Data Science, Product ML Engineer (Personalization & Monetization)

Команда: Engineering & Product Higgsfield AI — самая быстрорастущая компания в области генеративного ИИ в истории, достигшая годового дохода в 500 млн долларов, насчитывающая более 25 млн пользователей по всему миру, генерирующая более 6 млн контента в день и обслуживающая 390 брендов из списка Fortune 500. Мы находимся на переднем крае создания видео с помощью ИИ и творческих инструментов нового поколения. Присоединение к Higgsfield означает стать частью высокоэффективной команды, формирующей будущее ИИ-нативных интерфейсов, в компании, которая не просто быстро развивается, а переписывает само понятие скорости.

Что означает эта роль в Higgsfield

В настоящее время каждый пользователь видит примерно один и тот же Higgsfield. Одни и те же эффекты в одном и том же порядке, одна и та же платная стена, одно и то же предложение, одни и те же электронные письма для удержания — для более чем 25 миллионов человек, которые хотят от нас совершенно разного.

Эта роль заставляет продукт принимать решения для каждого пользователя.

Вы отвечаете за модели, стоящие за этим: что мы рекомендуем, кто получает какое предложение, на кого мы тратим усилия по удержанию и сколько все это стоит. Не исследовательская повестка дня, а производственные модели на основе реального трафика, измеряемые в доходах, удержании и марже.

Вы обеспечиваете:

• То, что пользователь видит дальше, ранжируется для конкретного пользователя, а не для среднего значения для всех
• Скидки и предложения достаются тем людям, чье поведение они действительно меняют, и никому другому
• Мы заранее знаем, кто собирается уйти, чтобы мы могли что-то предпринять, и знаем, сработали ли эти действия
• Каждая модель в продакшене имеет контрольную группу, чтобы мы могли всегда определить ее ценность

Рекомендации и ранжирование

• Создание систем ранжирования для наших контентных поверхностей: эффекты и пресеты, шаблоны, модели, промпты и то, что мы показываем пользователю после завершения генерации
• Правильное решение проблемы "холодного старта" — новый пользователь с одним сигналом онбординга и без истории является нашим самым распространенным случаем, а не крайним
• Работа с реальными проблемами, делающими рекомендательные системы сложными: смещение позиции, петли обратной связи по популярности, исследование против эксплуатации, а также тот факт, что ранжировщик, обученный на основе записанного поведения, учится воспроизводить ранжирование, на котором он был обучен
• Ранжирование с учетом реальной цели, а не клика — завершенная, сохраненная, опубликованная генерация

Моделирование прироста и персонализированные предложения

• Ответственность за увеличение конверсии от предложений: скидки, кредитные ваучеры, пробные версии, предложения об обновлении тарифного плана, кампании по возврату
• Моделирование прироста, а не склонности. Таргетирование пользователей, наиболее склонных к конверсии, тратит маржу на людей, которые и так бы сконвертировались; вся ценность этой работы заключается в поиске пользователей, чье решение изменяет предложение
• Разработка случайных контрольных групп, которые делают моделирование прироста возможным и измеримым, и их постоянное поддержание
• Соблюдение ограничений: модель предложений, оптимизирующая только конверсию, с радостью найдет аккаунты, которые конвертируются с отрицательной валовой маржой, и в первую очередь выявит мошеннические схемы. Маржа и сигналы мошенничества являются ограничениями цели, а не последующей доработкой
• Работа с юридическим отделом над тем, что можно персонализировать. Персонализированное ценообразование и скидки затрагивают правила защиты прав потребителей и согласия на нескольких наших рынках — вы должны участвовать в этом обсуждении, а не избегать его

Отток, удержание и жизненный цикл

• Создание моделей прогнозирования оттока и понижения тарифного плана для подписчиков, а также прогнозирования повторных покупок для покупателей пакетов кредитов
• Понимание разницы между моделью, прогнозирующей отток, и моделью, снижающей его. Высокий AUC, полученный путем выявления пользователей, которые уже перестали использовать продукт, ничего не стоит
• Постоянное отслеживание утечек — функции, связанные с отменой подписки, дадут вам красивую офлайн-метрику и бесполезную систему
• Сопоставление каждой модели склонности с вмешательством и экспериментом. Результатом является удержанный пользователь, а не оценка

Интеллект генерации (слой признаков)

• Преобразование того, что пользователи фактически создают, в признаки, которые могут использовать вышеуказанные модели: метки использования и намерения для промптов, входные и выходные активы, модель и параметры
• Понимание контента здесь имеет решающее значение — таксономия существует для того, чтобы ранжирование знало, для чего предназначен пресет, и чтобы предложение знало, какой вариант использования не работает у пользователя. Мультимодальность, поскольку большая часть наших генераций почти не содержит текста промпта, а намерение содержится в загруженном изображении
• Анализ неудачных, заброшенных и возвращенных генераций: они являются самым сильным сигналом оттока и неудовлетворенного спроса, который у нас есть, а обучающие данные, основанные только на успехах, имеют встроенное смещение выжившего

Как мы работаем

• Полная ответственность за модели: определение проблемы, признаки, обучение, офлайн-оценка, обслуживание, мониторинг, переобучение
• Внедрение моделей за экспериментами. Офлайн-метрики решают, что пробовать; онлайн-эксперименты решают, что остается
• Мониторинг дрейфа и деградации — новые запуски моделей, изменения цен и сезонность — все это влияет на работу развернутой модели
• Документирование ценности каждой модели в денежном выражении и поддержание этой цифры в актуальном состоянии

Опыт внедрения ML, который обслуживал реальный трафик пользователей и изменил бизнес-метрику. Ноутбуки и офлайн-бенчмарки — это не то.

• Глубокие знания как минимум в двух из следующих областей: рекомендательные системы / обучение ранжированию, моделирование прироста и причинно-следственные связи, моделирование оттока или склонности, персонализация в реальном времени
• Истинная причинная грамотность: случайные контрольные группы, инкрементальность, оценка Qini/прироста, эффекты отбора, почему прирост, измеренный до и после, обычно не является приростом
• Отличное знание Python и SQL; уверенное владение градиентным бустингом и нейронным ранжированием, а также скучными частями — пайплайнами признаков, смещением при обучении/обслуживании, бюджетными ограничениями по задержке, периодичностью переобучения
• Продуктовое мышление: вы можете назвать решение и метрику до выбора модели, и вы знаете, когда ответом является правило, а не модель
• Комфортное владение изображениями и видео как данными, или явное желание быстро освоить это
• Прагматизм. Эвристика, внедренная в этом месяце и повышающая конверсию, лучше двухквартальной платформы. Затем вы заменяете эвристику
• Свободное владение письменным и устным английским языком, уровень B2+

Местоположение: Алматы, Казахстан Тип занятости: FullTime

• Конкурентоспособная базовая заработная плата в долларах США, основанная на вашем опыте, навыках и масштабе роли
• Участие в акционерном капитале через программу опционов компании
• Поддержка релокации в Алматы для кандидатов, переезжающих из другого города или страны
• Высококомандная, быстро развивающаяся среда, где вы можете работать напрямую с опытными лидерами
• Возможности для профессионального роста, получения ответственности и карьерного развития
• Оборудование, питание, транспорт или другие офисные льготы, предоставляемые компанией

Это полностью очная должность в нашем офисе в Алматы. Наша команда работает в офисе пять дней в неделю полный рабочий день.