합류하게 될 팀에 대해 알려드려요

• ML Engineer(Ads Retrieval)는 Applied AI Chapter에 소속되면서 동시에 광고 도메인(사업부)에 배치되어요.
• 광고 도메인의 각 팀은 Product Owner, ML Engineer, Data Analyst, Server Developer 등 다양한 직군으로 구성되어 있고, 작은 스타트업처럼 자율성을 갖고 일하고 있어요.

합류하면 함께 할 업무에요

• 방대한 상품 카탈로그에서 사용자에게 적합한 광고 후보를 찾아요. 다양한 Retrieval Source를 만들고 개선하며, 기존 추천이 놓치던 상품과 사용자의 연결을 넓혀요.
• Retrieval과 Light Ranker의 후보 품질을 높여요. 제한된 응답 시간 안에서 좋은 후보를 확보하고, 최종 랭커가 더 좋은 선택을 할 수 있도록 후보 생성과 선별 구조를 개선해요.
• 신규 상품과 행동 데이터가 부족한 상품의 Cold-start 문제를 풀어요. 상품의 가능성을 발견하고 적절한 노출 기회를 제공하면서, 사용자 경험과 광고 성과를 함께 높여요.
• 후보 품질의 개선을 실제 성과로 연결해요. 어떤 상품이 후보에서 누락되고 어떤 후보가 성과에 기여하는지 분석하고, 실험을 통해 추천과 광고 성과를 개선해요.

이런 분과 함께하고 싶어요

• 추천, 검색 또는 광고 서비스에서 후보 생성이나 선별 모델을 직접 개발한 경험이 필요해요. Retrieval이나 Light Ranker 등 관련 모델을 학습하고, 서비스 적용에 필요한 코드를 직접 구현해 본 분을 찾고 있어요.
• 학습 데이터부터 후보 품질까지 함께 다룰 수 있는 분이면 좋아요. 사용자 행동과 상품 데이터로 학습셋을 구성하고, 모델의 성능을 평가하고 추적한 경험을 중요하게 생각해요. 최종 랭커의 목적을 고려해 후보 생성과 선별 방식을 개선해 본 분을 찾고 있어요.
• Problem Solver를 찾고 있어요. 데이터로 문제를 정의하고, 직접 구현과 실험을 반복하며 개선을 만들어 본 분이면 좋아요. 오프라인 평가와 A/B 실험 결과를 해석하고, 다음 가설과 실행으로 연결한 경험을 중요하게 생각해요.

이런 경험이 있으면 더 좋아요

• 커머스 상품 카탈로그에서 Retrieval을 개발한 경험이 있으면 좋아요.
• 다양한 Retrieval Source를 직접 만들고, 각 Source의 기여도와 중복, 커버리지를 분석해 조합을 개선한 경험이 있으면 좋아요.
• Two-Tower와 ANN 기반 검색을 서비스에 적용하거나, 최종 랭커의 판단을 Light Ranker에 반영해 본 경험이 있으면 좋아요.
• 콘텐츠 기반 추천이나 Bandit 기반 탐색 등으로 Cold-start를 개선한 경험이 있으면 좋아요. 초기 반응을 예상하고 노출 배분 실험을 주도해 본 경험을 환영해요.

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.