ML-разработчик динамических рекламных мест на Поиске
Yandex ·
- Category
- Software engineering
ML engineer building models for dynamic ad slots in Yandex Search: improving ad auction mechanisms, jointly ranking ads with organic results, and taking ML hypotheses from offline experiments to A/B tests and production. Core areas are deep learning, NLP, recommender systems, and auction design.
Мы строим новый ML для динамических мест на Поиске. Решаем задачи на стыке NLP, рекомендательных систем и аукционных механизмов: от исследовательских идей до продуктовых внедрений. У нас вы будете развивать аукционы, строить сквозное ранжирование рекламы и органики, искать точки роста продукта.Развивать аукционы и ранжирование
Вам предстоит улучшать аукционные механизмы, учиться адаптивно учитывать релевантность рекламного предложения конкретному запросу непосредственно внутри аукциона, использовать данные органического поиска в рекламных моделях. Вы будете интегрировать в ML-модели заголовки, сниппеты, факторы ранжирования и другие сигналы из органической выдачи. Это позволит лучше понимать качество рекламного предложения и его соответствие запросу. Строить сквозное ранжирование рекламы и органики
Ещё одна важная задача — исследовать подходы к совместному ранжированию рекламных и органических результатов, формулировать гипотезы, проводить эксперименты и доводить лучшие решения до продакшена. Искать точки роста продукта
Нужно анализировать ограничения системы, находить новые ML-гипотезы и самостоятельно проходить путь от идеи и офлайн-эксперимента до A/B-теста и продуктового внедрения. Больше об ML в Яндексе — в канале Yandex for ML* Хотите заниматься прикладными ML-исследованиями * Хорошо знаете основы современного Deep Learning * Имеете практический опыт в NLP или RecSys* Следите за трендами в RecSys и регулярно читаете статьи
Вам предстоит улучшать аукционные механизмы, учиться адаптивно учитывать релевантность рекламного предложения конкретному запросу непосредственно внутри аукциона, использовать данные органического поиска в рекламных моделях. Вы будете интегрировать в ML-модели заголовки, сниппеты, факторы ранжирования и другие сигналы из органической выдачи. Это позволит лучше понимать качество рекламного предложения и его соответствие запросу. Строить сквозное ранжирование рекламы и органики
Ещё одна важная задача — исследовать подходы к совместному ранжированию рекламных и органических результатов, формулировать гипотезы, проводить эксперименты и доводить лучшие решения до продакшена. Искать точки роста продукта
Нужно анализировать ограничения системы, находить новые ML-гипотезы и самостоятельно проходить путь от идеи и офлайн-эксперимента до A/B-теста и продуктового внедрения. Больше об ML в Яндексе — в канале Yandex for ML* Хотите заниматься прикладными ML-исследованиями * Хорошо знаете основы современного Deep Learning * Имеете практический опыт в NLP или RecSys* Следите за трендами в RecSys и регулярно читаете статьи