Data Science, Product ML Engineer (Personalization & Monetization)

Автоматический пересказ вакансии на русском. Полный текст на языке оригинала и форма отклика — на сайте работодателя.

ML-инженер в продуктовую команду Higgsfield AI: отвечает за production-модели персонализации — ранжирование, uplift-моделирование, churn-прогнозы и фичи из генераций. Работа с живым трафиком, эксперименты и измеримый вклад в выручку, retention и маржу.

Задачи

• Строить системы ранжирования для контентных поверхностей: эффекты и пресеты, шаблоны, модели, промпты и то, что показывается пользователю после генерации
• Решать проблему cold start для новых пользователей с одним onboarding-сигналом и без истории
• Учитывать position bias, петли популярности, exploration vs exploitation и смещение ранкера, обученного на логированных данных
• Оптимизировать ранжирование под целевую метрику — завершённую, сохранённую и расшаренную генерацию, а не клик
• Отвечать за инкрементальность офферов: скидки, кредитные ваучеры, триалы, апгрейды плана, win-back кампании
• Моделировать uplift, а не propensity, и находить пользователей, чьё решение меняет оффер
• Проектировать рандомизированные holdout-группы для обучения и измерения uplift и поддерживать их постоянно
• Учитывать ограничения по марже и злоупотреблениям как часть целевой функции
• Согласовывать с Legal допустимую персонализацию, включая правила consumer-protection и consent
• Строить прогнозы churn и downgrade для подписчиков и propensity повторных покупок для покупателей кредитных пакетов
• Следить за утечками данных и отличать модель, предсказывающую churn, от модели, снижающей его
• Связывать каждую propensity-модель с интервенцией и экспериментом
• Превращать пользовательский контент в фичи: метки use-case и intent по промптам, входным и выходным ассетам, модели и параметрам
• Использовать мультимодальный анализ, так как значительная часть генераций содержит мало текста, а интент — в загруженном изображении
• Анализировать неудачные, заброшенные и возвращённые генерации как сигнал churn и неудовлетворённого спроса
• Вести модели end-to-end: постановка задачи, фичи, обучение, offline-оценка, serving, мониторинг, переобучение
• Запускать модели за экспериментами: offline-метрики решают, что пробовать, online-эксперименты — что оставить
• Мониторить дрейф и деградацию при запуске новых моделей, изменениях цен и сезонности
• Оценивать вклад каждой модели в деньгах и поддерживать эту оценку актуальной

Требования

• Опыт вывода ML-моделей на живой пользовательский трафик с влиянием на бизнес-метрику
• Глубина минимум в двух направлениях: recommender systems / learning-to-rank, uplift и causal ML, churn или propensity-моделирование, real-time personalization
• Понимание causal inference: рандомизированные holdout, инкрементальность, Qini/uplift-оценка, эффекты отбора
• Уверенный Python и SQL
• Опыт с gradient boosting и neural ranking
• Понимание feature pipelines, training/serving skew, latency budgets, retraining cadence
• Продуктовое мышление: определять решение и метрику до выбора модели и понимать, когда достаточно правила
• Комфорт с изображениями и видео как данными или готовность быстро этому научиться
• Прагматизм: умение быстро запускать эвристику и затем заменять её моделью
• Английский B2+ в письменной и устной форме

Условия

• Конкурентная базовая зарплата в USD в зависимости от опыта, навыков и объёма роли
• Участие в equity через программу stock options
• Поддержка релокации в Алматы для кандидатов из другого города или страны
• Коллаборативная и динамичная среда с прямым взаимодействием с опытными лидерами
• Возможности профессионального роста, ownership и карьерного развития по мере масштабирования компании
• Техника от компании, питание, транспорт и другие офисные бенефиты
• Полностью офисный формат в офисе в Алматы, пять дней в неделю полный рабочий день

Навыки

• Python
• SQL
• Recommender Systems
• Learning-to-Rank
• Uplift Modeling
• Causal ML
• Churn Prediction
• Propensity Modeling
• Real-time Personalization
• Gradient Boosting
• Neural Ranking
• Feature Pipelines
• Multimodal ML
• A/B Testing
• Experimentation