Рекомендации в моде, поиск по изображению, атрибуты каталога
Модный онлайн-ритейл: ассортимент обновляется сезонами, у товара десятки визуальных атрибутов, а покупателю важен не только товар, но и размер, посадка и стиль. Отсюда две сильные ML-темы — рекомендации с холодным стартом каждый сезон и компьютерное зрение, которое достаёт из фотографий то, чего нет в описаниях.
Порядок и состав секций меняются от команды к команде — это типовая схема, собранная по открытым источникам. Этапы, на которых проверяют знания, ведут в разбор формата: что оценивают и чем закрывать пробелы.
Рекрутер уточняет направление: рекомендации и поиск, зрение и каталог, аналитика.
Практическая секция: код и данные, работа с каталогом и событиями пользователей.
ML-секция: постановка, признаки, валидация, метрики. Много вопросов про холодный старт.
Направленческая секция: ранжирование, разнообразие выдачи, метрики @K и их связь с покупками.
На middle+ — дизайн: рекомендации под сезонный каталог или пайплайн разметки изображений.
Команда, задачи, уровень.
4 формата проверки из отбора Lamoda — и тест атласа под каждый. Слабые места видно сразу после захода, а темы для разбора собираются автоматически.
Код, который готовит данные: агрегаты, соединения, пропуски
На чём валятсяКлассика табличных задач и честная проверка качества
На чём валятсяКандидаты, ранжирование, метрики @K и расхождение с онлайном
На чём валятсяОт постановки до эксплуатации на одной доске
На чём валятся18 тем по всем направлениям Lamoda — если команда ещё не выбрана. Программа разложит их по неделям от математики к продакшену; под конкретное направление список короче, и его можно собрать ниже.
Эти 18 тем можно разложить по неделям: программа выстроит их от математики к продакшену, поставит тест в конце каждой недели и вернёт тему на повторение, если вы в ней ошиблись. Выйдет примерно 4 недели под Lamoda · Все направления.
Проверяем, вошли ли вы…
Выберите направление: обязательные темы со ссылками в атлас, типовые вопросы с ответами и тест для самопроверки.
Подбор товаров, похожие модели, образы целиком, ранжирование каталога. Специфика — сезонность, размерность (одна модель в восьми размерах) и высокая доля возвратов.
Эти 10 тем можно разложить по неделям: программа выстроит их от математики к продакшену, поставит тест в конце каждой недели и вернёт тему на повторение, если вы в ней ошиблись. Выйдет примерно 2 недели под Lamoda · Рекомендации и поиск.
Проверяем, вошли ли вы…
Контентными признаками: эмбеддинги изображения и описания, бренд, категория, цена относительно сегмента. Коллаборативная часть подключается по мере накопления взаимодействий. Гибрид с плавным переходом между источниками — стандартная схема там, где холодный старт постоянен.
Разбор в атласе: k-NN — Метод k ближайших соседей →Из-за возвратов: в одежде они достигают десятков процентов, и модель, оптимизирующая покупки, охотно рекомендует товары, которые вернут. Целевая переменная — покупка без возврата, а метрика — оборот после возвратов; иначе система оптимизирует логистические издержки вверх.
Разбор в атласе: Problem formulation — Постановка задачи →Как отдельную задачу: профиль покупателя по прошлым покупкам и возвратам, признаки посадки конкретной модели (маломерит или нет) из истории возвратов по причине размера. Рекомендация размера снижает возвраты сильнее, чем улучшение ранжирования самих товаров.
Разбор в атласе: Feature engineering — Конструирование признаков →Вводить разнообразие явно: переранжирование с штрафом за близость уже отобранных объектов, квоты по брендам и категориям, максимальная релевантность при ограничении на схожесть. Метрику разнообразия меряют вместе с NDCG, иначе оптимизация релевантности всегда схлопывает выдачу.
Разбор в атласе: NDCG — NDCG →