ML Engineer (커뮤니티 추천)

주요업무

• 사용자 관심사 및 콘텐츠 맥락 연결을 위한 개인화 추천 모델 개선

• 커뮤니티 신뢰도와 장기적 사용자 경험을 고려한 피드 추천 품질 고도화

• 사용자 행동 로그와 콘텐츠 데이터 기반 학습 데이터 정의 및 검증

• 노출 편향, 선택 편향, 데이터 최신성 등 추천 품질 저해 요인 해결

• 사용자, 콘텐츠, 커뮤니티 맥락을 표현하는 feature 고도화

• 오프라인 모델의 실제 사용자 경험 검증을 위한 평가 체계 구축

• 추천 결과 해석 및 디버깅을 위한 지표와 샘플링 방식 고도화

• 실험 결과를 제품 지표와 연결하여 개선 방향 정의

• 모델의 안정적 서비스를 위한 응답 속도, 모니터링, 배포 안전성 개선

• 운영 중 발생하는 품질 저하 및 데이터 변화 원인 분석 및 구조적 개선

지원자격

• 실제 서비스에서 추천 시스템, 검색/랭킹, 개인화 모델 중 하나 이상을 개선해 본 경험

• Python 및 PyTorch를 활용한 모델 학습, 평가, 실험 코드 직접 작성 경험

• 데이터가 만들어진 맥락과 편향을 함께 검증할 수 있는 역량

• 모델 구조, 학습 데이터, 평가 방식, 제품 지표를 연결하여 문제를 정의할 수 있는 역량

• 모델 성능, 서빙 안정성, 운영 지표, 배포 리스크를 종합적으로 고려할 수 있는 역량

• 복잡한 문제를 명확히 정리하고 다양한 직군과 밀도 있게 협업할 수 있는 소통 능력

우대사항

• 대규모 추천/랭킹 시스템의 end-to-end 개선 및 운영 경험

• Representation learning, contrastive learning 등 모델 학습을 통한 실제 서비스 지표 개선 경험

• 대규모 이벤트 로그 기반 학습 데이터 파이프라인 또는 feature store에 대한 이해

• 모델 배포, 실험 관리, 모니터링 등 온라인 ML 운영 경험

• 텍스트, 커뮤니티/소셜 데이터, 금융 도메인 데이터 활용 경험

기술스택

• Development & ML: Python, PyTorch, pandas, NumPy, scikit-learn, Transformers

• API & Serving: FastAPI, KServe, Kubernetes

• DB & Messaging & Cache: Elasticsearch, ClickHouse, MySQL, MongoDB, Impala, Milvus, S3, Kafka, Redis

• Monitoring & Observability: MLflow, Prometheus, Grafana

이력서 작성 팁

• 해결하려던 문제, 선택한 방법, 그에 따른 결과(지표 및 제품 변화)를 명확히 작성

• 모델 개발 외에 데이터 정의, 평가, 운영 과정에서의 시도 및 개선 내용 포함

• 전체 구조와 본인의 핵심 기여도 중심으로 작성

• 외부 공개가 어려운 보안 사항은 제외하고 작성

채용절차

1. 서류 접수

2. 직무 인터뷰

3. 문화적합성 인터뷰

4. 레퍼런스 체크

5. 처우 협의

6. 최종합격 및 입사

유의사항

• 이력서 및 제출 서류에 허위 사실이 발견되거나 징계사항이 확인될 경우 채용 취소 가능

• 내규에 따른 채용 금지자 또는 결격사유 해당자는 채용 취소 가능

• 장애인 및 국가보훈대상자는 관련 법령에 따라 우대

마감기한

상시채용