Vytváříme doporučovací systém, který každému uživateli vybírá články na míru podle jeho preferencí. Uživatelů i dat je hodně a baví nás to.
Co Vás čeká?
- Rozvoj doporučovacího systému, který denně slouží milionům uživatelů
- Vytváření ML modelů, které vybírají ten nejrelevantnější obsah pro každého uživatele
- Analyzování dat a zjišťování nových poznatků o uživatelích, obsahu a vším souvisejícím
- Práce s Big Data posbíraná v rámci provozu celého Seznam.cz
- State of the art z pohledu technologií i algoritmů
- Možnost realizovat a otestovat vlastní nápady
- Práce v týmu, nebudete na věci sám(a)
S jakými technologiemi pracujeme?
- Python, Jupyter, Spark
- Modely v TensorFlow, Vowpal
- Jazykové modely Elektra, Small-E-Czech, ChatGPT, …
- Ostatní: Gitlab, Docker, AirFlow, SQL, Tableau, Hadoop, …
Koho hledáme?
- Máte praktické zkušenosti v oblasti strojového učení, datové analýzy a statistiky
- Baví vás práce s daty, dokážete z nich vyčíst zajímavé informace a data správně interpretovat
- Umíte pracovat samostatně, aktivně komunikovat a zároveň práce v týmu Vám nedělá problémy
- Pozice je vhodná i pro juniory se solidními základy ve strojovém učení, programování a algoritmizaci
Co nabízíme?
- Kreativní prostředí – budete moci realizovat vlastní nápady a postupy
- Velký dopad – budete se podílet na rozvoji doporučovacího systému, který denně využívají miliony uživatelů
- Osobní rozvoj – široká možnost vzdělávání v rámci projektů, vyhrazený čas na vzdělávání podle vlastní volby, účast na odborných konferencích, prezentace výzkumu na interních a externích akcích, předávání znalostí napříč týmy
- Týmovou spolupráci – budete spolupracovat s dalšími výzkumníky a výzkumnými týmy, předávat si navzájem informace a znalosti a společně hledat vhodné cesty a řešení
- Neformální prostředí – všichni si tady tykáme a nemáme předepsaný dress code
O doporučování obsahu
V týmu doporučovacích systémů se věnujeme analýze chování a preferencí uživatelů, abychom mohli nabídnout personalizovaný obsah na míru každému uživateli. Vyvíjíme modely strojového učení, které dokáží z milionů položek vybrat jednotky, které nakonec ukážeme uživateli. Doporučujeme články, videa, podcasty a další obsahové položky, které máme v databázi. Co se týká ML modelů, typickým příkladem je kolaborativní filtrování, které předpovídá zájmy uživatele na základě preferencí dalších uživatelů. Dále pak obsahové filtrování, které doporučuje položky porovnáním obsahu položek s profilem uživatele, nebo hybridní modely, které kombinují obě tyto metody dohromady. V neposlední řadě vyvíjíme modely, které klasifikují položky z naší databáze, pomáhají nám lépe pochopit daný obsah a jejich výstup je využíván v dalších částech doporučovacího systému.
