Lead Data Scientist (RecSys)

Ищем того, кто будет отвечать за развитие рекомендательных систем в Gameram, социальной сети для геймеров. Нужен человек с опытом в RecSys, который понимает, как влиять на продуктовые метрики с помощью ML и персонализации, умеет выстраивать стратегию и реализовывать её вместе с технической командой.

Gameram – это социальная сеть для геймеров, где пользователи делятся игровыми моментами, находят друзей по интересам и становятся частью комьюнити. У нас уже 5 миллионов установок, более 7mln $ инвестиций и десятки тысяч ежедневных пользователей по всему миру. Работаем командой 30 человек из 14 стран.

Система рекомендаций охватывает подбор игр, контента, пользователей, чатов и игровых статусов - она лежит в основе многих пользовательских сценариев. Ты будешь отвечать за развитие алгоритмов и внедрение решений, которые обеспечат масштабируемость и устойчивый рост.

Что надо делать:

• Переводить продуктовые и бизнес-задачи в ML-формат и подбирать подходящие решения с учётом особенностей нашей соцсети;
• Проводить глубокий анализ данных, выявлять скрытые закономерности и тренды в пользовательском поведении, развивать рекомендательные системы на обоснованных гипотезах;
• Разрабатывать и внедрять рекомендательные модели: от эвристик до ML-решений и нейросетей;
• Участвовать в разработке и развитии backend-инфраструктуры для рекомендательных систем;
• Анализировать эффективности алгоритмов, участвовать в проведении A/B тестов совместно с аналитиками.

• Опыт разработки и внедрения рекомендательных систем и ML-моделей в продакшен от 3 лет;
• Глубокое понимание метрик качества рекомендаций, проблем холодного старта, разнообразия и новизны;
• Навыки проведения A/B-тестирования и интерпретации результатов;
• Уверенное владение Scala/Java и Python;
• Знание и понимание принципов работы Spark, Airflow, Hadoop, HDFS, Kafka, Zookeeper, ClickHouse, Superset, Redis и PostgreSQL;
• Способность самостоятельно вести проект и эффективно коммуницировать с разными отделами.

• Гибкий график, удалённый или гибридный формат;
• Участие в опционной программе после прохождения ИС.