RWB Тех

⭐️⭐️ Как мы сжали эмбеддинги в 8 раз и сохранили 95% качества

Рекламные баннеры в поиске должны быть релевантными. Но как подобрать баннер онлайн, если он содержит новые товары (обычно там сразу целый набор)

Илья Бадекин, Data Scientist в команде товарных рекомендаций Wildberries, рассказал, как решили эту задачу:

— Использовали текстовый энкодер E5 для представления товаров через контент;
— Применили метод Matryoshka Representation Learning для сжатия эмбеддингов с 1024 до 128 размерности;
— Сохранили 95-96% качества при сжатии в 8 раз.

В статье — разбор дорожной карты поиска решения: от PCA и SVD до автоэнкодеров и «матрёшек», с графиками и примерами из продакшена.

➡️ Читать на Хабре

⭐️ Михаил Губанов, Mobile QA Lead, рассказал, как в команде эволюционировал подход к моками почему классических подмен уже недостаточно. Чтобы оставаться эффективными, тестировщикам приходится переосмысливать работу с моками и использовать более гибкие инструменты.

➕ В карточках разберём, чем отличаются Map Local и Scripting и как скрипты помогают автоматизировать проверку данных в сложных сценариях. Посмотрим, как сниффер превращается в валидатор бизнес-логики, как sharedState помогает собирать данные из разных ручек и какие навыки становятся важными для работы с клиентской логикой.

Смотрите полную версию доклада по ссылке.

⚠️⚠️⚠️ Вакансии для аналитиков!

➡️ Product Analyst в Поиск
middle/гибрид

Ищем аналитика с сильной экспертизой в A/B-тестировании и работе с большими данными. От кандидата ждем умение не только провести сложный эксперимент, но и построить под него надежную инфраструктуру для анализа. Ключевые задачи — глубокая статистическая проверка гипотез, обработка больших объемов данных и создание понятных дашбордов для стейкхолдеров.

👀 Откликнуться

➡️ Product Analyst в Портал продавцов
junior/удаленно

Вам предстоит самостоятельно проектировать эксперименты, извлекать и обрабатывать данные, а также находить статистически значимые инсайты для продуктовых решений. Мы ценим умение не только писать сложный SQL и чистый Python-код, но и глубоко понимать логику экспериментов.

👀 Откликнуться

➡️ Продуктовый аналитик в Рекомендации
middle/гибрид

Ищем аналитика данных с глубокой экспертизой в проведении A/B-тестов, владением Python (Pandas, NumPy, Scikit-learn, StatsModels) для статистического анализа и SQL для работы со сложными запросами и большими данными (ClickHouse, Spark, Airflow, Trino). Опыт визуализации данных в Redash или Apache Superset будет ключевым для успешной работы в нашей команде.

👀 Откликнуться

⏩️ CI/CD — это не пайплайны, не GitLab и не ямлы. Это фреймворк для процесса разработки, который балансирует между скоростью доставки и надежностью системы.

⏩️ В карточках Орхан Мамедов, лид команды CI/CD RnD, рассказывает, как мы применяем лучшие практики индустрии (подробнее о них можно узнать в статье Continuous Integration от Martin Fowler) и в чём опережаем рынок: от единого артефакта сборки до продуктового подхода к аналитике пайплайнов.