Мы развиваем ML-подходы, которые помогают уместно и полезно показывать рекламу в LLM-ответах: например, когда пользователю нужно выбрать товар, перейти к сервису, найти подходящее предложение или продолжить задачу за пределами чата. Команда развивает разные форматы монетизации: от отдельных рекламных вставок до нативного вписывания коммерческой информации в ответ. Здесь важно не просто подобрать рекламу, а понять, когда она действительно уместна, где её показать и как сделать так, чтобы ответ оставался полезным и естественным. Мы работаем с LLM-сценариями на большом пользовательском трафике. В этой роли нужно будет строить систему почти с нуля: проектировать ML-пайплайны, работать с инференсом моделей, собирать датасеты, запускать обучение и проверять гипотезы через эксперименты на пользовательских и бизнес-метриках.

Обязанности:

Модели для встраивания рекламы в LLM-ответы
Вы будете разрабатывать ML-подходы, которые помогают понять, можно ли встроить рекламу в ответ Алисы, где это лучше сделать и какой запрос отправить в подбор рекламы. Важно учитывать качество ответа: реклама не должна ломать логику, мешать пользователю или ухудшать опыт взаимодействия с Алисой. Для этого нужно будет собирать датасеты, запускать разметки, обучать и валидировать модели, а также дистиллировать их для реальных сценариев. Эксперименты и метрики
Мы проверяем гипотезы через эксперименты и смотрим, как ML-решения влияют на пользовательский опыт и рекламную выручку. Вы будете участвовать в запуске A/B-тестов, анализировать результаты, искать причины изменений в метриках и помогать выбирать, какие подходы стоит развивать дальше. Работа со смежными командами
Задачи в команде монетизации Алисы требуют плотной работы со смежными специалистами: с продакт-менеджерами нужно будет формулировать гипотезы, с аналитиками — разбирать и прогнозировать метрики, с crowd-архитекторами — запускать разметки, с бэкенд- и фронтенд-разработчиками — доводить решения до экспериментов и запуска. Больше об ML в Яндексе — в канале Yandex for ML

Ключевые навыки:

  • Уверенно пишете на Python
  • Разрабатывали ML/DL-модели и умеете доводить эксперименты до воспроизводимого результата
  • Работали с датасетами и разметкой: ставили задачу, контролировали качество данных, валидировали результат
  • Умеете оценивать качество моделей и выбирать метрики под прикладную задачу
  • Способны обучать и адаптировать модели для прикладных сценариев: подбирать данные, дистиллировать большие модели в меньшие и валидировать качество на целевых метриках
  • Готовы разбираться, как ML-решения влияют на пользовательский опыт и рекламную выручку
  • Хотите работать в новой предметной области на стыке LLM и рекламы

Дополнительные требования:

  • Работали с LLM в прикладных задачах: классификация, ранжирование, генерация, оценка качества или дообучение моделей
  • Адаптировали ML-модели для продуктовых сценариев: упрощали модель, ускоряли ответы или снижали стоимость инференса без существенной потери качества
  • Работали с большими объёмами данных и умеете писать SQL-запросы для анализа, подготовки датасетов или поиска проблем в данных
  • Участвовали в A/B-тестах: помогали формулировать гипотезы, выбирать метрики, интерпретировать результаты
  • Работали в задачах рекламы, рекомендаций, поиска, электронной коммерции или другой области, где нужно обеспечивать баланс между качеством пользовательского опыта и бизнес-метриками