ML-инженер, удаленно

Успешность игры во многом зависит от качества ее рекламы. Мы хотим создать свою рекламу для новых и уже успешных игр, где учтем опыт рекламы других наших игр и научимся использовать внутриигровую информацию оптимально с учетом наших особенностей.

Наши особенности:

• адский highload. Нам нужны очень маленькие задержки перед ответом о нашей ставке в рекламном аукционе, ведь все это происходит, пока грузится страница пользователя! В перспективе нас ждут тысячи / десятки тысяч серверов, где нужно думать не только об оптимальных стратегиях, но и о том, как соптимизировать процесс, чтобы отвечать еще быстрее и тратить еще меньше серверного времени. AdTech — область, где стоимость процессорного времени на запрос сопоставима с матожиданием прибыли с него, а не отличается в тысячи раз, что ставило бы оптимальность кода на второй план;

• куча R&D. Есть множество различных задач, где, вообще говоря, неизвестны оптимальные подходы. Как оптимально расходовать бюджет внутри дня/месяца? Как детектировать мошеннический трафик, который выглядит привлекательно для наших моделей, но гарантированно не ведет к конечным покупкам? Как предсказать вероятность конечного «денежного» события при том, что нам доступна для обучения лишь часть трафика (мы ведь знаем данные только там, где получили показ) и ошибка выжившего встает во весь рост? Как показывать рекламу горячим пользователям, у которых уже есть опыт в наших играх, чтобы не переманивать игроков из своих игр или подкреплять рекламой и так «денежных» пользователей, а добиваться прироста активных игроков для всех игр в совокупности? При этом AdTech — одна из самых конкурентных областей, где, решая какую-то из задач значимо лучше конкурента, можно иметь кратно разную прибыльность;

• крайне редкая возможность построения подобных систем с нуля. Зачастую вас ждут уже давно существующие системы, где суть работы сводится к поднятию целевой метрики на полпроцента, и идеи ограничены уже существующей архитектурой. Здесь, в режиме стартапа (без присущих ему рисков), у вас есть возможность напрямую контролировать архитектурные решения продукта с самого начала его создания;

• быстрый карьерный рост. C развитием продукта команда будет расти кратно, а первые инженеры — органически расти вверх в комфортных зонах ответственности.

Задачи

• разработка высоконагруженных real-time сервисов;
• подготовка, анализ внутриигровых и рекламных данных;
• построение ML-моделей для предсказаний «денежных» событий, нахождение компромисса между производительностью (как обучения, так и предсказания) и точностью;
• разработка стратегий / распределенных (у нас ведь тысячи серверов, а бюджет один) систем для оптимальной траты бюджета;
• построение моделей для отсекания мошеннического трафика;
• проведение A/B-тестов для версий моделей.

Требования

• хорошая алгоритмическая подготовка: знание базовых алгоритмов и структур данных, а также того, как они реализованы в стандартных библиотеках;
• уверенное владение Java или С++ или Python, умение писать тестируемый код;
• английский язык: pre-intermediate;
• знание теории вероятностей, статистики, алгебры, численных методов и байесовских методов;
• опыт поддержки полного жизненного цикла моделей, включающий анализ сырых данных, формулирование гипотез, создание моделей, проведение экспериментов, внедрение результатов в продакшен;
• понимание и опыт практического применения алгоритмов машинного обучения: линейные алгоритмы (линейная и логистическая регрессии и т.д.), композиционные алгоритмы (случайный лес, градиентный бустинг и т.д.), нейронные сети;
• знание базовых data science Python библиотек;
• знание SQL.

Будет плюсом

• профиль на kaggle/codeforces/topcoder;опыт работы в adtech;
• опыт A/B-тестирования моделей в high-load системах и сервисах;
• опыт работы с MapReduce;
• опыт работы с базами данных под высокой нагрузкой;
• опыт разработки и отладки распределенных высоконагруженных приложений.

Мы предлагаем