참고해주세요

• 바로 지원하기가 부담스럽다면, ML Engineer 현업과의 상시 커피챗 을 신청해보세요!

합류하게 될 팀에 대해 알려드려요

• 토스 커머스의 Commerce Search Relevance Silo에 소속돼요.
• 유저 질의를 의미적으로 분석하는 것부터 최적의 상품을 찾아 정렬하는 것까지, 검색 파이프라인 전 단계를 함께 개선해 나가고 있어요. 하루 수십만 건의 질의가 들어오지만, 아직 적지 않은 검색이 유저가 원한 상품을 찾아주지 못해요.
• ML Engineer (검색 Relevance)는 검색의 가장 근본인 relevance, 즉 "이 상품이 이 질의에 정말 적합한가"를 판단하는 모델을 처음부터 끝까지 책임져요. 그렇게 "토스에서 검색하면 찾을 수 있다"를 당연하게 만들어요.

합류하면 함께 할 업무에요

• LLM Teacher 모델을 활용해 relevance 레이블을 설계하고, 이를 distillation한 Student 임베딩 모델을 학습시켜요. 이 모델은 ANN 기반으로 대규모 후보군의 relevance를 판별하는 foundation 역할을 해요.
• Student 임베딩에 더해 상품의 다양한 컬럼(상품명·브랜드·카테고리·속성 등) 기반 lexical 매칭 피처를 결합한 Heavy Relevance 모델을 설계·학습해, 최종 랭킹 단계의 정확도를 끌어올려요.
• Light/Heavy 2-tier 구조 전반의 학습 데이터 파이프라인을 직접 설계해요. 로그·행동 데이터에서 학습셋을 구성하고, LLM 레이블링 프롬프트와 휴먼 레이블링 루프를 함께 운영해요.
• 오프라인 평가 프레임워크(정확도·Recall·Defect Rate 등)를 정의하는 것부터 A/B 실험까지 엔드투엔드로 오너십을 가져요.
• relevance 모델이 QU·Retrieval·Ranking과 맞물리는 지점에서 발생하는 품질 이슈를 진단하고, 크로스팀 개선 과제를 설계·리드해요.

이런 분과 함께하고 싶어요

• 검색 도메인에서 3년 이상의 실무 경험이 있는 분
• 대규모 로그·행동 데이터를 직접 다루고, 학습 데이터셋을 스스로 설계·구축할 수 있는 분 임베딩·랭킹 모델을 직접 학습시키고 성능을 끌어올려본 분
• LLM을 레이블링·데이터 생성·평가 등 문제 해결을 위한 도구로 능숙하게 활용할 수 있는 분 데이터 분석부터 모델 학습, 서빙 반영까지 혼자 끌고 갈 수 있는 분
• 품질 개선을 가로막는 진짜 원인이 무엇인지 데이터로 밝혀내고, 실험을 설계해 그 결과에서 다음 스텝을 직접 읽어낼 수 있는 Problem Solver

이런 경험이 있으면 더 좋아요

• Knowledge Distillation·Two-Tower·Bi-Encoder·Cross-Encoder 등 relevance 모델 학습과 실서비스 적용 경험
• ANN(Milvus·FAISS 등) 기반 벡터 검색 실무 경험
• LLM-as-a-Judge 기반 relevance 레이블 설계와 품질 검증 경험
• Elasticsearch 기반 BM25·lexical 피처 설계 경험
• LTR·Multi-task 딥러닝 랭킹 모델의 실서비스 적용 경험
• 대규모 커머스 또는 검색 플랫폼에서 A/B 실험 설계·운영 경험

이력서는 이렇게 작성하시는 걸 추천해요

• 현재 채용 공고와 관련 있었던 업무/프로젝트에 대해서 본인의 역할과 결과에 대해 구체적으로 작성해 주세요.
• 본인이 정의한 문제, 선택한 접근법, 실험 방법과 성능 개선 내용을 구체적으로 작성해주세요.
• 이력서 내용을 정량적으로 작성해 주면 더 좋아요.

토스로의 합류여정

서류 접수 > 프리인터뷰 > 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격

• 프리 인터뷰에서는 지원서 기반의 주요 경험과 직무 적합도를 중심으로 면접이 진행될 예정이에요.
• 직무 인터뷰에서는 심층 기술 면접과 ML 시스템 설계를 주제로 면접이 진행될 예정이에요.