Программист-разработчик (ML) в ВКонтакте

Умная лента — первое, что видит пользователь, когда открывает приложение ВКонтакте. 100 миллионов пользователей каждый месяц заходят в наш сервис за новостями, публикациями и мемами. Наши задачи покрывают обширную часть рекомендательных систем. Так одна из наших задач — найти для каждого пользователя самый интересный контент среди всех его подписок, а также порекомендовать что-то новое среди всего остального контента на площадке. Другая задача — подготовить финальный вид ленты ВКонтакте, объединив в единый стрим разные типы контента и рекламу, подбирая при этом трейдофф между вовлеченностью пользователей и заработанными деньгами. Всё это возводится в степень больших данных и высоких QPS: если матричные факторизации, то распределённые; если модели ранжирования, то эффективные. Ищем ML-инженера, который усилит нашу команду. Один из самых высоконагруженных проектов рунета. В сутки у нас бывает до 30 релизов и 125 миллиардов запросов к API. Всё это вытягивает небольшая команда разработчиков, где каждый — суперпрофессионал, который нашёл интересные для себя задачи. Задачи: проектировать и создавать real-time логику вокруг ML на Java — собирать данные для обучения, извлекать признаки, применять модели ранжирования и рекомендаций и многое другое;; писать алгоритмы работы с большими данными в MapReduce-парадигме — от простых механизмов сбора датасетов до сложных алгоритмов факторизаций для сотен миллионов пользователей;; растить продуктовые метрики платформы через ML алгоритмы — понимать связь оффлайн и онлайн метрик;; заниматься другими задачами, которые сделают наших пользователей счастливее. Требования: опыт в роли ML-инженера в одной из перечисленных выше областей Machine Learning от трёх лет;; фундаментальные знания статистики и computer science;; готовность выходить за рамки, исследовать и предлагать.

Секреты цифровой доступности Как попасть в команду проектировать и создавать real-time логику вокруг ML на Java — собирать данные для обучения, извлекать признаки, применять модели ранжирования и рекомендаций и многое другое; писать алгоритмы работы с большими данными в MapReduce-парадигме — от простых механизмов сбора датасетов до сложных алгоритмов факторизаций для сотен миллионов пользователей; растить продуктовые метрики платформы через ML алгоритмы — понимать связь оффлайн и онлайн метрик; Бонусы: Гибкий график работы; Бонусы и скидки от партнеров; Офис в центре города; ДМС; Профессиональная команда; Бонусы от партнеров; Интересные задачи