Инженер рекомендаций — кто это и чем занимается
Что показать пользователю следующим
Инженер рекомендательных систем — специалист, который решает, что показать пользователю следующим. Строит конвейер из отбора кандидатов и ранжирования, борется с холодным стартом и доказывает эффект A/B-тестом.
Также встречается как инженер рекомендательных систем, RecSys-инженер, разработчик рекомендаций, Recommender Systems Engineer · 8 ключевых компетенций · оси знаний: Classic ML, RecSys
Чем занимается Инженер рекомендаций
Строит рекомендательный конвейер: отбор кандидатов, ранжирование, борьба с холодным стартом. Проверяет всё офлайн-метриками и A/B-тестом.
- Собирает признаки пользователей и объектов из логов взаимодействий.
- Строит этап отбора кандидатов: он должен быть быстрым и не терять нужное.
- Обучает модель ранжирования и следит за метриками @K: NDCG, precision@K, MRR.
- Решает холодный старт для новых пользователей и новых объектов.
- Согласует офлайн-оценку с онлайн-результатом — расхождение между ними обычная проблема.
- Ставит A/B-тест и смотрит не только на клики, но и на долгосрочные эффекты.
Что нужно знать
Ядро профессии: без этих компетенций роль не складывается. У каждой — темы атласа, с которых её разбирают.
- Рекомендации и ранжированиеядроось: Рекомендательные системы
Кандидаты, ранжирование, метрики @K и офлайн-оценка.
- Деревья и бустингядроось: Классический ML
Случайный лес, градиентный бустинг, CatBoost — стандарт для таблиц.
- Метрики качестваядроось: Классический ML
Выбрать метрику под задачу и объяснить, почему не accuracy.
- Конструирование признаковядроось: Классический ML
Превращение сырых полей в то, из чего модель может учиться.
- Хранилище признаковядроось: MLOps и инженерия
Одинаковые признаки в обучении и в онлайне.
- A/B-тестыядроось: Статистика и вероятность
Дизайн эксперимента и честный вывод об эффекте.
- Эмбеддинги и семантический поискядроось: NLP
Векторные представления и поиск по смыслу.
- Деплой и инференсядроось: MLOps и инженерия
Как модель становится сервисом с задержкой и SLA.
Уровни: junior, middle, senior
За что отвечает Инженер рекомендаций на каждом уровне — этим и отличается грейд.
Оси знаний и плановые метки
Насколько направление профильно для роли и какой результат теста ожидается на каждом уровне. Проценты — плановые метки карьерного атласа, а не порог найма.
| Ось знаний | Значимость | Junior | Middle | Senior |
|---|---|---|---|---|
| Статистика и вероятность | рабочая | 40% | 60% | 73% |
| Классический ML | профильная | 55% | 75% | 88% |
| Глубокое обучение | рабочая | 40% | 60% | 73% |
| NLP | рабочая | 40% | 60% | 73% |
| Генеративный ИИ и LLM | обзорно | 25% | 45% | 58% |
| Computer Vision | обзорно | 25% | 45% | 58% |
| Временные ряды | обзорно | 25% | 45% | 58% |
| Рекомендательные системы | профильная | 55% | 75% | 88% |
| Речь: ASR и TTS | обзорно | 25% | 45% | 58% |
| MLOps и инженерия | рабочая | 40% | 60% | 73% |
Как войти в профессию
Приходят из общего ML и из бэкенда высоконагруженных сервисов. Ядро — ранжирование и метрики @K, признаки и хранилище признаков, эксперименты. Эмбеддинги нужны почти сразу: на них держится поиск похожего.
Смежные роли и с чем путают
Куда легче всего перейти и от кого эту профессию чаще всего не отличают.
Вопросы о профессии
Чем метрики рекомендаций отличаются от обычных?
Они считаются на упорядоченном списке и до позиции K: важен не факт правильного ответа, а его место в выдаче. Отсюда NDCG, precision@K и MRR вместо привычной точности.
Почему офлайн-метрика растёт, а A/B-тест ничего не показывает?
Офлайн-оценка идёт по логам старой выдачи и не видит того, что пользователю не показывали. Поэтому офлайн-результат — фильтр гипотез, а решение принимает эксперимент.
Нужны ли нейросети?
Полезны — эмбеддинги, двухбашенные модели, — но многое решается градиентным бустингом на хороших признаках. Профильная ось здесь классический ML, а не глубокое обучение.
Что делать с холодным стартом?
Опираться на содержимое объекта и на контекст запроса, пока нет истории, и предусматривать долю исследования в выдаче, иначе система никогда не узнает о новых объектах.
Что учить первым?
Ранжирование и метрики @K, сразу вместе с дизайном A/B-теста: без эксперимента в этой роли ничего не доказывается.