ML-разработчик в Рекламу

Яндекс Реклама — это огромная высокотехнологичная высоконагруженная система, которая позволяет рекламодателям продвигать объявления, площадкам — монетизироваться, пользователям — видеть релевантную рекламу, ну и, конечно, генерирует прибыль Яндексу. В рекламе работает большое количество нейронных сетей. Мы улучшаем их, внедряем современные архитектуры и видим, как наши модели приносят компании реальную пользу!

Что предстоит делать:
Большие данные и SOTA-модели

Чтобы добиться максимального качества, мы используем тяжёлые трансформерные архитектуры и обучаем их на петабайтах данных. В процессе экспериментов мы не просто исследуем архитектуры из статей и проверяем факторы, но и задумываемся об оптимизации. В рекламную сеть Яндекса ежесекундно приходят десятки и сотни тысяч запросов — и нужно очень быстро подбирать релевантные рекламные объявления. Внедрённые ARGUS (авторегрессивный трансформер над историей пользователя), DeepRanker (нейроранжирование), VibeNet (модель с эмбеддами на 2 Tb), а также находящиеся в работе (например, проекты с end2end-моделями или SemanticID) показывают, насколько крутые и современные модели мы разрабатываем и успешно внедряем, даже несмотря на огромный RPS.

ML-системы и продакшен-код

Вам предстоит работать с полным циклом создания ML-модели: от сбора логов и обучения до внедрения в продакшен. В том числе вы станете взаимодействовать с различными сервисами рекламы и писать код, который будет применяться в реалтайме и принесёт реальную пользу!

Прикладные исследования

Мы следим за трендами, поэтому не только внедряем модельки, но и занимаемся как фундаментальными исследованиями в области рекомендательных систем, так и прикладными исследованиями для конкретного рекламного домена. Результаты наших исследований действительно заметны и приносят пользу: мы чётко понимаем, насколько сильно улучшаем рекламные продукты.

Больше об ML в Яндексе — в канале Yandex for ML

Требования:
• Отлично знаете математику
• Понимаете основные принципы ML
• Понимаете принципы глубинного обучения и работали с ним
• Применяли PyTorch или TensorFlow
• Интересуетесь трендами рекомендательных систем (RecSys) и знакомы с современными статьями и SOTA-архитектурами
• Знаете основные принципы и архитектуры RecSys

Будет плюсом:
• Глубоко знаете NLP (Natural Language Processing) и Deep Learning
• Занимались распределённым обучением нейросетей
• Знаете C++ на экспертном уровне