통합 검색 임베딩 모델 개발기: 9개 태스크를 고르게 학습시키기
두줄요약
통합 검색 임베딩 모델을 개발하며 9개 태스크를 고르게 학습시키는 과정을 다룬 글입니다.
핵심 내용
- 통합 검색용 임베딩 모델 개발 과정에서 9개 태스크를 균형 있게 학습시키는 방법을 다룬 글
- 1편에서 언급한 도입 배경과 Qwen3-V 계열 모델을 이어받는 맥락의 후속 개발기
- 세부 본문은 확인되지 않아 구체적 학습 전략, 실험 결과는 판단 불가
통합 검색 임베딩 모델을 개발하며 9개 태스크를 고르게 학습시키는 과정을 다룬 글입니다.
ML 엔지니어 (LLM) (ML Engineer)
토스증권 · Seoul
금융·증권 텍스트 문제를 위한 LLM/NLP 모델을 학습·서빙·운영하고, 데이터셋 구축 및 AI 기능 설계를 담당합니다. LLM 또는 NLP 모델을 직접 개발·운영한 경험이 필요합니다.
ML 엔지니어 (ML/LLM Ops) (ML Engineer)
토스뱅크 · Seoul
ML/LLM 플랫폼과 모델 서빙·Feature Store·LLMOps 환경을 구축·운영하고, 하이브리드 클라우드 기반 GPU 워크로드를 고도화합니다. Kubernetes에서 서비스 개발·배포·운영 경험이 필수입니다.
ML 엔지니어 (Growth) (ML Engineer)
토스 · Seoul
대규모 사용자 행동·맥락 데이터를 기반으로 추천·타겟팅 및 CTR·CVR 예측 모델을 개발하고, LLM과 End-to-End 추천을 활용해 서비스 성과를 개선합니다. 추천·랭킹 또는 반응 예측 모델의 설계·학습·평가와 반복 실험 경험이 필요합니다.
#LLM 주제를 이어서 읽기
미리캔버스의 여러 검색 과제를 하나의 임베딩 공간으로 묶기 위한 모델 개발 과정을 소개했습니다. 태스크별 운영의 한계를 줄이고 디자인 도메인 특성에 맞게 학습한 방식이 핵심이었습니다.
