자연어 검색 에이전트의 품질을 높이기 위해 Entity RAG와 Knowledge-aware retrieval을 적용한 사례를 소개했습니다. 신규 개체 인식과 테마 질의 대응 성능이 개선되었고, 향후 적용 범위 확대도 제시했습니다.
ML Engineer (검색 Relevance)
토스 · Seoul
검색 Relevance 모델의 레이블 설계부터 임베딩·랭킹 모델 학습, 데이터 파이프라인, 오프라인 평가와 A/B 실험까지 엔드투엔드로 담당합니다. 검색 도메인 실무 경험과 대규모 로그·행동 데이터 기반 데이터셋 구축, 임베딩·랭킹 모델 학습, LLM 활용 역량이 필요합니다.
LLM Engineer (Data Generation)
42dot · Pangyo (Software Dream Center), South Korea
모델 성능 병목과 실패 사례를 분석해 학습 데이터를 설계·생성·평가하고, 대규모 데이터 생성 파이프라인 및 품질 개선 전략을 구축·운영합니다. LLM·머신러닝·NLP 이해와 Python 기반 데이터 처리·자동화, Synthetic Data·데이터 평가 또는 큐레이션 경험이 필요합니다.
LLM Engineer (LLM Training)
42dot · Pangyo (Software Dream Center), South Korea
LLM 학습 파이프라인을 설계하고 Pre-training·Post-training 효율, 생성 결과의 정확성·안정성 및 Self-Refine 학습 구조를 개선합니다. Deep Learning 또는 NLP 연구·개발 경험과 Python·PyTorch 기반 모델 학습, GPU 및 분산 학습 프레임워크 활용 역량이 필요합니다.
#LLM 주제를 이어서 읽기
에이닷 미디어 에이전트의 대화형 콘텐츠 탐색 구조와 핵심 기술을 설명했습니다. LLM, RAG, 선제 추천을 활용해 개인화된 검색 경험을 강화했습니다.
