ML Engineer (검색 Conversion/Ranking)

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.
• ML Engineer (검색 Conversion/Ranking)은 검색어를 바탕으로 유저와 상품 사이의 선호를 예측하고, 그 결과로 최종 노출 순서를 만들어내는 Conversion 모델을 책임져요.

합류하면 함께 할 업무예요

• 대규모 후보군을 빠르게 좁히는 Light 랭커와 정밀도를 끌어올리는 Heavy 랭커로 이어지는 2-tier 랭킹 구조 전반을 설계하고 고도화해요.
• 유저·상품·검색어와 그 교차 관계를 담은 피처를 설계하고, 모델이 피처 조합을 직접 학습하도록 구조를 개선해 나가요.
• 현재의 pCTR·pCVR을 넘어 pCart·pLike 등 다양한 유저 액션을 Multi-Task Learning으로 함께 학습하고, 이를 하나의 랭킹 스코어로 통합하는 구조를 설계해요.
• 후보를 개별적으로 평가하던 방식에서 리스트 안의 상대 순서를 직접 학습하는 방향으로 전환을 리드해요.
• 대규모 로그를 바탕으로 학습 라벨과 피처 파이프라인을 설계하고, 오프라인 평가부터 A/B 실험까지 End-to-End로 오너십을 가져요.

이런 분과 함께하고 싶어요

• 검색·추천·광고 도메인에서 3~4년 이상의 CTR/CVR 예측 모델 실무 경험이 있는 분
• 대규모 로그·행동 데이터를 직접 다루고, 피처 파이프라인을 스스로 설계·구축할 수 있는 분
• 딥러닝 랭킹 모델을 직접 학습시키고 실서비스에서 성능을 끌어올려본 분
• 오프라인 지표와 온라인 지표의 괴리를 진단하고 좁혀본 경험이 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 단계를 직접 읽어내는 Problem Solver

이런 경험이 있으면 더 좋아요

• DCN, DeepFM, DIN 등 교차 피처 기반 딥러닝 랭킹 모델 실서비스 적용 경험
• Multi-Task Learning(MMoE, PLE 등) 기반 멀티 액션 예측 모델 설계 경험
• LTR(pairwise/listwise) 모델 실서비스 적용 경험
• Cold start 해결을 위한 Bandit(Thompson Sampling, LinUCB 등) 모델 적용 경험
• Warm/Cold 상품 Blending 및 노출 기회 배분 전략 설계 경험
• Position bias, selection bias 등 랭킹 로그의 편향을 보정해본 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.