[쿠팡] Senior Machine Learning Engineer (Operational Intelligence) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• Agentic 애플리케이션의 데이터 사이언스, 모델링, 알고리즘에 집중하고, 백엔드·플랫폼 엔지니어와 협력해 자율형 에이전트(Autonomous Agents)와 다중 에이전트(Multi-Agent) 워크플로우를 설계하고 고도화합니다.

  이렇게 볼 수 있어요

  에이전트를 만드는 일이 ML과 백엔드로 나뉘어 있고 이 공고는 모델과 알고리즘 쪽입니다. 에이전트 프로젝트를 해 봤다면 프롬프트, 데이터, 평가처럼 모델 쪽에서 직접 맡은 부분을 구분해 두면 역할 범위를 묻는 질문에 바로 답할 수 있습니다.

• Agentic 데이터 사이언스 & 알고리즘 R&D: 카탈로그 운영 에이전트를 위한 LLM/ML 모델을 설계·학습·최적화하고, 툴 라우팅(Tool Routing), 서브 에이전트 오케스트레이션 알고리즘, 검색 증강 생성(RAG), 추론 프레임워크(ReAct, Chain-of-Thought, Agentic RL 등)의 연구와 적용을 주도합니다.

  이렇게 볼 수 있어요

  연구와 적용이 함께 적혀 있습니다. 툴 라우팅이나 RAG를 실제 서비스 데이터에 붙여 정확도나 비용을 바꾼 결과가 있다면 바뀐 수치를 이 업무의 사례로 들 수 있습니다.

• 도메인 특화 LLM 파인튜닝: 상품 속성 추출, 카탈로그 정규화, 엔티티 로지컬 매핑, 규정 준수 감사 등 카탈로그 도메인 데이터셋으로 SFT(Supervised Fine-Tuning)와 RLHF/RLAIF(강화학습) 파인튜닝 전 과정을 주도합니다.

  이렇게 볼 수 있어요

  범용 모델이 아니라 상품 속성 추출 같은 카탈로그 작업에 맞춘 모델을 만듭니다. 우대 사항의 Post-training 기법도 같은 방향이라, 직접 학습시킨 모델이 있다면 과제와 데이터 규모, 개선 폭을 숫자로 밝힐 수 있습니다.

• 데이터 피드백 루프 & 평가 체계 구축: 운영 전문가(Human-in-the-loop)의 피드백 데이터로 고신뢰도 학습 데이터셋을 만들고, 추론 성능과 운영 지표를 계속 끌어올리는 데이터 플라이휠(Data Flywheel)과 평가 시스템(LLM-as-a-judge 등)을 설계합니다.

  이렇게 볼 수 있어요

  운영 전문가가 고친 결과가 다시 학습 데이터가 되는 구조입니다. 사람 검수 데이터를 학습 데이터로 정제해 본 경험이나 LLM-as-a-judge 평가를 사람 평가와 맞춰 본 경험은 자격 요건의 평가 지표 체계 구축에도 그대로 쓰입니다.

• 크로스 스쿼드 협업(AI & 백엔드): 고성능 분산 인프라와 에이전트 실행 엔진을 맡는 백엔드 엔지니어와 협력하고, ML 엔지니어로서 프롬프트 엔지니어링, 데이터 큐레이션, 알고리즘 로직, 평가 체계를 전담하며, 낮은 지연 시간(Low Latency)의 툴 호출(Tool-calling) 인터페이스 규격을 함께 정의합니다.

  이렇게 볼 수 있어요

  역할 경계가 공고에 분명히 그어져 있어 인터페이스 규격을 함께 정하는 일이 협업의 중심입니다. 우대 사항의 API 인터페이스 설계, Agent Tool Schema 정의 경험도 같은 일이고, 백엔드 팀과 스키마를 정하며 지연 시간과 정확도 사이에서 조정한 일이 면접 소재입니다.

• 멀티모달 카탈로그 인텔리전스: 텍스트, 이미지, 수치형 데이터를 함께 처리하는 멀티모달 LLM으로 랜드마크 브랜드 검증, 중복 상품 통합, 미흡 속성 자동 채우기 등 카탈로그 운영 자동화를 구현합니다.

  이렇게 볼 수 있어요

  상품 데이터에는 이름 같은 텍스트와 이미지, 가격 같은 숫자가 섞여 있습니다. 텍스트뿐 아니라 이미지까지 함께 다뤄 중복 판정이나 속성 추출을 해 본 경험이 있다면 다룬 데이터 종류와 정확도를 밝혀 두는 것이 좋습니다.

2자격 요건

• 컴퓨터 과학, 인공지능, 머신러닝, 데이터 사이언스 또는 유사 관련 전공의 학사 학위 이상이 필요합니다.

  이렇게 볼 수 있어요

  업무에 RLHF/RLAIF, Agentic RL 같은 연구 성격의 일이 있고 우대 사항도 석·박사 학위와 탑티어 학회 논문을 들었습니다. 학사라면 업무의 R&D 항목과 이어지는 실험이나 논문 구현 경험을 자세히 적을 수 있습니다.

• 상용 환경에서 머신러닝, 자연어 처리(NLP), AI 모델을 개발·학습·배포한 실무 경력이 3년 이상 필요합니다.

  이렇게 볼 수 있어요

  연차보다 '상용 환경'이라는 조건이 핵심입니다. 팀 소개는 모델과 에이전트 알고리즘이 매일 수백만 건의 카탈로그 데이터를 직접 처리한다고 적었으므로, 배포한 모델이 처리한 데이터 규모와 운영 중 고친 문제를 함께 보여 주면 연차의 내용이 분명해집니다.

• Agentic 워크플로우를 위한 데이터 사이언스와 알고리즘에 대한 높은 이해와 실무 경험(LLM 오케스트레이션 프레임워크 활용, 프롬프트 최적화, 맥락 메모리 관리, Structured Output/Tool-calling 활용)이 필요합니다.

  이렇게 볼 수 있어요

  프롬프트 최적화와 Tool-calling은 업무에서 이 ML 엔지니어가 전담하는 영역입니다. 에이전트가 툴 호출에 실패하거나 맥락이 길어져 품질이 떨어진 문제를 어떻게 다뤘는지가 이 요건에서 꺼낼 경험입니다.

• Python과 주요 딥러닝 프레임워크(PyTorch, Transformers, vLLM/TRT-LLM 등)에 숙련돼 있어야 합니다.

  이렇게 볼 수 있어요

  vLLM과 TRT-LLM은 추론 서빙 엔진이라 학습 프레임워크와 함께 모델을 띄워 운영하는 도구까지 요건에 이름이 올라 있습니다. 서빙 엔진을 바꾸거나 설정을 조정해 지연 시간이나 처리량을 개선한 경험이 있다면 그 수치를 보여 줄 수 있습니다.

• 데이터 수집, 가공, 합성 데이터(Synthetic Data) 생성과 정량적 ML/LLM 평가 지표 체계 구축 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무의 데이터 플라이휠과 평가 시스템을 만들 때 이 경험이 바로 쓰입니다. 합성 데이터로 학습 데이터를 늘린 뒤 실제 운영 데이터에서 성능이 어떻게 달라졌는지 비교해 본 결과가 있다면 이 요건의 경험을 구체적으로 보여 줍니다.

• SQL과 데이터 파이프라인 도구(Spark, Airflow 등)로 대규모 비정형·반정형 데이터를 처리할 수 있어야 합니다.

  이렇게 볼 수 있어요

  카탈로그 데이터 정제와 정규화가 팀의 일이라 모델 앞단의 데이터 처리도 이 엔지니어가 직접 합니다. Spark나 Airflow로 학습 데이터 파이프라인을 만든 경험이 있다면 처리 규모와 주기를 함께 밝힐 수 있습니다.

• 백엔드 엔지니어, 데이터 엔지니어, 프로덕트 매니저 등 다양한 직군과 원활히 소통하고 협업하는 커뮤니케이션 능력이 필요합니다.

  이렇게 볼 수 있어요

  업무의 크로스 스쿼드 협업에 프로덕트 매니저와 데이터 엔지니어까지 더해진 범위입니다. 모델 요구사항을 PM과 함께 정하고 데이터 엔지니어에게 파이프라인을 요청해 본 경험처럼 직군마다 무엇을 주고받았는지 나눠 말할 수 있으면 협업 범위가 구체적으로 확인됩니다.

3우대 사항

• 컴퓨터 과학, 머신러닝, 인공지능 또는 관련 분야의 석사나 박사 학위를 우대합니다.

  이렇게 볼 수 있어요

  업무의 Agentic RL·RLHF 연구 적용과 이어지는 우대입니다. 학위 논문 주제가 LLM, 강화학습, 정보 추출 쪽이라면 그 주제가 업무 항목과 직접 연결됩니다.

• 이커머스, 검색, 카탈로그, 지식 그래프(Knowledge Graph), 운영 자동화 도메인에서 AI/ML 솔루션을 구축한 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무에 엔티티 매핑, 중복 상품 통합, 속성 채우기가 있어 상품이나 엔티티 데이터를 다뤄 본 도메인 경험이 이 우대와 이어집니다. 검색이나 지식 그래프 쪽이라면 엔티티를 어떻게 정의하고 연결했는지를 이야기할 수 있습니다.

• 최신 LLM Post-training 기법(SFT, DPO/PPO, LoRA/QLoRA, Agentic RL 등)을 실무에 적용한 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무의 도메인 특화 파인튜닝과 같은 축입니다. 기법 이름보다 그 기법을 고른 이유와 과제별 개선 폭을 면접에서 설명할 수 있게 준비해 둘 만합니다.

• 백엔드 엔지니어와 공동 프로젝트를 성공적으로 진행한 경험(API 인터페이스 설계, Agent Tool Schema 정의 등)을 우대합니다.

  이렇게 볼 수 있어요

  업무의 툴 호출 인터페이스 규격 정의를 이미 해 본 경험입니다. 스키마를 바꾸며 백엔드와 버전을 맞춘 방식처럼 실제 협업 절차까지 말할 수 있으면 이 우대의 경험이 분명해집니다.

• AI/ML 분야 글로벌 탑티어 학회(ICML, NeurIPS, ACL, EMNLP, KDD, AAAI 등) 논문 게재나 관련 기술 특허를 우대합니다.

  이렇게 볼 수 있어요

  팀 소개는 대규모 GPU 클러스터에서 Agentic Training, 최신 파인튜닝, 멀티모달 연구를 시도할 수 있다고 적었습니다. 논문이나 특허가 있다면 이 연구 주제와 이어지는 것을 골라 자세히 소개할 수 있습니다.

• 대규모 데이터 처리와 글로벌 분산 팀 환경에서 협업한 경험을 우대합니다.

  이렇게 볼 수 있어요

  팀 소개에 서울, 시애틀, 베이징, 상하이, 실리콘밸리의 엔지니어·데이터 과학자와 함께 일한다고 적혀 있습니다. 시차가 있는 팀과 실험 결과나 설계 문서를 주고받은 경험이 있다면 그 방식을 꺼낼 수 있습니다.

4기타 사항

• 게시일 : 2026년 10월 23일
• 고용형태 : 정규직(수습 12주)
• 근무지 : 서울
• 경력 조건 : 경력 3년 이상
• 학력 조건 : 컴퓨터 과학, 인공지능, 머신러닝, 데이터 사이언스 또는 이와 유사한 관련 전공 분야의 학사 학위 이상

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Python
• PyTorch
• Transformers
• vLLM
• TRT-LLM
• SQL
• Spark
• Airflow

전형과 지원

쿠팡 채용 안내 페이지는 전형을 서류 전형, 리크루터 스크리닝 콜, 직무 적합성 인터뷰와 핵심 역량 인터뷰, 처우 협의와 최종 오퍼 순으로 안내합니다. 지원자의 직무 역량과 조직 문화가 맞는지를 모든 전형 단계에서 확인한다고 적었으므로 어느 단계에서든 리더십 원칙에 맞춘 사례를 꺼낼 수 있어야 합니다.

지원 전 준비할 것

1. 1

   에이전트 프로젝트에서 맡은 범위 정리하기

   에이전트를 만든 프로젝트 하나를 골라 모델·프롬프트·평가처럼 직접 맡은 부분과 백엔드가 맡은 부분을 나눠 정리하세요. 업무 소개가 두 역할을 나눠 적었으므로 그 경계를 설명할 준비가 됩니다.

2. 2

   평가 체계 하나 설명 준비

   직접 만든 ML/LLM 평가 지표와 평가셋, LLM-as-a-judge를 썼다면 사람 평가와 맞춰 본 방법을 설명할 수 있게 준비합니다.

3. 3

   파인튜닝 결과 숫자로 정리하기

   SFT, DPO, LoRA 등으로 학습한 모델의 과제, 데이터 규모, 기준 모델 대비 개선 폭, 서빙 지연 시간을 한 표로 묶어 둡니다.