НовоеAI-конструктор резюме: правишь прямо на листе A4, а нейросеть подсказывает, что усилитьКонструктор резюме на листе A4Попробовать
JobPath
Начать бесплатно

Faire

Senior Applied AI/ML Scientist - Retailer Growth

  • San Francisco, CA
  • сегодня

Senior Applied AI/ML Scientist в Faire — платформа для оптовых продаж независимых ритейлеров. Вы построите ML-модели для персонализации онбординга, удержания и роста покупателей на двухстороннем маркетплейсе.

О позиции

Команда Applied AI/ML Scientists использует машинное обучение для революционизации оптовой индустрии — помогает локальным магазинам конкурировать с Amazon и крупными ритейлерами. На этой роли вы будете отвечать за моделирование и измерение влияния на опыт продавцов после регистрации: как помочь новым покупателям начать работу на платформе и построить долгосрочные отношения с брендами.

Чем заниматься

  • Владеть прикладными ML-проектами полностью: от формулировки задачи до запуска и измерения влияния
  • Персонализировать процесс онбординга новых ритейлеров на основе их бизнес-данных
  • Использовать LLM для преобразования неструктурированных данных в сигналы для улучшения моделей и персонализации
  • Прогнозировать активацию, отток и потенциал роста ритейлеров для приоритизации инвестиций
  • Определять правильные бренды в нужный момент времени для конвертации первого заказа в долгосрочные отношения
  • Оптимизировать уведомления и сообщения бренд-ритейлер для долгосрочной вовлечённости
  • Применять эксперименты и каузальный вывод для измерения влияния рычагов роста
  • Сотрудничать с продуктом, инженерами, дизайном, маркетингом, продажами и аналитикой для превращения моделей в готовый продукт

Что ждут

  • 3+ года промышленного опыта построения и продакшена ML-моделей для решения реальных задач (Sklearn, XGBoost, глубокие нейросети)
  • Опыт работы с актуальными бизнес-задачами (e-commerce)
  • Опыт с техническими методами (прогнозное моделирование, рекомендации и персонализация, экспериментирование и каузальный вывод, LLM)
  • Сильные навыки программирования (Python, SQL)
  • Готовность изучать новые инструменты и техники
  • Способность самостоятельно проектировать и реализовывать ML-решения
  • Отличные коммуникативные навыки и способность работать кросс-функциональной команде

Будет плюсом

  • Высшее образование: Masters или PhD в Computer Science, Statistics или смежных STEM-областях
  • Опыт роста маркетплейсов, персонализации, рекомендательных систем или систем уведомлений для двухсторонних платформ

Условия

  • Гибкий оплачиваемый отпуск плюс корпоративные дни перезагрузки
  • Оплачиваемый декретный отпуск до 16 недель
  • Расширенное медицинское страхование с вариантами по локации
  • Преференции фертильности и планирования семьи через Carrot
  • Поддержка ментального здоровья и коучинг через Modern Health
  • Стимулы для профессионального развития, wellness и работы из дома
  • Пенсионный план со стороны работодателя
  • Гибридный график: 3 дня в офисе (вторник, четверг и один гибкий день), до 4 недель удалённой работы в год

Навыки

  • Python
  • SQL
  • scikit-learn
  • XGBoost
  • Deep Learning
  • LLMs
  • Predictive Modeling
  • Recommendation Systems
  • Personalization
  • Causal Inference
  • A/B Testing
  • Information Extraction
  • Data Mining

Сложность отбора

Высокая сложность: требует опыта продакшена ML-моделей, понимания бизнес-логики маркетплейса, навыков работы с разнородными данными (структурными и неструктурированными) и способности переводить бизнес-задачи в технические решения.

Оценка JobPath

Зарплата по рынку

1 500 000 – 2 200 000 ₽ в месяц

Оценка основана на указанном годовом диапазоне $211,000–$290,500 для Сан-Франциско, пересчитанном в ₽/мес. Senior ML Scientist в SF находится на верхней границе рынка по России для таких ролей.

Оценка JobPath по рынку, не предложение работодателя

Могут спросить на собеседовании

  1. Расскажите о самом сложном ML-проекте, который вы запустили в продакшен. Какие были вызовы и как вы их преодолели?
  2. Как бы вы подошли к задаче персонализации онбординга нового ритейлера? Какие признаки и методы вы бы использовали?
  3. У нас есть данные двух типов: структурированные транзакции и неструктурированные текстовые описания товаров. Как вы используете LLM для создания признаков?
  4. Представьте, что модель показала улучшение в A/B тесте, но спустя месяц метрики вернулись к исходным уровням. Каковы возможные причины и как вы будете искать проблему?
  5. Расскажите о ситуации, когда вам пришлось балансировать между точностью модели и временем её выполнения. Как вы пришли к компромиссу?

Прорепетировать это собеседование

Голосовой ИИ-интервьюер задаст вопросы под эту вакансию и разберёт каждый ответ.

Начать бесплатно

Сохрани похожие вакансии

Новые вакансии с такой должностью будут собираться в кабинете.

Сохранить фильтр

Перед откликом

Попробовать бесплатно

Связаться с поддержкой

Выбери, где удобнее написать