통합 검색 임베딩 모델을 개발하며 9개 태스크를 고르게 학습시키는 과정을 다룬 글입니다. 본문이 일부 차단되어 세부 내용은 확인되지 않았습니다.
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.
ML Engineer (검색 Conversion/Ranking)
토스 · Seoul
검색어 기반으로 유저·상품 선호를 예측하는 Conversion 모델과 2-tier 랭킹 구조를 설계·고도화하며, 피처·라벨 파이프라인부터 A/B 실험까지 주도합니다. CTR/CVR 예측, 대규모 행동 데이터, 딥러닝 랭킹 모델 실서비스 경험이 필요합니다.
ML Engineer (LLM)
토스증권 · Seoul
금융·증권 텍스트 문제를 위한 LLM/NLP 모델을 학습·평가·서빙·운영하고, 데이터셋 구축 및 AI 기능 설계를 담당합니다. LLM 또는 NLP 모델을 직접 개발·운영하며 데이터 정의부터 운영까지 책임진 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.
