실제 AI 제품에서는 모델 성능뿐 아니라 검색 품질과 속도, 사용자 경험까지 함께 고려해야 합니다. 이번 밋업에서는 자체 모델 학습과 검색엔진 고도화 사례를 공유합니다.
ML Engineer (검색 Relevance)
토스 · Seoul
검색 Relevance 모델을 처음부터 끝까지 책임지며, LLM Teacher와 학생 임베딩 모델을 활용해 Light/Heavy 랭킹 모델과 데이터 파이프라인을 설계·학습합니다. 검색 도메인 실무 경험과 대규모 로그·행동 데이터, 임베딩·랭킹 모델, LLM 활용 역량이 필요합니다.
ML Engineer (Product)
토스뱅크 · Seoul
토스뱅크 ML Tribe에서 AI/ML로 은행 서비스 문제를 해결하며, 대규모 트래픽·고SLA 환경의 ML/AI 서비스와 LLM 서빙, RAG·Agent 애플리케이션을 설계·개발·운영하십니다. 프로덕션 개발·운영 경험과 AI/ML의 비즈니스 임팩트 경험이 필요합니다.
ML Engineer (Ads Retrieval)
토스 · Seoul
방대한 상품 카탈로그에서 광고 후보를 찾고, Retrieval과 Light Ranker의 후보 품질 및 Cold-start 문제를 개선해 성과로 연결하는 ML Engineer입니다. 추천·검색·광고 서비스에서 후보 생성/선별 모델을 직접 개발하고, 데이터 구성·평가·실험까지 수행한 경험이 필요합니다.
#LLM 주제를 이어서 읽기
X
