이 자리가 왜 생겼을까요
당근 채용 블로그의 ML 엔지니어 인터뷰에서 피드실 엔지니어는 장기 이력까지 반영하도록 사용자 모델링의 임베딩 구조를 새로 설계해 클릭 수, 채팅 수, 전환율을 약 10% 가까이 개선했다고 소개했습니다. 광고실 엔지니어는 광고주의 시행착오를 줄이려고 광고 제목만으로 성과를 예측하는 모델을 만들었고 이 기능을 쓰는 광고주와 클릭률이 늘었다고 말했습니다. 이 공고는 피드 품질팀이 유저와 콘텐츠를 깊게 이해하는 모델을, 광고추천팀이 CTR·CVR 예측과 자동 입찰·타겟팅·페이싱 모델을 개발한다고 적었습니다. 추천이나 광고 모델을 온라인 실험으로 검증해 서비스 지표를 움직여 본 엔지니어라면 어느 팀의 문제에 가까운지부터 정하고 그 지표 변화를 숫자로 밝혀 두는 것이 좋습니다.
당근이 지금 어떤 사업에 집중하고 있는지는 당근 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
피드 품질팀: 피드에서의 사용자 Engagement, 다양하고 우연한 발견을 촉진하기 위한 ML 모델을 개발하고 개선합니다.
이렇게 볼 수 있어요
당근 채용 블로그 인터뷰에서 피드실 ML 엔지니어는 당근에서는 거리가 멀어서 보지 못한 콘텐츠가 많아 클릭하지 않은 콘텐츠를 그대로 '관심 없음'으로 학습하기 어렵다고 설명했습니다. 노출 조건이 학습 데이터를 치우치게 만드는 문제를 다뤄 본 경험이 있다면 어떻게 보정했는지가 이 업무와 바로 이어집니다.
피드 품질팀: 데이터를 분석해 이론적 근거에 기반한 가설과 개선점을 찾고, 온라인 실험으로 검증해 실질적인 서비스 임팩트를 만듭니다.
이렇게 볼 수 있어요
업무는 데이터 분석에서 이론적 근거를 세우고 온라인 실험을 거쳐 서비스 임팩트까지 가는 흐름입니다. 오프라인 평가에서 멈춘 프로젝트보다 온라인 A/B 결과까지 간 프로젝트를 골라 가설의 이론적 근거와 함께 적으면 이 흐름을 그대로 보여 줄 수 있습니다.
피드 품질팀: 유저와 콘텐츠를 깊게 이해하기 위한 모델을 개발하고 개선합니다.
이렇게 볼 수 있어요
피드실 엔지니어에 따르면 당근은 접점이 다양해 최근 행동만으로는 사용자를 충분히 설명하기 어려워 몇 년간 쌓인 이력까지 반영하는 장기 유저 모델링을 고도화하고 있습니다. 사용자나 아이템 임베딩을 설계해 여러 서비스의 행동을 한 표현에 담아 본 경험이 있다면 어떤 신호를 넣고 뺐는지까지 설명할 수 있습니다.
피드 품질팀: LLM을 다양한 방식으로 활용해 개인화 추천을 개선합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 같은 인터뷰에서 좋은 모델이라도 서빙 시간이나 비용을 감당하지 못하면 쓸 수 없어 성능, 속도, 비용 사이의 균형점을 찾는다고 했습니다. LLM을 추천에 넣어 본 경험이 있다면 파이프라인의 어느 단계에 넣었고 비용과 지연을 어떻게 맞췄는지가 이 업무에서 다룰 질문입니다.
광고추천팀: 광고 추천과 랭킹을 위한 CTR, CVR 예측 모델과 자동 입찰, 타겟팅, 페이싱 모델을 개발하고 개선합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 0.1초도 안 되는 시간에 수백만 개 후보 가운데 사용자에게 맞는 광고 소재를 골라야 해서 ML로 접근한다고 전했습니다. 예측 모델과 입찰·페이싱 모델 가운데 어느 쪽을 해 봤는지, 지연 제약 안에서 어떻게 서빙했는지를 나눠 적으면 이 팀의 모델 범위와 비교됩니다.
광고추천팀: 사용자 행동 데이터와 광고 성과를 분석하고 데이터 기반 가설을 A/B 테스트로 검증하며 광고 효율과 사용자 경험을 함께 높입니다.
이렇게 볼 수 있어요
광고실 엔지니어가 꼽은 과제는 사용자의 피로도는 낮추면서 광고 효율은 높이는 균형점입니다. 광고 수익 지표와 사용자 지표가 반대로 움직인 실험에서 무엇을 기준으로 결정했는지가 이 팀의 균형점 문제에 가장 가까운 경험입니다.
광고추천팀: 개인화를 고려한 후보 광고 추출과 광고 랭킹 모델로 사용자에게 의미 있는 광고를 추천합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 당근 광고가 강남구처럼 지역을 아주 좁게 설정해 운영되는 경우가 많아, 한정된 범위 안에서 사용자와 광고주 모두에게 의미 있는 매칭을 만들어야 한다고 덧붙였습니다. 후보가 적은 조건에서 후보 추출과 랭킹을 다뤄 본 경험이 있다면 그 제약을 어떻게 풀었는지 꺼낼 수 있습니다.
광고추천팀: LLM과 최신 AI 기술로 광고 타겟팅의 정확도를 높이고 사용자와 광고 콘텐츠를 더 깊이 이해합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 광고 문구나 이미지를 자동으로 생성하는 모델도 개발한다고 소개했습니다. 광고 텍스트나 이미지를 LLM이나 비전 모델로 표현해 타겟팅이나 예측에 써 본 경험은 이 업무와 바로 맞고, 그 표현으로 달라진 지표가 있으면 더 구체적입니다.
2자격 요건
머신러닝 이론과 기본기가 탄탄해야 합니다.
이렇게 볼 수 있어요
참고 사항에 화상 면접에서 간단한 ML 기초 지식 테스트를 진행한다고 적혀 있습니다. 업무가 '이론적 근거에 기반한 개선점'을 찾는다고 적은 만큼 프로젝트마다 모델이나 손실 함수를 고른 이론적 이유를 한 줄씩 붙여 두면 면접 질문과 같은 방향으로 준비가 됩니다.
딥러닝에 대한 깊은 이해가 있어야 합니다(Recommendation, NLP, Graph Neural Net, Reinforcement Learning, Vision 가운데 하나 이상).
이렇게 볼 수 있어요
피드 품질팀은 개인화 추천과 LLM 활용을, 광고추천팀은 CTR·CVR 예측과 입찰·타겟팅·페이싱을 업무로 적었습니다. 다섯 분야 가운데 깊이 다룬 분야의 경험이 두 트랙의 어느 업무에 쓰였는지 연결해 두면 트랙 선택의 근거가 분명해집니다.
효율적인 코드 아키텍처를 구상하고 '가독성 뛰어난 코드 작성'에 경험이 있어야 합니다.
이렇게 볼 수 있어요
참고 사항에 화상 면접의 라이브 코딩 테스트가 적혀 있고 직무 이름도 Software Engineer입니다. 연구 코드가 아니라 다른 사람이 유지보수하는 학습·서빙 코드를 설계해 본 경험이 있다면 구조를 어떻게 나눴는지 설명할 수 있어야 합니다.
3우대 사항
데이터 드리븐 환경에서 머신러닝으로 사용자 서비스에 실질적인 임팩트를 만들어 봤으면 우대합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 연구실에서는 모델 성능을 1%라도 더 올리는 게 목표였지만 실무에서는 그것이 출발점일 뿐이라고 돌아봤습니다. 오프라인 지표가 아니라 사용자 행동 지표로 결과를 말할 수 있는 프로젝트가 이 우대에 가깝습니다.
최신 머신러닝·딥러닝 트렌드에 관심이 있고 관련 논문 읽는 것을 즐기면 우대합니다.
이렇게 볼 수 있어요
광고실 엔지니어는 각 팀의 ML 엔지니어가 모여 일주일에 한 번 논문 스터디를 연다고 전했습니다. 최근 읽은 논문을 실제 업무나 사이드 프로젝트에 적용해 본 경험이 있다면 무엇을 바꿔 적용했는지 함께 적을 수 있습니다.
ML 기반 추천 시스템이나 광고 시스템 경험을 우대합니다.
이렇게 볼 수 있어요
두 시스템은 이 공고의 두 트랙에 하나씩 대응합니다. 한쪽 경험만 있더라도 후보 추출, 랭킹, 온라인 실험처럼 두 트랙이 함께 쓰는 부분을 따로 적어 두면 어느 트랙에서도 경험을 설명할 수 있습니다.
머신러닝 모델과 시스템을 large-scale 프로덕션 환경에 구축하고 사용해 봤으면 우대합니다.
이렇게 볼 수 있어요
피드실 엔지니어의 말로는 피드가 당근 앱을 켜면 가장 먼저 보이는 홈 화면입니다. 모델을 배포한 서비스의 트래픽 규모와 서빙 지연, 재학습 주기를 숫자로 적으면 'large-scale'이 어느 정도였는지 비교할 수 있습니다.
BigQuery, Cloud Dataflow, Kubeflow, TFX, TF Serving 경험을 우대합니다.
이렇게 볼 수 있어요
우대 도구 다섯 가지는 데이터 처리(BigQuery, Cloud Dataflow), 학습 파이프라인(Kubeflow, TFX), 서빙(TF Serving)으로 나뉩니다. 이 이름을 써 보지 않았더라도 같은 단계를 다른 도구로 맡아 본 경험이 있다면 단계별로 대응시켜 적을 수 있습니다.
4기타 사항
- 게시일 : 2022년 8월 2일
- 고용형태 : 정규직(수습 3개월)
- 근무지 : 서울특별시 서초구 강남대로 465, 교보강남타워 11층 (추정)
- 경력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- BigQuery
- Cloud Dataflow
- Kubeflow
- TFX
- TF Serving
- LLM
전형과 지원
채용 FAQ가 밝힌 정규직 기준 일반적인 전형은 여섯 단계이고 단계마다 결과 통보에 걸리는 기간까지 공개돼 있습니다. 포지션에 따라 절차가 달라 공고마다 확인해야 합니다. 재지원 규칙이 단계마다 달라서 지원 순서를 정할 때 먼저 볼 부분입니다.
여섯 단계
일반적인 순서는 서류, 화상 인터뷰, 과제, 직무 인터뷰, 컬처핏 인터뷰와 레퍼런스 체크, 처우 협의이고 포지션에 따라 다릅니다. 결과 통보는 서류가 영업일 7일 이내, 화상과 직무 인터뷰가 5일 내외, 컬처핏 단계가 10일 내외입니다. 과제는 "5일 또는 7일 이내 작성 가능한 분량"이고 별도 전형으로 있기도 하고 인터뷰에 함께 출제되기도 합니다.
이렇게 볼 수 있어요
각 단계의 대기 기간이 공개돼 있으므로 다른 회사 일정과 겹쳐 볼 수 있습니다. 서류부터 최종까지 한 달이 넘게 걸린다고 보고 움직이는 편이 안전합니다.
컬처핏 뒤에는 1년
서류와 화상 인터뷰, 직무 인터뷰 단계에서 떨어지면 같은 공고에 6개월 뒤 다시 지원할 수 있고 다른 공고는 제한이 없습니다. 컬처핏 인터뷰 이후에는 모든 공고에 1년간 지원할 수 없습니다. 회사는 컬처핏 기준이 전 공고 공통이기 때문이라고 밝혔습니다.
이렇게 볼 수 있어요
마지막 단계의 실패 비용이 다른 단계보다 훨씬 큽니다. 인재상 다섯 가지에 각각 대응하는 사례를 하나씩 준비해야 하는 이유가 여기에 있고, 여러 공고를 염두에 두고 있다면 더욱 그렇습니다.
이력서 형식
자유 형식이고 PDF를 권장합니다. 채용 FAQ는 hwp와 word를 호환 문제로 지양해 달라고 하고 zip은 받지 않으며, 웹 링크는 이력서나 포트폴리오 파일에 첨부하라고 적었습니다.
이렇게 볼 수 있어요
형식을 정해 두지 않았으므로 양식을 맞추는 데 시간을 쓸 필요가 없습니다. 대신 자유 형식에서는 무엇을 강조할지가 온전히 지원자의 선택이라 공고의 업무 목록에 적힌 일을 해 본 경험을 자세히 적는 편이 낫습니다.
복수 지원과 그 밖의 규칙
정규직은 전부 상시 채용이고 복수 지원이 가능하며 공고별로 평가자와 기준이 달라 각각 진행됩니다. 나이와 학력 제한이 없습니다. 공고에는 입사 후 3개월 수습이 적혀 있습니다.
이렇게 볼 수 있어요
공고마다 절차가 따로 도는 구조라 두 곳에 지원하면 일정이 서로 어긋날 수 있습니다. 다만 컬처핏 단계까지 간 공고가 하나라도 있으면 그 결과가 나머지에 영향을 주므로 순서를 생각해 둘 필요가 있습니다.
이 공고만 다른 점
화상 면접에서 라이브 코딩 테스트와 간단한 ML 기초 지식 테스트가, 직무 면접에서는 ML 모델 설계를 주제로 한 면접이 진행됩니다.
전형은 서류 전형, 화상 인터뷰, 직무 인터뷰, 컬처핏 인터뷰 및 레퍼런스 체크, 처우협의 순이고 과제 전형은 따로 적혀 있지 않습니다. 화상 면접부터 코드를 직접 작성하게 되므로 공고가 권한 대로 편하고 익숙한 장비와 PC 환경을 미리 갖춰 두는 편이 안전합니다.
지원 전 준비할 것
- 1
두 트랙 가운데 가까운 쪽 정하기
피드 품질팀은 개인화 추천과 유저·콘텐츠 이해, LLM 활용을, 광고추천팀은 CTR·CVR 예측과 입찰·타겟팅·페이싱을 다룹니다. 내 프로젝트가 어느 쪽 업무에 더 가까운지 정하고 이력서 요약에 밝혀 둡니다.
- 2
ML 기초 지식 복습하기
화상 면접의 간단한 ML 기초 지식 테스트에 대비해 그동안 쓴 모델의 기본 개념(예: 손실 함수, 평가 지표)을 말로 설명할 수 있게 정리합니다.
- 3
모델 설계 설명 연습하기
직무 면접 주제가 ML 모델 설계이므로 운영해 본 모델 하나를 데이터, 피처, 모델 구조, 서빙, 온라인 실험 순서로 설명하는 연습을 합니다.
- 4
산업기능요원 캠페인 기간 확인하기
산업기능요원(현역 전직, 보충역 신규 편입, 보충역 전직)으로 채용할 수 있고 전문연구요원 편입과 전직은 불가합니다. 10월 27일부터 11월 13일까지는 산업기능요원 집중 채용 캠페인 공고로 지원해 달라고 안내했으니 해당한다면 그 기간의 지원 경로를 먼저 확인합니다.