Product ML Engineer (Personalization & Monetization)

Почему стоит работать в Higgsfield AI?

Higgsfield AI — самая быстрорастущая компания в сфере генеративного ИИ в истории: $500 млн годового темпа выручки, более 25 млн пользователей по всему миру, более 6 млн генераций в день и работа с 390 брендами из Fortune 500. Мы строим продукт на самом переднем крае создания видео с помощью ИИ и креативных инструментов нового поколения. Присоединиться к Higgsfield — значит стать частью команды с высоким влиянием, которая формирует будущее AI-native-опыта, в компании, которая не просто движется быстро, а заново определяет, что такое «быстро».

Что означает эта роль в Higgsfield

Сейчас каждый пользователь видит примерно один и тот же Higgsfield. Те же эффекты в том же порядке, тот же paywall, то же предложение, те же lifecycle-письма — для более чем 25 млн человек, которым от нас нужно совершенно разное.

Эта роль делает так, чтобы продукт принимал решения для каждого пользователя отдельно.

Вы владеете моделями, которые за этим стоят: что мы рекомендуем, кому какое предложение показываем, на кого тратим усилия по удержанию и сколько каждый из этих решений стоит. Это не исследовательская программа — это продакшен-модели на живом трафике, которые измеряются выручкой, удержанием и маржой.

Вы обеспечиваете:

• Что пользователь видит дальше, ранжируется именно для него, а не для среднего по всем

• Скидки и предложения получают те люди, чьё поведение они действительно меняют, и больше никто

• Мы знаем, кто собирается уйти, достаточно рано, чтобы что-то с этим сделать, и знаем, сработало ли это «что-то»

• У каждой модели в продакшене есть holdout, чтобы мы всегда могли сказать, сколько она стоит

Чем вы будете заниматься

Рекомендации и ранжирование

• Строить системы ранжирования для наших контентных поверхностей: эффекты и пресеты, шаблоны, модели, промпты и то, что мы показываем пользователю сразу после завершения генерации.

• Правильно решать cold start — совершенно новый пользователь с одним сигналом из онбординга и без истории — это наш самый частый случай, а не крайний.

• Разбираться с тем, что делает recsys сложным в реальном мире: position bias, петли обратной связи популярности, exploration vs exploitation и тем, что ранкер, обученный на залогированном поведении, учится воспроизводить то ранжирование, на котором его учили.

• Ранжировать под цель, которая нам действительно нужна — завершённую, сохранённую, расшаренную генерацию, — а не под клик.

Uplift-моделирование и персонализированные предложения

• Владеть инкрементальностью предложений: скидки, ваучеры на кредиты, триалы, промпты апгрейда тарифа, win-back-кампании.

• Моделировать uplift, а не propensity. Таргетировать пользователей, которые с наибольшей вероятностью сконвертятся, значит тратить маржу на тех, кто сконвертился бы и без предложения; вся ценность этой работы — найти пользователей, чьё решение предложение меняет.

• Проектировать рандомизированные holdout'ы, которые вообще делают uplift обучаемым и измеримым, и держать их постоянно запущенными.

• Соблюдать ограничения: модель предложений, оптимизирующая только конверсию, с радостью найдёт аккаунты, которые конвертятся с отрицательной валовой маржой, и первыми найдёт кольца злоупотреблений. Маржа и сигналы злоупотреблений — это ограничения целевой функции, а не то, что подчищают потом.

• Работать с юротделом над тем, что можно персонализировать. Персонализированное ценообразование и скидки затрагивают правила защиты потребителей и согласия в нескольких наших рынках — вы должны хотеть этот разговор, а не обходить его стороной.

Отток, удержание и lifecycle-propensity

• Строить предсказание оттока и даунгрейда для подписчиков и propensity повторной покупки для покупателей пакетов кредитов.

• Понимать разницу между моделью, которая предсказывает отток, и моделью, которая его снижает. Высокий AUC, заработанный на детекции пользователей, которые уже перестали пользоваться продуктом, ничего не стоит.

• Беспощадно следить за leakage — фичи, соседние с отменой, подарят вам красивую офлайн-цифру и бесполезную систему.

• Каждую propensity-модель сопровождать интервенцией и экспериментом. Результат — удержанный пользователь, а не скор.

Generation intelligence (слой фичей)

• Превращать то, что пользователи реально создают, в фичи, которые могут использовать модели выше: метки сценариев использования и интента по промптам, входным ассетам, выходным ассетам, модели и параметрам.

• Понимание контента здесь инструментально — таксономия существует, чтобы ранжирование знало, для чего нужен пресет, а предложение знало, на каком сценарии застрял пользователь. Мультимодально, потому что большая доля наших генераций почти не содержит текста промпта, и интент живёт в загруженном изображении.

• Добывать сигналы из неудачных, брошенных и возвращённых генераций: это самый сильный сигнал оттока и неудовлетворённого спроса, который у нас есть, а обучающие данные только по успешным случаям уже содержат смещение выживаемости.

Как мы шипим

• Владеть моделями от начала до конца: постановка задачи, фичи, обучение, офлайн-оценка, серving, мониторинг, переобучение.

• Шипить за экспериментами. Офлайн-метрики решают, что пробовать; онлайн-эксперименты решают, что остаётся.

• Мониторить дрифт и деградацию — запуски новых моделей, изменения цен и сезонность сдвигают почву под уже задеплоенной моделью.

• Фиксировать, сколько стоит каждая модель, в деньгах, и держать эту цифру актуальной.

Кого мы ищем

Опыт шипинга ML, который обслуживал живой пользовательский трафик и менял бизнес-метрику. Ноутбуки и офлайн-бенчмарки — это не то.

• Глубина как минимум в двух из: рекомендательные системы / learning-to-rank, uplift и каузальный ML, моделирование оттока или propensity, персонализация в реальном времени.

• Настоящая каузальная грамотность: рандомизированные holdout'ы, инкрементальность, оценка Qini/uplift, эффекты отбора, почему лифт, измеренный «до и после», обычно не является лифтом.

• Сильный Python и SQL; уверенность в градиентном бустинге и нейросетевом ранжировании, а также в скучных частях — пайплайны фичей, расхождение training/serving, бюджеты латентности, каденция переобучения.

• Продуктовое суждение: вы можете назвать решение и метрику до того, как выберете модель, и знаете, когда ответ — правило, а не модель.

• Комфорт с изображениями и видео как данными или явное желание быстро к этому прийти.

• Прагматизм. Эвристика, зашипленная в этом месяце и поднимающая конверсию, лучше платформы на два квартала. Потом вы замените эвристику.

• Понятный письменный и устный английский, B2+.

Бэкграунды, которые часто хорошо заходят:

• Инженеры recsys / ранжирования из потребительских продуктов в масштабе

• Growth- или монетизационный ML из подписок, гейминга, финтеха или e-commerce — везде, где предложения и отток моделируются с реальными деньгами

• Специалисты по каузальному выводу / uplift, которые шипят системы, а не исследования

• Applied-учёные, которые сами владеют своими моделями в продакшене

Чем эта роль не является

Эта роль вам не подойдёт, если вы:

• Хотите обучать или дообучать генеративные видеомодели — это наши роли R&D ML Engineer, и они открыты

• Оптимизируете офлайн-метрики и отдаёте модель кому-то другому на деплой

• Нацеливали бы предложение на пользователей, которые с наибольшей вероятностью купят, и называли бы это персонализацией

• Отчитывались бы о лифте из сравнения «до и после»

• Нуждаетесь в чистых размеченных данных и feature store, прежде чем начать

• Хотите предсказуемые рабочие дни с 9 до 17

Что мы предлагаем

• Конкурентную базовую зарплату в USD в зависимости от вашего опыта, навыков и масштаба роли.

• Участие в капитале через программу опционов компании, которая даёт возможность разделить долгосрочный рост Higgsfield.

• Поддержку релокации в Алматы для кандидатов, переезжающих из другого города или страны.

• Высококоллаборативную, динамичную среду, где вы можете работать напрямую с опытными лидерами и оказывать значимое влияние на продукт и компанию.

• Возможности профессионального роста, ответственности и карьерного развития по мере масштабирования компании.

• Оборудование от компании, питание, транспорт или другие офисные бенефиты.

Это полностью офисная роль в нашем офисе в Алматы. Команда работает из офиса пять дней в неделю полный рабочий день. Мы считаем, что очное взаимодействие — важная часть того, как мы быстро движемся, решаем сложные задачи и строим сильные команды.