ML-разработчик в команду алгоритмов логистики Лавки
Posted Updated 3
views
Summary
ML developer on Yandex Lavka's logistics algorithms team in Moscow: builds and productionizes models for delivery-time promises, hourly demand forecasting, and courier distribution. Core stack is classical ML with CatBoost and Python, reading C++ services, A/B testing, with future reinforcement-learning work.
Мы создаём алгоритмы логистики Лавки: планируем маршруты курьеров и считаем промис — интервал времени доставки, который клиент видит ещё до оформления заказа. ML-часть команды отвечает за модели времени доставки и движения курьера. Ищем сильного разработчика.Создание промиса, который растит конверсию
Клиент только собирает корзину, а мы уже должны определить, через какое время заказ будет доставлен: сборка на складе, приготовление горячей еды, заезд в аптеку по пути, доставка в батче вторым или третьим. Раньше задача звучала как «Угадать время как можно точнее». Теперь мы знаем, что обещанное время влияет и на конверсию: большое время ожидания — заказывают реже, маленькое — чаще. Поэтому мы учимся понимать, какое значение показать конкретному клиенту, чтобы он заказал и не был обманут больше чем на несколько минут. Предсказание спроса на ближайшие часы
Чтобы распределять курьеров, нужно знать, сколько заказов придёт через полчаса и через час. Два курьера и четыре заказа: если наплыва не будет — каждому по два; если начинается час пик — одному все четыре, а второго держим под заказы, которых ещё нет. Сейчас такой модели не существует, и её предстоит построить по историческим данным для каждого склада. Определение ценности склада и распределение курьеров
Из прогноза спроса вырастает следующая задача: оценивать, насколько выгодно назначать курьеров сейчас с учётом будущих заказов. Здесь мы планируем пробовать подходы из reinforcement learning — например, определять функцию ценности состояния склада, чтобы планировщик маршрутов принимал более точные решения. Больше о бэкенде в Яндексе — в канале Yandex for Backend* Работали с CatBoost или похожими библиотеками бустинга — это основной инструмент наших моделей * Уверенно владеете классическим ML — это градиентный бустинг, работа с признаками, метрики качества. Глубокое обучение и LLM в наших задачах не используются * Пишете на Python: на нём у нас обучение моделей, эксперименты и вспомогательные скрипты * Не боитесь читать C++: сервисы, в которых работают модели, написаны на нём. Писать на C++ много не придётся, но понимать чужой код важно * Умеете доводить модель до продакшена и проверять эффект: A/B-эксперименты, метрики, выводы для продукта* Работали с прогнозированием временных рядов или спроса * Сталкивались с задачами логистики, геоданными или маршрутизацией * Интересуетесь reinforcement learning: в перспективе мы планируем применять эти методы для оценки ценности склада и распределения курьеров
Клиент только собирает корзину, а мы уже должны определить, через какое время заказ будет доставлен: сборка на складе, приготовление горячей еды, заезд в аптеку по пути, доставка в батче вторым или третьим. Раньше задача звучала как «Угадать время как можно точнее». Теперь мы знаем, что обещанное время влияет и на конверсию: большое время ожидания — заказывают реже, маленькое — чаще. Поэтому мы учимся понимать, какое значение показать конкретному клиенту, чтобы он заказал и не был обманут больше чем на несколько минут. Предсказание спроса на ближайшие часы
Чтобы распределять курьеров, нужно знать, сколько заказов придёт через полчаса и через час. Два курьера и четыре заказа: если наплыва не будет — каждому по два; если начинается час пик — одному все четыре, а второго держим под заказы, которых ещё нет. Сейчас такой модели не существует, и её предстоит построить по историческим данным для каждого склада. Определение ценности склада и распределение курьеров
Из прогноза спроса вырастает следующая задача: оценивать, насколько выгодно назначать курьеров сейчас с учётом будущих заказов. Здесь мы планируем пробовать подходы из reinforcement learning — например, определять функцию ценности состояния склада, чтобы планировщик маршрутов принимал более точные решения. Больше о бэкенде в Яндексе — в канале Yandex for Backend* Работали с CatBoost или похожими библиотеками бустинга — это основной инструмент наших моделей * Уверенно владеете классическим ML — это градиентный бустинг, работа с признаками, метрики качества. Глубокое обучение и LLM в наших задачах не используются * Пишете на Python: на нём у нас обучение моделей, эксперименты и вспомогательные скрипты * Не боитесь читать C++: сервисы, в которых работают модели, написаны на нём. Писать на C++ много не придётся, но понимать чужой код важно * Умеете доводить модель до продакшена и проверять эффект: A/B-эксперименты, метрики, выводы для продукта* Работали с прогнозированием временных рядов или спроса * Сталкивались с задачами логистики, геоданными или маршрутизацией * Интересуетесь reinforcement learning: в перспективе мы планируем применять эти методы для оценки ценности склада и распределения курьеров