возможность сделать вместе лучший продукт на рынке e-commerce.
• Свободу действий в принятии решений.
• Достойный уровень заработной платы.
• Профессиональную команду, которой мы гордимся.
• Возможность развиваться вместе с нашим бизнесом.