AI Engineer (Model)

# 합류하게 될 팀에 대해 알려드려요
- AI Service 팀은 도메인에 국한되지 않고, 토스의 여러 문제를 AI 기술로 해결하는 팀이에요.
- 단순히 문제를 AI 기술로 해결하는 것을 넘어서, 성능 중심의 모델 고도화를 통해 서비스 효과를 극대화해요.
- 다양한 문제 공간을 탐색하면서, 실험과 학습을 통해 토스만의 AI Best Practice를 만들어가고 있어요.
- 토스 데이터 조직에 대해 더 알아보고 싶다면? → 토스 Data Division 위키

# 합류하면 함께 할 업무에요
- 서비스와 맞닿은 현실의 문제를 명확하게 정의하고, 가설-지표-평가 방법을 포함한 실험 전 과정을 기획해요.
- 실제 서비스 데이터로 태스크에 최적화된 모델을 학습하고, Embedding, Retrievar, Reranker 등을 고도화해요.
- 토스에 맞는 학습 데이터셋을 정의하고, 상용 LLM으로 합성 데이터를 기획/제작하며, 학습 파이프라인을 구축해요.
- 서비스에서 발생한 데이터를 바탕으로 모델 개선 플라이휠(학습-평가-배포-모니터링)을 운영하고, 도메인 특화 데이터 기반 최적 모델링 방안을 구현해요.

# 이런 분과 함께하고 싶어요
- 실제 서비스에 AI 시스템을 적용하여 사용자에게 의미 있는 가치를 만들어 본 경험이 있는 분과 함께하고 싶어요.
- Instruction tuning, LoRA, quantization 등 다양한 학습 전략에 익숙한 분이 필요해요.
- LLM이나 embedding 모델을 기반으로 실제 문제 해결을 위한 모델 개선을 주도해 본 분이면 좋아요.
- 모델 성능 개선을 위한 실험 설계와 결과 분석에 능숙한 분과 함께하고 싶어요.

# 이력서는 이렇게 작성하시는 걸 추천해요
- 진행했던 프로젝트가 조직에 큰 영향력을 미쳤다면 그 내용을 자세히 작성해 주세요. 특히, AI 적용 전후의 성과 지표가 있다면 구체적으로 적어주세요.
- 참여한 프로젝트에서 본인이 정의한 문제, 선택한 접근법, 실험 방법과 성능 개선 내용을 구체적으로 적어주세요.
- LLM 오픈소스 모델/소프트웨어 사용 중에 발생한 버그나 이슈를 해결해 보았거나, 부족한 기능을 개선하기 위해 오픈소스 커뮤니티에 기여했던 경험이 있다면 작성해 주세요.
- 반복적인 실험과 성능 분석을 통해 정량적으로 문제를 해결한 과정이 있다면 강조해 주세요.

# 토스로의 합류여정
- 서류 접수 > 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격
- 직무 인터뷰에서는 심층 기술 면접과 ML 시스템 설계를 주제로 면접이 진행될 예정이에요.

# 함께할 동료를 위한 한마디
> "LLM 기술이 급격하게 성장하면서 정말 다양한 유스케이스가 쏟아져 나오고 있어요. 우리 팀은 LLM과 Agent 기술로 토스의 일하는 방식을 근본적으로 바꾸고 싶어요."
- 저희는 토스의 LLM 유스케이스를 해결하는 역할을 하지만, 팀의 긴 호흡을 통해 토스가 가진 내부적 최적화의 가장 큰 임팩트 지점을 2개로 설정했고 이 과제를 해결하기 위해 노력하고 있어요.
- 있어 보이는 LLM 응용보다는 임팩트 있는 케이스를 주도적으로 해결하고 LLM 기술을 토스의 곳곳에 전파하는 역할을 하고 있어요.
- 아직 밝혀지지 않은 문제를 정의하고, 심층적이면서 다면적인 해법을 찾아가는 과정을 즐기는 분을 기다리고 있습니다.
- 일의 범위를 가리지 않고 본인의 역량을 끊임없이 확장하고자 하는 분에게 너무나 적합한 팀이에요.
- LLM 은 토스의 다양한 난제를 풀기 위한 또 하나의 전략 무기에요. 토스가 다양한 서비스를 가지고 있는 만큼 LLM으로 토스의 여러 부분을 최적화 할 수 있는 기회가 너무나도 많이 열려있어요.