Наши модели помогают пользователям находить релевантные предложения, корректно сравнивать товары между продавцами, учитывать персональные условия, цены, наличие, доставку и контекст запроса.

Это не изолированная исследовательская функция: ML-решения быстро доходят до production и напрямую влияют на качество выдачи, конверсию, пользовательский опыт и экономику продукта.

Мы развиваем алгоритмы, которые отвечают за качество и логику выдачи:

• ранжирование предложений и товаров;
• семантический поиск и query understanding;
• матчинг одинаковых или близких товаров из разных источников;
• объединение карточек и нормализация товарных данных;
• фильтрация нерелевантных, дублирующихся или конфликтующих предложений;
• оценка качества выдачи и построение offline/online-метрик;
• персонализация и учет пользовательского контекста;
• анализ цен, скидок, наличия и персональных условий;
• построение пайплайнов для обучения, валидации и мониторинга моделей.

Мы работаем с задачами на стыке поиска, рекомендаций, ranking, entity matching, price intelligence и quality evaluation.
И много работаем с неидеальными данными:

• неполными названиями товаров,
• разными форматами описаний, синонимами,
• брендами, категориями, характеристиками,
• ценами и пользовательскими сигналами.

Поэтому наши задачи редко решаются “чистой моделью из коробки” — почти всегда нужно сочетать ML, продуктовую логику, feature engineering, качественную разметку, метрики и продакшен-инженерию.