Team lead ML in recommender systems

Twinby; United States; Remote; USD 180,000 - 240,000; Full time

Job summary

Twinby ищет Team Lead ML (RecSys) для управления и развития системы рекомендаций и связанных ML‑проектов в департаменте Data & ML. Роль сочетает практику разработки и лидерство над небольшой ML‑командой, формируя процессы и приоритеты.

Ожидается опыт вывода моделей в прод, знание PyTorch, NLP‑моделей и онлайн‑экспериментов. Формат работы — удаленный, с акцентом на результативность и масштабируемость продукта.

Qualifications

• Опыт production‑рекомендательных систем и их влияние на онлайн‑показатели.
• Практические навыки обучения на больших данных и оптимизации инференса.
• Навыки работы с NLP‑моделями: трансформеры, эмбеддинги, fine‑tuning.

Responsibilities

• Полностью владеть рекомендательной системой end‑to‑end: ранжирование, cold start, exploration и т.д.
• Вести небольшую ML‑команду, устанавливать процесс разработки ML‑портфеля.
• Проводить онлайн‑эксперименты и анализ причин деградаций вместе с продуктовым аналитиком.
• Работать с дата‑платформой и логированием метрик; проектировать пайплайны и тесты.

Skills

Recommender systems

Deep learning

NLP models

Python

A/B testing

Data monitoring

Leadership experience

Tools

PyTorch

CatBoost

LightGBM

ClickHouse

Airflow

Vector search

Job description

Описание:

Twinby — один из крупнейших российских дейтинг‑сервисов с миллионами пользователей: реалтайм (лента, матчи, чаты), деньги (подписки, бусты, покупки), антифрод и модерация. Мы выстраиваем data- и ML‑контур и собираем команду. Ищем Team Lead ML (RecSys) в департамент Data & ML — играющего тренера, который отвечает за рекомендательную систему и другие ML‑проекты продукта. Роль примерно на половину практическая (проектируешь и катишь ключевые модели, ревьюишь, разбираешь инциденты) и на половину лидерская (ведёшь небольшую ML‑команду, ставишь процесс ML‑разработки и приоритизируешь портфель).

Задачи:

Владеть рекомендательной системой end-to-end: кандидатная генерация, ранжирование, ре‑ранжирование, cold start, exploration — для двустороннего дейтинг‑продукта, где выдача должна устроить обе стороны. Отвечать за онлайн‑результат: цель и метрики, мониторинг качества и дрейфа, откаты и разбор деградаций; A/B‑эксперименты ведёшь вместе с продуктовым аналитиком, который отвечает за дизайн и статистику тестов. Брать смежные ML‑проекты: Trust & Safety (боты и фермы, фрод, модерация, liveness), монетизация и retention (churn, uplift, персональные офферы), NLP по чатам (токсичность, спам, мошеннические сценарии). Строить команду и процесс: растить людей, ставить ревью и процесс «гипотеза → офлайн → онлайн‑эксперимент → прод → мониторинг», выбирать, что делать и чего не делать. Работать с дата‑платформой и аналитикой: формулировать требования к логированию показов, фичам и метрикам; вместе выстраивать доверенные данные под ML. Писать код сам там, где это даёт максимальный рычаг: дизайн и ключевые модели, критичные пайплайны, ревью.

Требования:

Опыт production‑рекомендательных систем — не ноутбуки, а система в проде, за онлайн‑результат которой ты отвечал (лента, ранжирование, каталог, матчинг). Deep learning на практике: PyTorch (или эквивалент), нейросетевое ранжирование и retrieval (two‑tower, sequence‑модели, multi‑task), обучение на больших данных, оптимизация инференса. NLP: современные модели для текста (трансформеры, эмбеддинги, fine‑tuning), классификация и ранжирование по пользовательскому тексту — токсичность, спам, мошеннические сценарии, поиск похожего. Классический ML рядом с DL: градиентный бустинг (CatBoost / LightGBM), фичи, оценка; умение выбрать простое решение, когда глубокое не нужно. Уверенный Python, умение написать и вывести модель в прод; понимание, почему офлайн‑метрика не равна онлайн‑эффекту (смещения, петля обратной связи, дрейф). Инстинкт доверия к данным: мониторинг, воспроизводимость, версионирование, тесты на данные. Будет плюсом: Опыт лидерства: вёл людей (формально или как техлид), нанимал, растил, выстраивал процесс. Если не вёл — важно, что хочешь и готов расти в эту сторону; Опыт онлайн‑экспериментов для рекомендаций (интерференция, долгосрочные эффекты, мощность) — дизайн тестов на нашей стороне ведёт продуктовый аналитик, но понимание ценно; Reciprocal‑рекомендации, двусторонние рынки (job‑платформы, маркетплейсы, такси, дейтинг); Опыт Trust & Safety / антифрода (боты, фрод, модерация, liveness), computer vision; Опыт монетизации: uplift, churn, бандиты по офферам; Опыт с ClickHouse, Airflow, векторным поиском; Публикации, доклады, менторство.

Условия:

Реальное владение: рекомендательная система и ML‑портфель продукта — твои. Возможность построить ML с честного фундамента: сначала доверенные данные и метрики, потом модели. Автономия в том, как устроены ML‑процесс и команда; цели и приоритеты обсуждаешь с Head of Data. Богатая фактура дейтинга: взаимность, перекос по полу, безопасность живых людей, чат, монетизация. Трудоустройство по ТК РФ. Формат работы - удаленный.