Руководитель поисковой платформы Nova (Core & Agentic Search)
This position is no longer accepting applications(closed Aug 19, 2026).
Summary
Leads the development of Nova, a unified search platform integrating multiple vertical search systems, defining relevance logic, and optimizing ranking models using ML and LLM techniques.
В Яндексе существует множество вертикальных поисков, и у каждого своя логика ранжирования, свои метрики качества и интерфейсы интеграции с продуктами. Мы хотим собрать их в единую поисковую платформу. Ищем сильного лидера, который не боится экспериментов, готов генерировать и реализовывать идеи.Руководство v-team из команд ML и аналитики
Вам предстоит выстраивать взаимодействие между несколькими командами инженеров, определять техническую стратегию, приоритизировать задачи и курировать полный цикл разработки — от исследования моделей до их внедрения и мониторинга качества в продакшне. Разработка и реализация DSL для описания релевантности поиска
Вы будете проектировать и реализовывать DSL для описания логики релевантности поисковой выдачи и гибкой настройки правил ранжирования, веса факторов и условий фильтрации без изменения кода системы, ускорять эксперименты с качеством поиска и упрощать управление алгоритмами. Использование LLM как компилятора логики ранжирования и генерации обучающих данных
Предстоит разработать подход, в котором LLM выступает компилятором логики ранжирования: преобразует декларативные правила и описания задач в код ранжирования и конфигурации моделей. В том числе нужно использовать LLM для генерации синтетических обучающих данных, автоматической разметки релевантности, оценки качества. Построение пайплайна дистилляции моделей ранжирования для продакшн-латентности
Вы будете создавать ML-пайплайн дистилляции, позволяющий переносить знания из вычислительно дорогих моделей ранжирования в lightweight-модели для онлайн-инференса, чтобы обеспечить продакшн-уровень latency без значительной потери качества поиска. Построение системы метрик для разных типов поиска
Нужно будет создавать систему онлайн- и офлайн-метрик для различных типов поисковых задач, определять стандартизированные метрики. Больше об ML в Яндексе — в канале Yandex for ML* Вели проекты end-to-end: от идеи до успешного внедрения в рантайм * Понимаете архитектуру поиска: retrieval, ranking, evaluation * Обучали NLP-модели: BERT, LLM и другие * Умеете принимать архитектурные решения в условиях неопределённости* Работали с поиском или рекомендациями * Строили агентские системы * Строили ML-платформы
Вам предстоит выстраивать взаимодействие между несколькими командами инженеров, определять техническую стратегию, приоритизировать задачи и курировать полный цикл разработки — от исследования моделей до их внедрения и мониторинга качества в продакшне. Разработка и реализация DSL для описания релевантности поиска
Вы будете проектировать и реализовывать DSL для описания логики релевантности поисковой выдачи и гибкой настройки правил ранжирования, веса факторов и условий фильтрации без изменения кода системы, ускорять эксперименты с качеством поиска и упрощать управление алгоритмами. Использование LLM как компилятора логики ранжирования и генерации обучающих данных
Предстоит разработать подход, в котором LLM выступает компилятором логики ранжирования: преобразует декларативные правила и описания задач в код ранжирования и конфигурации моделей. В том числе нужно использовать LLM для генерации синтетических обучающих данных, автоматической разметки релевантности, оценки качества. Построение пайплайна дистилляции моделей ранжирования для продакшн-латентности
Вы будете создавать ML-пайплайн дистилляции, позволяющий переносить знания из вычислительно дорогих моделей ранжирования в lightweight-модели для онлайн-инференса, чтобы обеспечить продакшн-уровень latency без значительной потери качества поиска. Построение системы метрик для разных типов поиска
Нужно будет создавать систему онлайн- и офлайн-метрик для различных типов поисковых задач, определять стандартизированные метрики. Больше об ML в Яндексе — в канале Yandex for ML* Вели проекты end-to-end: от идеи до успешного внедрения в рантайм * Понимаете архитектуру поиска: retrieval, ranking, evaluation * Обучали NLP-модели: BERT, LLM и другие * Умеете принимать архитектурные решения в условиях неопределённости* Работали с поиском или рекомендациями * Строили агентские системы * Строили ML-платформы