AI가 이 공고를 요약해드릴게요!
토스에서 추천 시스템을 개발하고 개선할 ML Engineer를 채용합니다. 사용자 행동 데이터를 기반으로 추천 모델을 구축하고, 모델 성능 개선 및 실험을 통해 서비스 성과를 향상시키는 역할을 수행합니다.
추천 시스템 개발 경험과 ML 프레임워크 활용 능력이 요구됩니다.
- 조직소개
- MLE(추천)은 토스의 다양한 도메인(Ads, 커머스, Home 등)에서 추천 시스템과 반응 예측 모델을 통해 사용자와 콘텐츠, 서비스, 광고 간의 연결을 최적화하는 역할을 해요.
- 도메인별로 문제 정의와 추천 대상은 다르지만, 공통적으로 유저 행동 데이터를 기반으로 콘텐츠를 정교하게 노출하고 성과를 높이는 머신러닝 기반의 문제 해결 능력이 중요해요.
- 인터뷰를 통해 후보자의 강점과 경험을 고려한 도메인 및 과제에 배치될 예정이에요.
- 토스 데이터 조직에 대해 더 알아보고 싶다면?→토스 Data Division 위키
- 업무내용
- 광고 콘텐츠의 클릭 및 전환 가능성을 예측하기 위한 CTR/CVR 예측 및 랭킹 모델을 개발해요.
- 사용자, 광고 소재, 맥락 데이터를 바탕으로 개인화된 광고 추천 및 타겟팅 알고리즘을 설계하고 개선해요
- 모델 성능 개선을 위한 피처 엔지니어링, 실험 설계 및 정량적 평가를 반복적으로 수행해요.
- 추천 로직 및 모델이 광고 성과에 미치는 영향을 분석하고, 성과 개선을 위한 반복 실험과 개선 사이클을 운영해요.
- 사용자 행동, 상품 정보, 맥락 데이터 등을 바탕으로 상품 클릭률(CTR), 전환율(CVR) 등을 예측하는 모델을 개발해요.
- 예측 결과를 활용해 상품 노출을 최적화하는 추천 알고리즘을 설계하고 고도화해요.
- 추천 품질을 높이기 위한 모델 성능 분석, 피처 엔지니어링, 하이퍼파라미터 튜닝 등의 반복적인 실험을 수행해요.
- 다양한 실험과 오프라인/온라인 지표 분석을 통해 모델 개선 효과를 정량적으로 검증해요.
- 토스 앱의 여러 추천 인벤토리에서 노출되는 콘텐츠, 서비스, 프로모션을 위한 추천 모델을 설계·개선해요.
- 사용자 행동, 시간, 맥락 등을 바탕으로 정확한 추천과 반응 예측(CTR 등)을 위한 모델을 설계해요.
- 추천 성능을 높이기 위한 피처 발굴, 실험 설계, 성능 평가 및 반복적인 개선 작업을 수행해요.
- 다양한 추천 영역과 푸시 메시지 등에 대해 유저 반응을 기반으로 노출 전략을 최적화하고, 실제 성과를 정량적으로 측정해요.
- 지원자격
- 추천 시스템, 랭킹, 개인화 모델링 등 사용자-콘텐츠/서비스 매칭 문제를 실무에서 해결한 경험이 있으신 분이 필요해요.
- CTR, CVR 등 사용자 반응 예측 모델 개발 및 개선 경험이 있는 분이 필요해요.
- 다양한 피처를 활용한 모델 설계, 실험, 성능 개선 루틴에 익숙한 분이 필요해요.
- PyTorch, TensorFlow, LightGBM 등 ML 프레임워크 활용 경험이 있으신 분이 필요해요.
- 반복적인 실험과 정량 평가를 통해 실제 서비스 성과를 개선한 경험이 있는 분이면 좋아요.
- 다양한 직군과 협업하며 기술적 설명과 문제 정의를 명확히 할 수 있는 커뮤니케이션 역량이 있으신 분이면 좋아요.
- 전형절차
서류 접수 > 1차 직무 인터뷰 (코딩) > 2차 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격 1차 직무 인터뷰에서는 간단한 코딩 테스트, 이력 체크, ML 기초 지식 테스트가 진행될 예정이에요. 2차 직무 인터뷰에서는 심층 기술 면접과 ML 시스템 설계를 주제로 면접이 진행될 예정이에요.