Организация: Яндекс. Роль: ML-инженер международного геопоиска Яндекс.Карт. Период: март — июль 2026.
Целью проекта было повышение качества геопоиска в Турции. Основным конкурентом и рыночным ориентиром выступали Google Карты.
Необходимо было сократить долю запросов, по которым пользователь не получал результата, ускорить диагностику проблем и организовать регулярную оценку качества на свежих пользовательских запросах.
До автоматизации исследование одной группы проблем занимало 1–2 рабочих дня и охватывало только 30–50 примеров. Для системного улучшения поиска требовался единый контур: от обработки журналов запросов до экспериментов, расчёта метрик, визуализации результатов и внесения изменений непосредственно в код геопоиска.
Дополнительным направлением стала двухнедельная проектная школа для шести студентов бакалавриата ИТМО. Её задачей было создание аналитического инструмента для исследования геопоискового спроса в Турции.
Я самостоятельно реализовал основной технический контур проекта:
— исследовал причины пустых ответов и узкие места в обработке геопоисковых запросов;
— разработал автоматизированный диагностический инструмент для массового анализа запросов, группировки проблемных случаев и проверки гипотез;
— построил поток обработки данных от пользовательских журналов до двух наборов запросов: KPI для регулярного контроля качества и VAL для независимой проверки изменений;
— настроил автоматические запуски экспериментов по расписанию;
— организовал расчёт метрик Empty SERP, DCG@ и BinaryRelevance@;
— собрал панель мониторинга в DataLens для сравнения KPI- и VAL-выборок и отслеживания динамики качества;
— самостоятельно писал код решений и вносил изменения непосредственно в код геопоиска;
— проверял каждое изменение на контрольных выборках и анализировал его влияние на качество выдачи.
В рамках проектной школы я руководил командой из шести студентов. За две недели команда создала прототип с графическим интерфейсом и автоматизированным pipeline обучения и инференса ML-моделей для прогнозирования количества геопоисковых запросов. Целевой аудиторией инструмента были продакт-менеджеры.
В публичном описании не раскрываются внутренние названия сервисов, закрытые данные и конфиденциальные детали инфраструктуры.
Доля запросов с пустым ответом в геопоиске Турции снизилась с 10% до 2% — в пять раз относительно исходного уровня.
Время диагностики сократилось с 1–2 рабочих дней до 5–20 минут. Вместо ручного исследования 30–50 примеров стало возможно анализировать от 500 до 10 000 запросов за один цикл.
Был создан регулярный контур контроля качества: свежие KPI- и VAL-выборки, автоматические эксперименты, расчёт метрик и единая панель мониторинга в DataLens.
Это позволило быстрее находить причины проблем, проверять гипотезы на репрезентативных данных и оценивать результат изменений до их дальнейшего использования.
Проектная школа завершилась работающим прототипом аналитического инструмента, объединяющим графический интерфейс, ML-pipeline и прогнозирование геопоискового спроса.
