[CJ올리브영] AI Engineer (추천) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 올리브영 국내/글로벌 온라인몰에서 활용할 추천 모델의 서빙 파이프라인을 개발하고 운영합니다.

  이렇게 볼 수 있어요

  같은 회사 Data Scientist (AI 추천) 공고가 추천 모델을 개발하는 쪽이라면 이 자리는 그 모델을 온라인몰에서 쓰이게 서빙하는 쪽입니다. 올리브영 테크 블로그의 2026년 1월 글은 자체 학습한 sLLM을 서비스에 도입한 첫 사례로 앱의 리뷰 테마 추천을 소개했습니다. 같은 글은 이 모델이 실시간 호출보다 배치 처리를 전제로 운영된다고 설명했습니다.

• AI 기반 시스템의 클라우드 인프라(AWS, GCP)를 설계·구축하고 운영합니다.

  이렇게 볼 수 있어요

  sLLM 글은 AWS의 g4dn.xlarge(T4 GPU 1장) 서버를 기준으로 100만 건 추론에 드는 인프라 비용을 계산했다고 소개합니다. 글은 이 비용을 호출량에 따라 비용이 오르는 상용 API 방식과 대비했습니다. 그 글에서처럼 월 비용은 GPU 서버의 종류와 처리량에 따라 달라지므로 인프라 설계에는 비용 계산이 따라옵니다.

• 데이터 수집, 처리, 저장 등 데이터 파이프라인을 설계하고 구현합니다.

  이렇게 볼 수 있어요

  조직 소개는 서비스에 필요한 다양한 데이터를 기획 및 수집, 가공, AI모델을 통해 생성한다고 적었습니다. 올리브영 테크 블로그의 2025년 6월 글은 사용자 행동 데이터로 학습한 상품 유사도 언어 모델 ItemLM을 소개했습니다. 이런 모델이 학습할 사용자 행동 데이터도 데이터 파이프라인을 거쳐 모이고 가공됩니다. 학습에 쓴 데이터와 서빙 때 쓰는 데이터의 정의가 다르면 모델 성능이 운영에서 떨어집니다.

• MLOps 환경을 구성하고 CI/CD 파이프라인을 구축합니다.

  이렇게 볼 수 있어요

  모델 배포는 코드 배포에 더해 모델 파일의 버전과 검증 단계가 붙습니다. 학습 뒤 양자화로 모델을 경량화해 서빙 및 배포하는 단계가 따로 있다고 sLLM 글이 소개합니다.

• 운영 환경의 안정성 향상을 위한 모니터링, 로깅, 보안 설정 등 인프라를 개선합니다.

  이렇게 볼 수 있어요

  추천은 모델이 엉뚱한 결과를 내도 서버는 정상 응답하므로 지연과 오류 같은 서버 지표에 더해 추천 결과의 클릭률이나 노출 분포 같은 품질 지표도 봐야 합니다.

2자격 요건

• 관련 업무 경력이 5년 이상 필요합니다.

  이렇게 볼 수 있어요

  관련 업무라고만 적어 모델 서빙, 데이터 엔지니어링, 클라우드 인프라, DevOps 경력을 함께 적을 수 있습니다. Data Engineer 공고도 5년이지만 그쪽은 데이터 모델링과 레이크하우스가 중심이고, 이 자리는 추천 모델을 서비스에 올리는 일이 중심입니다.

• AWS 또는 GCP 기반의 클라우드 인프라 설계, 셋업 및 운영 경험이 필요합니다.

  이렇게 볼 수 있어요

  AWS 경력과 GCP 경력은 이 조건에 함께 적을 수 있습니다. 업무에도 AWS와 GCP가 함께 적혀 있고, sLLM 글은 AWS g4dn.xlarge 서버를 기준으로 비용을 계산했습니다. AWS에서 GPU 서버를 운영해 본 경험이라면 인스턴스 종류와 처리량을 함께 적는 것이 좋습니다.

• 데이터 엔지니어링 및 ETL 파이프라인 구축 경험이 필요합니다.

  이렇게 볼 수 있어요

  Data Analytics Engineer 공고는 ETL/ELT 설계를 요건으로 꼽았습니다. 이 자리의 파이프라인은 추천 모델의 학습과 서빙 입력을 공급하는 것이 목적입니다. 모델용 데이터에서는 입력이 늦거나 빠졌을 때의 처리가 따로 필요합니다.

• Python, Kotlin(JAVA), Go 중 하나 이상의 개발 경험이 필요합니다.

  이렇게 볼 수 있어요

  Python은 모델 쪽, Kotlin(JAVA)과 Go는 서비스 서버 쪽에서 흔한 언어입니다. 하나를 적을 때 어느 쪽 일에 쓴 언어인지 구분하면 모델 서빙 업무와의 관계가 분명해집니다. 커머스플랫폼유닛 Back-end 공고에 Java/Kotlin 기반 Spring 서버가 적혀 있어 Kotlin(JAVA)은 온라인몰 서버와 같은 언어입니다.

• CI/CD 파이프라인 구성 경험이 필요합니다.

  이렇게 볼 수 있어요

  모델 파일은 코드보다 크고 배포 전 검증이 더 필요해서, 업무의 MLOps 환경에서는 코드 배포용 파이프라인에 모델 검증 단계가 붙습니다. CI/CD 경험이 코드 배포 중심이었다면 모델 버전이나 검증 단계를 다뤄 본 부분을 따로 밝히면 이 업무와의 연결이 분명해집니다.

• 아키텍처 디자인에 대한 이해가 있는 분이어야 합니다.

  이렇게 볼 수 있어요

  2차면접이 HR인터뷰 및 Whiteboard Test/구술이라 이 이해는 서비스 구조를 그려 설명하는 방식으로 확인될 수 있습니다. 요청이 들어와 추론 결과를 돌려주기까지의 구조와 각 구성 요소를 고른 이유를 말로 설명하는 준비가 이 요건과 면접에 함께 쓰입니다.

3우대 사항

• 추천 시스템 구축 및 운영에 대한 경험을 우대합니다.

  이렇게 볼 수 있어요

  Data Scientist (AI 추천) 공고는 추천 모델 경력 3년을 요건으로 적었고, 이 자리는 추천 시스템을 구축하고 운영한 경험을 우대합니다. 모델을 만든 일과 시스템을 운영한 일을 나눠 적을 수 있고, 운영한 경험은 호출량과 지연, 장애 대응 사례로 나타납니다.

• 데이터베이스 및 메시징 시스템(MySQL, Redis, BigQuery, Kafka 등) 사용 경험을 우대합니다.

  이렇게 볼 수 있어요

  추천 서빙은 후보 목록이나 상품 특성을 Redis 같은 메모리 저장소에서 빠르게 읽는 구조가 흔하고, Kafka는 클릭 같은 이벤트를 모으는 데 활용됩니다.

• 추론서버(Triton 등) 및 임베딩 검색 엔진(Milvus, Qdrant 등)을 운영해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  추론서버는 모델을 API로 제공하는 전용 서버이고 임베딩 검색 엔진은 벡터가 가까운 항목을 찾는 저장소입니다. 올리브영에는 상품 정보로 임베딩을 만드는 ItemLM이 있어 임베딩 검색 엔진은 그 결과를 쓰는 곳이 될 수 있습니다. sLLM 글의 환경은 GPU 16GB의 T4이고, 글은 batch_size=16 기준으로 한 배치를 약 0.6초에 처리해 시간당 약 96,000건을 처리한다고 적었습니다.

• 생성형 AI 관련 프로젝트 경험자를 우대합니다.

  이렇게 볼 수 있어요

  올리브영은 앱의 인기 리뷰 추천 테마 영역에 자체 sLLM이 리뷰에서 추천 문구를 생성하게 한 사례를 2026년 1월 테크 블로그 글로 소개했습니다. 생성형 AI 프로젝트를 적을 때 모델을 서비스에 올린 방식(실시간 호출인지 배치인지)과 GPU 환경까지 밝히면 이 서빙 업무와 연결됩니다.

• 기획, 개발, DS 구성원과 원활히 협업할 수 있는 커뮤니케이션 역량과, 팀워크를 중요시하며 협업을 즐기는 분을 우대합니다.

  이렇게 볼 수 있어요

  모델 서빙은 DS가 만든 모델을 받아 개발 쪽 서비스에 붙이는 중간 위치라 기획·개발·DS 세 직군과 모두 일합니다. Data Scientist (AI 추천) 공고의 업무에도 추론 설계가 있어서 모델이 넘어오는 지점의 입력 형식과 호출 방식은 두 직군이 맞춰야 하는 지점일 수 있습니다.

• 문제 해결에 있어 주도적이며 도전적인 태도를 우대합니다.

  이렇게 볼 수 있어요

  고가의 상용 API 없이 Tesla T4 GPU 1장이라는 제한된 환경에서 상용 모델급 성능을 낼 수 있는지를 질문으로 삼아 풀었다고 sLLM 글이 적었습니다. 제한된 자원 안에서 목표를 세우고 풀어 본 경험이라면 처음 세운 질문과 결과가 이 우대의 태도를 보여 줍니다.

4기타 사항

• 게시일 : 2026년 4월 23일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 대한민국 서울특별시 용산구 한강대로 372
• 경력 조건 : 경력 5년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• AWS
• GCP
• Python
• Kotlin
• Java
• Go
• CI/CD
• MySQL
• Redis
• BigQuery
• Kafka
• Triton
• Milvus
• Qdrant

전형과 지원

분석한 공고 대부분이 같은 일곱 단계를 적었습니다. 공간디자인 공고, VMD 담당자 공고, 글로벌 VMD담당자 공고, 패키지 디자이너 공고, 콘텐츠 디자이너 공고, 콘텐츠 마케팅 담당자(시니어) 공고, FESTA·KCON 전략/실행 담당자(주니어) 공고, 브랜드 디자이너(메이크업) 공고, 공간·팝업 콘텐츠 전략/실행 담당자(주니어) 공고, 비주얼 콘텐츠 기획자 (PB 브랜드) 공고는 과제전형을 더했고, Product Designer (B2B/광고플랫폼) 공고와 Global Product Designer 공고는 직무에 따라 과제전형이 추가될 수 있다고 적었습니다. Forward Deployed AI Engineer, QA Engineer (Domestic), QA Engineer (Global), 커머스플랫폼유닛 Android 개발채용, 커머스플랫폼유닛 Back-end 개발채용, 커머스플랫폼유닛 iOS 개발채용, 검색 플랫폼 개발자, Windows Application Engineer (POS 시스템), Data Engineer, Data Analytics Engineer, QA Ops Engineer (Test Automation), Data Scientist (AI 추천), Data Architect (시니어), Data Service Engineer (Back-end), Data Scientist, Global Software Engineer-Frontend (글로벌 개발), AI Engineer (추천) 공고는 면접에 라이브코딩테스트나 Whiteboard Test를 포함했습니다. 뷰티 카테고리 MD, MD (취미-음반), MD (건강식품), MD (일반식품), 글로벌B2B MD (헬스), Data Scientist (광고 플랫폼 사업), 뉴포맷 스토어기획 담당자, 프로모션 마케터 공고에는 단계가 적혀 있지 않으므로 지원할 공고의 전형 안내를 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   사전코딩테스트 대비

   서류 접수 후 영업일 기준 5일 이내에 응시 링크가 옵니다. 지원하기 전에 Python이나 Kotlin, Go 중 주력 언어로 시간을 재며 문제를 풀어 보세요.

2. 2

   모델 서빙 구조 한 장

   2차면접이 Whiteboard Test입니다. 요청이 들어와 추론 결과를 돌려주기까지의 구조와 배치 추론 경로, 모델 배포 경로를 그리고 구성 요소를 고른 이유를 말로 설명하는 연습을 합니다.

3. 3

   인프라 비용 계산 사례

   맡았던 AI 서비스의 인스턴스 종류와 처리량, 월 비용을 정리하고 비용을 줄이려고 바꾼 것과 그 결과를 한 장으로 준비해 두는 게 좋습니다.