ML 연구원

회사 및 제품 소개

스캐터랩은 2024년 4월 1일 새로운 AI B2C 서비스인 '제타(zeta)'를 출시한 이후, 제품의 성장에 집중하고 있습니다. 제타는 유저가 주인공이 되어 AI와 대화하며 캐릭터, 세계관, 상황이 실시간으로 변화하는 스토리 기반 엔터테인먼트 서비스입니다. 정해진 콘텐츠를 수동적으로 소비하는 것이 아니라, 유저가 선택하고 개입하며 자신만의 이야기를 능동적으로 만들어가는 경험을 제공합니다. 제타는 액티브 유저 기준 하루 평균 약 2시간, 주간 평균 8시간 이상의 사용 시간을 기록하고 있으며, 출시 이후 유저 수와 매출이 함께 성장 곡선을 그리고 있습니다.

포지션 소개

제타는 유저가 주인공이 되어 자신만의 스토리를 만들어가는 AI 네이티브 엔터테인먼트 서비스입니다. 제타에서 가장 중요한 것은 유저가 상상한 플레이를 얼마나 설득력 있게 구현하느냐이며, 그 중심에는 서사와 캐릭터 경험을 정교하게 설계하는 AI가 있습니다. 스캐터랩의 ML Researcher는 실제 사용자 경험을 바탕으로 문제를 정의하고, 머신러닝 기술로 이를 해결함으로써 사용자의 몰입도를 높이고 경험을 혁신합니다. 단순히 모델의 성능을 개선하는 데 그치지 않고, 데이터 수집과 정제, 모델 학습과 평가, 실제 서비스 적용과 운영까지 전 과정을 연결해 제품의 성장에 실질적으로 기여합니다.

주요 업무

스캐터랩의 ML Researcher는 제타 서비스의 핵심인 LLM의 학습부터 실제 서비스 서빙까지 이르는 전체 사이클을 주도합니다. 유저의 재미와 경험을 최우선 지표로 삼아, 제한된 자원 내에서 최고의 성능과 안정성을 갖춘 모델을 개발하기 위해 아래 업무를 수행합니다. ㅁ최신 학습 방법론 적용: 제타 서비스에 최적화된 모델 구축을 위해 Continual Pre-training 및 SFT(Supervised Fine-tuning) 관련 최신 방법론을 탐색하고 적용합니다.

ㅁ유저 선호도 최적화: 제품 내 유저 선호도와 상호작용 데이터를 분석하여 RLHF, DPO, GRPO 등 다양한 Preference Optimization 기법을 적용하고, 유저와 밀접하게 정렬된 모델을 제공합니다.

ㅁ효율적인 서빙 전략 설계: 최소 비용으로 최대 성능을 내기 위해 Knowledge Distillation, Quantization-aware Training 등의 학습 방법론을 개발하고, Weight/KV Cache Quantization 등 캐시 친화적인 서빙 전략을 설계합니다.

ㅁ답변 품질 극대화: Model Ensemble, Rejection Sampling 등 여러 모델의 강점을 결합하는 전략을 연구하여 실제 서비스 환경에서의 응답 품질을 높입니다.

ㅁ모델 평가 방법론 개발: 다양한 방법론으로 개발되는 모델들을 빠르고 정확하게 평가하기 위해 A/B 테스트, Multi-armed Bandit(MAB), 자체 리더보드 등 실서비스 지표를 활용한 평가 시스템을 구축합니다.

필수 역량

ㅁAI 기술을 실제 제품에 적용하는 과정에 높은 관심을 가지고, 출시 이후에도 성능을 지속적으로 개선하며 고도화할 수 있는 분

ㅁAI/ML 분야에 대한 탄탄한 기본기를 바탕으로, 최소 한 가지 이상의 특정 도메인에 대해 깊이 있게 이해하고 관련 프로젝트 경험을 보유한 분

ㅁ문제를 명확하게 정의하고, 적절한 실험을 설계 및 수행한 뒤 결과를 분석해 인사이트를 도출하는 전 과정을 주도적으로 수행할 수 있는 분

ㅁPyTorch, TensorFlow 등 오픈소스 ML 프레임워크를 활용해 학습 파이프라인을 직접 구현하고 개선해 본 경험이 있으며, Python 기반으로 실험과 개발을 빠르게 반복할 수 있는 분

우대 역량

ㅁAI 기술을 활용한 제품이나 기능을 직접 개발·운영해 본 경험이 있거나, 실제 서비스 환경에서 발생하는 제약과 요구사항을 고려한 개선 경험이 있는 분

ㅁAI 관련 연구, 논문, 프로젝트를 주도적으로 이끌어 목표를 설정하고 실행 계획을 수립한 뒤, 결과물을 만들어 임팩트로 연결해 본 경험이 있는 분

ㅁNeurIPS, ICML, ICLR, CVPR, ICCV, ACL, EMNLP 등 주요 학회에 1저자로 논문을 게재했거나, Kaggle 등 관련 대회에서 수상하여 객관적으로 검증된 성과를 보유한 분

ㅁHugging Face, DeepSpeed 등 AI/ML 생태계의 주요 오픈소스에 기여하여 실제로 코드와 커뮤니티에 기여한 경험이 있는 분

ㅁFSDP, DeepSpeed, Slurm 등을 활용하여 멀티 클러스터 환경에서의 분산 학습을 진행한 경험이 있는 분

채용 프로세스

서류 전형 -> 리쿠르터 콜 -> 컬처 에세이 -> 직무 과제 -> 직무 면접 -> 컬처핏 면접 -> 처우 협의 -> 최종 합격

상세한 내용은 [지원하기] 버튼을 통해 본 공고를 확인해 주세요.