머신러닝 엔지니어 커리어 로드맵 예시

🔍 커리어 돌아보기

비전스택, 추천·서빙

• 수행 레벨은 개선을 넘어 일부 설계 단계로 올라와 있어요. 시퀀스 모델 교체, 후보 생성과 순위 결정의 2단계 구조, 일 단위 학습, 피처 저장소 도입을 직접 다뤘고, WORK_LOGS에는 2025년 후보 수를 200·500·1000으로 비교해 회수율과 지연의 균형점을 찾은 기록이 있습니다.
• 난이도는 실서비스 제약이 분명한 편이에요. 추천 응답을 210밀리초에서 70밀리초로 낮추면서 후보 회수율 94%와 지연 증가 6밀리초를 함께 확인했고, 학습과 서빙의 불일치 피처 6개를 찾아 지표 격차를 9%에서 2%로 줄였어요. 다만 트래픽 규모, 비용, 장애 대응 범위는 기록에 없어 운영 맥락의 상한은 판정하기 어렵습니다.
• 시장 동시대성은 높아요. 시퀀스 모델, 온라인 추론 최적화, 피처 저장소, 실험 플랫폼, 모델 성능 대시보드는 현재 추천 시스템 채용에서 읽히는 핵심 키워드와 맞습니다. 특히 실패한 추천 변경 2건을 조기에 되돌린 기록은 실험 운영 신호지만, 모델 재학습·드리프트·롤백 자동화 수준은 추가 기록이 필요해요.

오름로보틱스, 비전·ML

• 수행 레벨은 개선과 배포 설계에 걸쳐 있어요. 적재물 인식 모델을 만들고 조명 조건 데이터를 추가했으며, 양자화와 구조 축소로 정확도 손실을 1%대로 유지하면서 추론 속도를 2배 높였어요. 로봇 20대 모델 갱신 시간을 이틀에서 두 시간으로 줄인 원격 배포도 모델을 현장 시스템에 넣은 경험으로 읽힙니다.
• 난이도는 실제 장치와 환경 제약이 있는 중간 이상 수준이에요. 반사 재질에서 인식 실패가 몰린 원인을 조건별로 분류했고, 현장 영상을 자동 수집해 월 수집량을 3배로 늘렸습니다. 다만 장치 수 외의 장애율, 현장 SLA, 모델 버전별 성능 비교가 없어 대규모 운영 판단까지 했다고 보기는 어렵습니다.
• 시장 동시대성은 현재 추천 직무와 직접 일치하지는 않지만 전이 가치가 있어요. 양자화, 온디바이스 추론, 원격 배포는 MLE의 추론 최적화 역량을 보여주며, 데이터 수집부터 배포까지 닫힌 흐름을 경험했다는 점도 유효합니다. 추천 도메인에서는 오래된 경험으로 남을 수 있으므로 현재의 추천 시스템 설계 사례가 주된 증거가 되어야 해요.

후보 생성 단계 분리

• 수행 레벨은 설계로 판정할 수 있어요. 전체 콘텐츠를 매번 점수화하던 구조를 후보 생성과 순위 결정으로 나누고, 예상 계산량을 8분의 1 수준으로 계산한 뒤 실서비스 트래픽 복제 환경에서 검증했어요. 구현보다 구조의 경계와 trade-off를 정한 점이 핵심입니다.
• 난이도는 추천 품질과 지연을 동시에 맞춰야 하는 문제였어요. 후보 수 500에서 회수율 94%, 지연 증가 6밀리초라는 기준을 확인했고, 더 무거운 순위 모델을 쓸 여지를 만든 점이 구체적입니다. 다만 후보 생성 방식별 비용, 트래픽 증가 시 확장성, 장애 시 대체 경로는 기록되지 않았습니다.
• 시장 동시대성은 매우 직접적이에요. 후보 생성, 랭킹, recall 측정, 지연 예산은 추천 시스템 엔지니어가 다루는 핵심 구조입니다. 다음 단계에서는 온라인 실험 결과와 장애·재처리 정책까지 연결해야 설계 경험이 운영 가능한 아키텍처 경험으로 올라갑니다.

📍 현재 위치

경력은 실행 단계를 지나 개선과 설계를 반복하는 미들 후반 수준에 가깝습니다. 추천 모델 교체뿐 아니라 서빙 구조, 학습 주기, 피처 일관성, 실험 노출까지 건드렸고, 현재 선임 직급과 2019년부터 이어진 ML 경력에 비춰도 추천 영역의 전문성은 충분히 구축됐어요. 다만 시니어의 기준인 시스템 방향 결정과 여러 이해관계자의 우선순위 조정은 아직 일부만 드러납니다.

강점

• 일 단위 학습으로 신규 콘텐츠 반영 시간을 7일에서 1일로 줄이고 실패 시 이전 모델 유지 규칙을 붙였어요. 시장에서는 모델 개발을 자동화된 운영 흐름으로 바꿀 수 있다는 신호로 읽힙니다. 추천 시스템 전체 설계로 가려면 이 경험을 재학습 품질, 실패율, 복구 기준까지 확장하면 됩니다.
• 콜드 스타트에서 가입 취향을 후보 생성에 반영해 첫 주 시청 시작률을 9% 높였어요. 이는 모델 정확도만 보는 사람이 아니라 사용자 상태별 추천 문제를 정의하고 제품 지표로 검증한 기록입니다. 전문성을 심화하려면 신규 사용자, 신규 콘텐츠, 장기 미사용자를 나눈 정책과 평가 기준을 직접 소유해야 해요.
• 다양성 보정에서 장르 수를 1.1개 늘리면서 클릭률을 유지했고, 콘텐츠팀이 신작 노출까지 요청했어요. 시장에서는 단일 지표 최적화의 부작용을 발견하고 다목적 랭킹 문제로 확장하는 신호입니다. 목표와 비교하면 콘텐츠 정책을 모델과 함께 결정하는 권한까지 넓힐 필요가 있습니다.

공백

• 지면 정책과 모델 결과가 충돌하는 지점을 5개 확인했지만 3개 조정 합의에 그쳤어요. 이는 문제 발견 능력은 보이지만 최종 지면 구조와 사업 목표를 결정한 소유권 신호는 아닙니다. 추천 시스템 전체 설계를 위해 정책 우선순위, 예외 규칙, 모델 개입 범위를 문서로 제안하고 승인 결과를 남겨야 해요.
• 추천 품질을 클릭률, 시청 시작률, 장르 수로 확인했지만 비용·트래픽·장애·드리프트를 함께 관리한 기록은 없습니다. 시니어 추천 엔지니어는 모델 성능뿐 아니라 p99, 계산 비용, 데이터 신선도, 실패 시 대체 경로를 묶어 시스템 기준을 세웁니다. 현재 환경에서 이 지표를 수집할 수 있는지 먼저 확인하고, 없으면 개인 프로젝트에서 평가 구조를 재현해야 합니다.

🧭 목표 대비 격차

이미 준비된 것

• 실서비스 추천 파이프라인의 핵심 경계는 이미 다뤘어요. 후보 생성과 순위 결정을 분리하고 후보 수별 회수율·지연을 측정한 경험은 목표 직무의 시스템 설계 기반으로 바로 인정됩니다. 현 직장에서 온라인 장애·비용 지표를 붙이는 A 경로가 가장 빠른 확장입니다.
• 모델과 제품 지표를 연결한 사례가 있어요. 시퀀스 모델의 클릭률 14% 상승, 콜드 스타트의 첫 주 시청 시작률 9% 상승, 다양성 보정의 장르 수 1.1개 증가 기록은 추천 의사결정의 결과를 수치로 남겼습니다. B 경로에서 이 지표를 재현 가능한 평가 보고서로 정리하면 전문성의 설명력이 올라갑니다.

비어 있는 것

• 시스템 전체의 품질 기준과 장애 대응 설계가 비어 있어요. 가이드상 미들 이후에는 latency·실패율·비용·데이터 품질을 묶어 파이프라인을 설계해야 하므로, 모델 개선 사례만으로는 시니어 설계 신호가 부족합니다. 현재 팀에서 SLA와 fallback을 제안하는 A 경로가 우선이고, 사내 권한이 없으면 B 경로에서 축소된 환경으로 재현할 수 있습니다.
• 지면 정책과 모델의 우선순위를 결정한 기록이 부족해요. 최근 기록은 충돌 규칙 5개 확인과 3개 조정 합의까지 보여주지만, 최종 정책 오너십은 기획에 남아 있습니다. 현 직장에서 정책 문서와 실험 승인 기준을 공동 소유하는 A 경로로 메우고, 불가능하면 추천 정책 시뮬레이터를 B 경로로 만드세요.
• 대규모 트래픽과 비용 변화에 대한 증거가 없습니다. 현재 데이터에는 실서비스 트래픽 복제 환경과 210밀리초에서 70밀리초의 개선은 있으나 실제 규모, 요청당 비용, 트래픽 증가 대응은 기록되지 않았어요. 개인 프로젝트로 수치를 가장할 수는 없으므로 A 경로에서 실제 p99·비용·처리량을 기록하고, 그런 부하가 구조적으로 없을 때 C 경로를 검토해야 합니다.
• 모델 생명주기 전체의 재학습 품질과 드리프트 관리도 비어 있어요. 일 단위 학습과 이전 모델 유지 규칙은 시작점이지만, 성능 저하 감지와 재학습 중단 기준까지는 확인되지 않습니다. A 경로에서 운영 규칙을 만들고 B 경로에서 오프라인 평가·모델 레지스트리 흐름을 공개 산출물로 남기는 조합이 적합합니다.

🔀 경로 선택

🏢 경로 A · 현 직장 안에서

추천 시스템 지표판 구축

당장 추천 응답의 p50·p95·p99 지연, 후보 회수율, 피처 신선도, 모델별 오류율을 한 화면에서 보는 지표판을 제안하세요. 현재 기록은 210밀리초에서 70밀리초까지 낮춘 성과는 있지만 비용과 실패율이 빠져 있어 시스템 전체 설계 신호가 약하므로 이 공백을 먼저 채워야 합니다. 4주 동안 주간 수치와 기준선, 임계치 초과 횟수, 원인과 조치 내용을 저장하세요.

모델 장애 대체 설계

다음으로 학습 실패, 피처 누락, 서빙 지연 초과 때 이전 모델이나 인기 콘텐츠로 전환하는 흐름을 문서화하고 작은 범위에 적용하세요. 일 단위 학습에 이미 이전 모델 유지 규칙을 붙였으므로, 이를 서빙 장애와 데이터 품질 문제까지 확장하면 모델 운영에서 시스템 운영으로 범위가 넓어집니다. 실패 유형별 탐지 시간, 대체 전환 시간, 사용자 지표 변화, 복구 결과를 최소 2건 기록하세요.

지면 정책 공동 설계

기획팀과 지면별 고정 규칙, 모델 점수, 예외 조건을 한 문서에 놓고 우선순위와 충돌 처리 규칙을 공동 제안하세요. 최근 충돌 규칙 5개 중 3개를 조정하기로 한 기록은 문제를 발견할 근거가 있으므로, 다음 단계는 조정 결과가 추천 품질과 신작 노출에 미치는 영향을 직접 검증하는 일입니다. 정책 버전, 승인자, 실험군·대조군 지표, 변경 후 클릭률·시청 시작률·장르 수를 남기세요.

추천 아키텍처 리뷰 주도

다음 분기에는 후보 생성, 랭킹, 피처 저장소, 학습, 실험 플랫폼을 하나의 아키텍처 문서로 묶고 팀 리뷰를 진행하세요. 이미 후보 수 500에서 회수율 94%와 지연 증가 6밀리초를 확인했으므로, 각 계층의 입력·출력·SLA·비용·장애 대체 경로를 추가하면 전체 설계 역량을 증명할 수 있습니다. 문서 1건, 설계 결정 기록, 리뷰 의견과 반영 내역, 실제 배포 후 지표를 보관하세요.

🧪 경로 B · 개인 프로젝트로

추천 평가 재현 저장소

공개 데이터나 합성 시청 로그로 후보 생성과 랭킹을 분리한 추천 파이프라인을 만들고, recall@k·NDCG·지연을 같은 조건에서 비교하세요. 시장 신호가 되려면 데이터 분할 기준, 후보 수별 trade-off, 재현 명령, 설계 선택 이유와 결과 그래프가 있어야 하며 단순 모델 노트북만 있으면 부족합니다. 6주 안에 코드 저장소, 아키텍처 문서, 실험 결과 보고서와 재현 가능한 실행 기록을 남기세요.

다목적 랭킹 실험기

클릭 가능성, 신규 콘텐츠 노출, 장르 다양성을 함께 계산하는 랭킹 시뮬레이터를 만들고 가중치와 제약 조건에 따른 결과를 비교하세요. 실제 서비스 의사결정을 대신할 수는 없지만, 현재 장르 수 1.1개 증가와 클릭률 유지 경험을 정책·모델 trade-off로 설명하는 데 필요한 산출물입니다. 5주 동안 정책 입력 파일, 평가 데이터, Pareto 비교 그래프, 실패 사례와 선택 기준을 공개 형태로 정리하세요.

모델 생명주기 데모

작은 추천 모델을 학습하고 모델 버전 관리, 오프라인 평가 통과 기준, 배포 전후 비교, 성능 저하 감지를 포함한 생명주기 데모를 구성하세요. 모델 저장과 API 호출만 있으면 시장 신호가 약하고, 실패한 학습을 차단하거나 이전 버전으로 복구하는 흐름과 지표가 있어야 합니다. 8주 안에 실행 화면, 평가 로그, 모델 카드, 장애 시나리오와 복구 결과를 산출물로 남기세요.

개인 프로젝트로는 안 되는 것

개인 프로젝트로 실제 서비스 트래픽의 SLA, 온콜 대응, 조직 정책 합의는 증명할 수 없어요. 이 격차는 현재 회사에서 실제 p99·비용·장애 복구와 기획팀 합의 기록을 확보해야 하며, 회사에 해당 트래픽이나 권한이 구조적으로 없다면 추천 플랫폼 규모가 있는 회사로 옮겨야 합니다.

🧳 경로 C · 이직 관점

현 시점에는 이직이 필요하지 않아요. 현재 회사에서 추천 모델, 서빙, 학습, 피처 저장소, 실험 플랫폼을 모두 다루고 있고, ML팀 5명이라면 조건이 맞을 때 시스템 경계를 넓힐 여지가 있기 때문입니다. 2개 분기 동안 지표판·장애 대체·지면 정책 공동 설계를 제안했는데도 권한과 실제 트래픽 지표를 얻지 못하면 이직을 재검토하세요.

대규모 콘텐츠 플랫폼

이직을 검토한다면 영상·음원·커머스처럼 추천이 핵심 제품이고 데이터 플랫폼 또는 추천 전담 조직이 있는 중견 이상 회사를 우선 보세요. 현 직장에서 아키텍처 문서, 실제 p99·비용·장애 복구, 정책 실험 결과를 2개 분기 동안 확보한 뒤 지원하는 순서가 맞습니다. 현재는 후보 분리와 210밀리초에서 70밀리초 개선이 통하지만 실제 트래픽 규모와 비용 오너십은 아직 약합니다.

추천 플랫폼 성장조직

추천 플랫폼이 제품 여러 곳에 공급되고 모델·피처·실험 인프라를 공통으로 운영하는 성장 단계 회사를 보세요. 시스템 전체를 설계하고 싶다는 방향과 후보 생성, 랭킹, 피처 저장소 경험이 잘 맞으며, 지원 전 추천 아키텍처 문서와 정책 충돌 해결 사례를 준비해야 합니다. 현재는 모델과 서빙에 대한 신호가 강하지만 플랫폼 표준과 여러 제품 확장 경험은 확인되지 않습니다.

AI 제품 핵심조직

추천이 검색·개인화·콘텐츠 노출의 핵심 지표를 직접 좌우하는 AI 제품 조직은 현재 전문성을 더 깊게 만들 수 있는 선택지입니다. 현 회사에서 모델 생명주기와 정책 공동 설계까지 시도한 뒤에도 역할이 모델 구현으로 고정될 때 검토하고, 그때 실험 결과와 장애 대응 기록을 증거로 제시하세요. 연구 모델 개발만 요구하고 운영·제품 지표를 맡기지 않는 조직은 목표와 맞지 않습니다.

🎯 단기 목표 (분기)

• 추천 지표판 설계경로 A · 현 직장

  달성 판정: p99 지연, 후보 회수율, 피처 신선도, 오류율을 포함한 대시보드 1건과 4주 측정 기록을 저장하면 달성입니다.

• 정책 충돌 실험경로 A · 현 직장

  달성 판정: 지면 규칙 5개와 조정안 3개를 문서화하고, 정책 변경 전후 클릭률·시청 시작률·장르 수 비교 결과를 1건 남기면 달성입니다.

• 추천 평가 저장소경로 B · 개인 프로젝트

  달성 판정: 후보 수별 recall@k·NDCG·지연 비교 코드, 실행 방법, 설계 문서와 결과 그래프를 하나의 저장소에 남기면 달성입니다.

⚠️ 리스크·막힘 지점

• 기획팀이 지면 규칙과 실험 지표를 공유하지 않거나 모델팀에 정책 결정 권한을 주지 않을 수 있어요.

  대안공개 가능한 범위의 충돌 사례와 합의 결과만 기록하고, 개인 프로젝트에서 다목적 랭킹 시뮬레이터로 설계 판단을 보완하세요.

• 현재 서비스 트래픽이나 인프라에서 비용·p99·장애 데이터를 수집할 계측 권한이 없을 수 있어요.

  대안먼저 계측 변경안을 문서로 승인받고, 승인되지 않으면 기존 후보 분리 프로젝트의 부하 조건과 회수율·지연 실험을 확장해 설계 증거를 남기세요.