Senior Applied AI/ML Scientist - Search Ranking

О позиции

Вы присоединитесь к команде поиска Faire — одной из наиболее важных движущих сил роста платформы. Ваша задача — определять техническое видение и стратегию машинного обучения для систем реального времени, которые помогают ритейлерам находить лучшие товары со всего мира. Вы будете работать на стыке query understanding, deep learning, графовых нейронных сетей и структурированных поведенческих данных, создавая гиперрелевантную персонализацию для каждого запроса пользователя. Это уникальная возможность повлиять на端到денный опыт поиска и рекомендаций в высоконагруженной многомодальной среде.

Будет плюсом

• Вклад в open-source ML библиотеки или peer-reviewed публикации в области ML/AI
• Опыт разработки и productizing LLM-based приложений в domain search
• Опыт построения search и recommendation систем для e-commerce или two-sided marketplaces
• Опыт использования AI tools (Cursor, Claude Code, Codex) для development и daily productivity
• Знание Kotlin

Условия

• Конкурентоспособная зарплата $211,000-$290,500 годовая + equity и comprehensive benefits
• Работа над meaningful проблемами глобального масштаба с agency для быстрого достижения результатов
• Инвестиции в enterprise AI инструменты для повышения эффективности работы
• Команда sharp, kind и generous коллег с сильной culture learning и growth
• Гибридный формат: 3 дня в офисе (вторник, четверг + flex day) + до 4 недель remote annually
• Equal access к opportunities, growth и success через intentional inclusive environment

Навыки

• Python
• Java
• PyTorch
• Apache Spark
• Transformer Models
• Graph Neural Networks
• Deep Learning
• Machine Learning
• A/B Testing
• Feature Engineering
• LLM
• Reinforcement Learning
• User Modeling
• Natural Language Processing
• Recommendation Systems
• Search Ranking
• MLOps

Могут спросить на собеседовании

1. Как вы проектируете и оцениваете A/B тесты для ML-моделей ранжирования поиска?
2. Опишите архитектуру системы, которая использует LLM для извлечения multimodal признаков из текста и изображений товаров.
3. Как вы справляетесь с imbalance данными в задаче рекомендательной системы?
4. Расскажите о случае, когда ваш ML-модель вышла за рамки ожиданий на проде. Что сделали и какие инсайты получили?
5. Как вы балансируете между сложностью модели и latency требованиями в системе real-time поиска?