[오늘의집] Senior Machine Learning Engineer, Search 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 검색 쿼리 이해, 문서/상품 검색을 위한 Retrieval & Ranking 모델을 설계하고 서비스에 적용합니다.

  이렇게 볼 수 있어요

  검색 대상으로 문서와 상품이 함께 적혀 있습니다. 오늘의집은 콘텐츠와 커머스를 함께 운영하므로 다뤄 본 검색 대상이 콘텐츠였는지 상품이었는지 구분해 두면 면접에서 질문이 구체적으로 이어집니다.

• 자연어 검색, 개인화 검색, 상황 인식(Context-aware) 검색을 실험하고 서비스에 적용합니다.

  이렇게 볼 수 있어요

  세 방식 모두 실험에서 그치지 않고 서비스 적용까지 업무로 적혀 있습니다. 실험만 한 방식과 실제로 출시한 방식을 구분해 쓰면 경험의 범위가 그대로 전달됩니다.

• 검색 품질 문제(Zero-result, Long-tail query, Cold-start)를 분석하고 해결합니다.

  이렇게 볼 수 있어요

  문제 유형 셋이 이름으로 나옵니다. 결과가 없던 쿼리의 비율이나 신규 상품 노출처럼 해결 전후를 숫자로 비교할 수 있는 사례를 고릅니다.

• 로그 기반 데이터 분석부터 피처 엔지니어링, 실험 설계 및 반복 개선을 수행합니다.

  이렇게 볼 수 있어요

  자격요건에도 검색 서비스 로그 기반의 분석과 피처 설계 경험이 다시 나옵니다. 어떤 로그에서 어떤 피처를 만들어 무엇이 나아졌는지를 한 흐름으로 설명할 수 있어야 합니다.

• AI 기능이 모델 수준이 아닌 사용자 기능 수준에서 작동하도록 설계하고 기획에 참여합니다.

  이렇게 볼 수 있어요

  모델 지표보다 사용자가 쓰는 기능 단위의 결과를 봅니다. 모델을 넣은 화면이나 기능이 있다면 그 기능의 사용 지표까지 말할 수 있어야 합니다.

• Stakeholder와 함께 AI를 빠르게 실험하고 제품에 반영합니다.

  이렇게 볼 수 있어요

  실험 속도가 업무에 따로 적혀 있습니다. 기획·개발 조직과 실험 한 번을 돌리는 데 얼마나 걸렸는지 기간으로 밝히면 일하는 속도가 드러납니다.

2자격 요건

• 6년 이상의 ML/AI 실무 경험(또는 이에 준하는 역량)을 요구합니다.

  이렇게 볼 수 있어요

  연구와 실무가 섞인 경력이라면 연구 기간도 함께 적되, 서비스에 모델을 내보낸 경험은 구체적으로 써 두면 실무 경험이 잘 드러납니다.

• 대규모 검색 또는 추천 시스템에서 랭킹 문제를 정의하고 개선한 경험이 필요합니다.

  이렇게 볼 수 있어요

  '검색 또는 추천'이라 추천 시스템에서 랭킹을 다룬 경험도 이 요건에 쓸 수 있습니다. 개선한 결과만이 아니라 무엇을 랭킹 문제로 정의했는지부터 설명해야 합니다.

• 검색 서비스 로그 기반의 데이터 분석 및 피처 설계 경험이 필요합니다.

  이렇게 볼 수 있어요

  추천 로그가 아니라 검색 로그로 범위를 좁힌 요건입니다. 쿼리, 클릭, 구매 로그 가운데 피처로 바꾼 로그를 이름으로 밝히면 검색 로그 경험이 분명해집니다.

• Offline metric과 Online A/B Test 간의 차이를 이해하고 해석하는 역량을 요구합니다.

  이렇게 볼 수 있어요

  오프라인 지표는 올랐는데 A/B Test에서 차이가 없던 실험처럼 두 결과가 어긋난 경우를 어떻게 해석했는지가 면접 질문으로 이어질 수 있습니다.

• ML/AI 모델의 설계부터 서빙, 운영까지 전체 라이프사이클을 주도한 경험(E2E)이 필요합니다.

  이렇게 볼 수 있어요

  모델 학습만 맡은 경력과 구분되는 요건입니다. 서빙 방식과 운영 중 모니터링한 지표까지 직접 맡았는지가 이 요건의 핵심입니다.

• 제품 내 실험 결과를 기반으로 AI 기능을 실제로 확산·정착시킨 경험과, AI 모델을 실제 서비스 기능으로 도입하고 확산시킨 주도 경험을 요구합니다.

  이렇게 볼 수 있어요

  도입과 확산을 묻는 요건이 두 번 나옵니다. 첫 실험 뒤 적용 범위를 어떻게 넓혔는지, 지금도 서비스에서 돌아가는지까지 한 사례에 담아야 두 요건에 모두 답할 수 있습니다.

3우대 사항

• 기획부터 배포까지 End-to-End로 기능을 완성하고 운영까지 책임진 경험과, 주 전문 영역을 넘어 필요한 기술 스택(예: BE/FE/ML/인프라 등)을 학습하고 활용할 수 있는 역량을 우대합니다.

  이렇게 볼 수 있어요

  ML 밖의 영역도 직접 다룰 수 있는지를 봅니다. 모델을 넣기 위해 백엔드나 인프라 작업을 직접 한 적이 있다면 직접 맡은 범위를 작업 단위로 적을 수 있습니다.

• 추천, 검색, 콘텐츠, 커머스 등 도메인 중 하나 이상의 실무 경험을 우대합니다.

  이렇게 볼 수 있어요

  네 도메인 가운데 하나 이상이면 됩니다. 맡았던 서비스 이름과 규모를 붙이면 비교가 쉽습니다.

• Query understanding, Semantic search, RAG, 벡터 검색 등 다양한 AI 구조를 실험하거나 도입해 본 경험과, LLM 또는 멀티모달 모델을 검색·탐색 경험 개선에 적용한 사례를 우대합니다.

  이렇게 볼 수 있어요

  Query understanding부터 RAG, 벡터 검색까지 실험하거나 도입해 본 경험을 우대합니다. 실험에서 멈춘 구조와 서비스에 도입한 구조는 서로 다른 경험입니다.

• 사용자 모델링, 개인화, 행동 기반 예측 모델 설계 경험과 비정형 데이터(예: 이미지, 텍스트 등)를 활용한 딥러닝 모델 실험 경험을 우대합니다.

  이렇게 볼 수 있어요

  사용자 모델링과 비정형 데이터 딥러닝 실험이 한 항목에 함께 있습니다. 우대 사항은 비정형 데이터의 예로 이미지와 텍스트를 들었습니다.

• AI 기능을 팀에 설명하거나 설계/문서화해 공유한 경험을 우대합니다.

  이렇게 볼 수 있어요

  AI 기능을 팀에 설명하거나 설계 문서로 공유한 경험이 우대 사항에 있습니다. 설계 문서나 사내 공유 세션 자료가 있으면 이력서에 링크나 제목으로 적을 수 있습니다.

• 오늘의집 서비스와 유저 문제에 대한 관심 또는 개선 아이디어가 있으면 우대합니다.

  이렇게 볼 수 있어요

  앱에서 직접 검색해 보고 결과가 아쉬웠던 쿼리를 골라 두면 면접에서 개선 아이디어로 꺼낼 수 있습니다.

4기타 사항

• 게시일 : 2026년 1월 16일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 서울 오피스 (대한민국 서울특별시 서초구 서초대로74길 4, 삼성생명 서초타워 21층, 25층, 27층)
• 경력 조건 : 경력 6년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• RAG
• LLM

전형과 지원

오늘의집 공고의 진행 절차는 서류전형, 직무 인터뷰, 조직문화 인터뷰 및 레퍼런스 체크, 처우협의, 최종합격 순입니다. 개발 직군은 인터뷰 횟수와 코딩테스트 안내가 따로 있습니다.

지원 전 준비할 것

1. 1

   검색 품질 문제 하나 골라 정리하기

   Zero-result, Long-tail query, Cold-start 가운데 직접 풀어 본 문제를 골라 원인 분석, 만든 피처, 개선 전후 지표 순서로 정리합니다.

2. 2

   지표가 어긋난 실험 준비하기

   오프라인 지표와 A/B Test 결과가 다르게 나온 실험을 하나 골라 어떻게 해석했고 다음에 무엇을 바꿨는지 말할 수 있게 준비합니다.

3. 3

   AI 활용 세션 대비하기

   조직문화 인터뷰에 AI 활용 역량을 확인하는 세션이 있습니다. 모델 개발 밖의 일(실험 분석, 문서화, 코드 작성)에 AI 도구를 쓴 방식과 한계를 느낀 지점을 정리해 두세요.