[카카오] AI Research Engineer (Search & Agent) (경력) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 공통: 상품·장소·웹 문서·대화처럼 서로 다른 도메인을 아우르는 AI 검색 모델을 연구하고, 검색 품질 평가를 위한 데이터셋·벤치마크·학습 파이프라인을 구축합니다.

  이렇게 볼 수 있어요

  크루의 한마디에 따르면 장소·상품·웹 문서·대화 검색은 각각 데이터 특성과 사용자 의도가 다릅니다. 한 도메인의 검색 모델만 다뤘더라도 그 도메인의 특성 때문에 평가 방법을 바꾼 경험이 있다면 다른 도메인을 함께 다루는 이 업무에서 꺼낼 근거가 됩니다.

• 공통: 연구 결과를 카카오 실제 서비스에 적용하고 대규모 트래픽 환경에서 성능을 검증합니다.

  이렇게 볼 수 있어요

  이 업무는 공통 필수 역량에 있는 오프라인 지표와 실제 서비스 품질의 차이를 대규모 트래픽 환경에서 검증하는 일입니다. 오프라인 실험에서는 좋았는데 서비스에서 결과가 달랐던 경험이 있다면 그 원인을 어떻게 찾았는지가 이 업무에 가장 가깝습니다.

• Agentic Search LLM: 검색 과정에서 스스로 계획하고 탐색하며 도구를 활용하는 Agentic Search LLM을 연구하고, GRPO 등 Policy Optimization 기반으로 LLM을 학습·최적화하며, 실제 검색 인덱스·API와 상호작용하는 환경에서 Agent를 학습합니다.

  이렇게 볼 수 있어요

  이 분야의 학습 환경은 실제 검색 인덱스와 API입니다. 우대 사항의 Dynamic Environment 기반 강화학습도 이런 환경에서 하는 학습입니다. 정적인 데이터셋이 아니라 환경의 응답을 받아 보상을 준 학습을 해 봤다면 그 환경의 구성 방식을 자세히 쓰는 게 좋습니다.

• Search Ranking Model: 대규모 검색 로그·클릭 데이터로 Embedding, Cross Encoder를 학습하고, Dense Retrieval·Reranking·Hybrid Search 등 검색 파이프라인 전반의 랭킹 품질을 개선하며, 대규모 트래픽 환경의 서빙과 추론을 최적화합니다.

  이렇게 볼 수 있어요

  필수 경험의 학습 데이터 구성과 Negative Sampling이 이 분야에서는 검색 로그와 클릭 데이터에 쓰입니다. 클릭 로그로 학습 쌍을 만든 방법과 그 방법을 바꾼 뒤의 랭킹 지표 변화를 한 사례로 정리하면 됩니다.

• Search Data Modeling: 어뷰징·스팸·중복 문서/상품 등 저품질 데이터 탐지 모델을 연구하고, 대용량 상품·웹 문서의 속성 추출과 정규화를 모델링하며, LLM-as-a-Judge 기반 품질 평가 체계를 구축하고 사람 평가와의 정합성을 검증합니다.

  이렇게 볼 수 있어요

  검색 결과를 만드는 모델이 아니라 검색에 들어가는 데이터의 품질을 다루는 분야입니다. 필수 경험에 모호한 품질 기준에 맞춰 평가 데이터셋과 지표를 직접 설계한 경험이 있어, 기준을 정의하는 과정 자체가 이 업무의 일부입니다.

• 연구·개발 결과는 카카오맵 검색, 커머스(톡딜 등) 상품 검색, 카나나 in 카카오톡, 카나나 검색과 그 밖의 카카오 AI·검색 서비스에 적용됩니다.

  이렇게 볼 수 있어요

  카카오맵은 장소와 위치, 톡딜 같은 커머스는 상품 속성, 카나나는 대화 맥락이 검색의 중심입니다. 장소·상품 검색을 해 봤다면 Search Ranking Model이나 상품 속성 정규화가 있는 Search Data Modeling을, 대화형 검색을 해 봤다면 Agentic Search LLM을 기준으로 분야를 고를 수 있습니다. 고른 분야에서 카카오맵이나 톡딜 검색의 어떤 문제를 풀고 싶은지 면접에서 말할 준비가 필요합니다.

2자격 요건

• 공통: 머신러닝의 기본 개념을 이해하고 모델의 학습 원리를 설명할 수 있어야 하며, Loss, Optimization, Sampling, Evaluation Metric의 선택 이유를 설명할 수 있어야 합니다.

  이렇게 볼 수 있어요

  공고는 특정 모델이나 프레임워크 사용 경험만큼 기본 원리로 실험 결과를 설명하는 역량을 본다고 적었습니다. 네 단어는 분야마다 구체적인 질문으로 바뀝니다. 랭킹이라면 contrastive loss와 negative sampling, Recall@k·nDCG를, Agentic Search라면 GRPO의 보상과 평가 지표를 왜 그렇게 골랐고 다른 선택지는 왜 고르지 않았는지 설명할 수 있어야 합니다.

• 공통: 학습이 잘되지 않을 때 가설을 세우고 재현 가능한 실험으로 원인을 좁혀 나간 경험이 필요합니다.

  이렇게 볼 수 있어요

  분야마다 학습이 막히는 모습이 다릅니다. GRPO 학습에서는 보상 해킹이나 응답 길이 폭주가, 임베딩 학습에서는 false negative 때문에 지표가 멈추는 일이 흔합니다. 이런 막힌 학습에서 세운 가설과 재현 실험으로 원인을 좁힌 순서를 정리해 가면 카카오 기본 전형에 없는 사전 인터뷰부터 1·2차 인터뷰까지 같은 사례로 답할 수 있습니다.

• 공통: 오프라인 지표와 실제 서비스 품질의 차이를 이해하고, 학습부터 추론·평가·배포까지 고려해 문제를 풀어 본 분이어야 합니다.

  이렇게 볼 수 있어요

  모델을 배포한 뒤 추론 지연이나 비용 때문에 구조를 바꾼 경험이 있다면 업무의 대규모 트래픽 환경 성능 검증 사례로 학습 단계에서 놓쳤던 점과 함께 설명할 수 있습니다.

• 공통: 관련 경력을 2년 이상 보유해야 합니다.

  이렇게 볼 수 있어요

  카카오 채용 FAQ는 공고의 경력 기간을 권장 사항이라고 밝힙니다. 연구실 과제나 인턴에서 검색·랭킹·LLM 학습을 다룬 기간이 있다면 무엇을 개선했는지와 함께 쓸 수 있습니다.

• Agentic Search LLM: PPO·GRPO 등 Policy Optimization 방법을 활용한 LLM 강화학습 경험과, LLM 학습 결과를 분석하고 실험으로 성능을 개선한 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무에 GRPO가 예로 적혀 있습니다. 강화학습을 돌린 경험이 있다면 보상을 무엇으로 정했고 학습 결과를 어떤 지표로 분석했는지까지 정리하면 분석과 개선이 한 사례에 담깁니다.

• Search Ranking Model: Embedding Model, Bi-Encoder 또는 Cross Encoder를 학습하고 성능을 개선한 경험과, 검색 모델의 학습 데이터 구성·Negative Sampling·평가 경험이 필요합니다.

  이렇게 볼 수 있어요

  모델 구조와 함께 학습 데이터를 어떻게 만들었는지가 필수 경험에 들어 있습니다. Negative를 고르는 방법을 바꿔 지표가 달라진 실험이 있다면 우대 사항의 Hard Negative Mining과도 이어지는 사례입니다.

• Search Data Modeling: LLM, Embedding Model 또는 분류 모델을 학습해 데이터 품질 문제를 해결한 경험과, 주관적이거나 모호한 데이터 품질 기준에 대해 평가 데이터셋과 지표를 직접 설계하고 구현한 경험이 필요합니다.

  이렇게 볼 수 있어요

  '주관적이거나 모호한' 기준이라는 표현이 이 분야의 일을 설명합니다. 스팸이나 저품질의 정의를 팀과 맞추고 라벨 가이드를 만든 과정이 있다면 모델과 함께 그 과정을 자세히 쓰는 게 좋습니다.

3우대 사항

• Agentic Search LLM: 실제 환경과 상호작용하는 Dynamic Environment 기반 강화학습, 검색·브라우징·Tool Use Agent 연구, BrowseComp 등 Search LLM Benchmark를 활용한 모델 평가와 개선, Agent의 Planning·Tool Calling·Long-Horizon Reasoning 연구, 대규모 LLM 학습이나 분산 학습 파이프라인 구축 경험을 우대합니다.

  이렇게 볼 수 있어요

  조직이 공고에 소개한 ICLR 2026 논문 OrchestrationBench가 다중 도메인의 Agent Planning과 Tool Use를 다룹니다. 비슷한 벤치마크로 Agent를 평가해 본 경험이 있다면 어떤 실패 유형을 찾았는지까지 쓸 수 있습니다.

• Search Ranking Model: Web Search나 대규모 Information Retrieval 모델 연구, MTEB·RTEB 등 검색·임베딩 벤치마크를 활용한 평가와 개선, Dense Retrieval·Reranking·Hybrid Search 연구, Hard Negative Mining·Knowledge Distillation·Contrastive Learning, 대규모 검색 모델의 서빙과 추론 최적화 경험을 우대합니다.

  이렇게 볼 수 있어요

  벤치마크 결과와 실제 서비스 검색 품질이 다를 수 있다는 점은 공통 필수 역량에도 있습니다. MTEB 같은 공개 벤치마크 결과와 사내 검색 지표를 함께 본 경험이 있다면 둘이 어긋난 지점과 그 원인을 적어 이 우대 사항과 공통 역량을 한 사례로 보여 줄 수 있습니다.

• Search Data Modeling: LLM-as-a-Judge 기반 평가 체계 구축과 human eval과의 alignment 검증, 어뷰징·스팸·광고성 콘텐츠와 중복·유사 상품·문서 등 저품질 데이터 탐지, 데이터 개선이 downstream 검색·랭킹 모델의 성능 향상으로 이어졌음을 정량적으로 입증한 경험, 연관검색어·검색어 추천 등 검색어 품질 모델링, 대용량 상품·웹 문서의 속성 추출과 정규화를 모델링으로 해결한 경험을 우대합니다.

  이렇게 볼 수 있어요

  같은 공고 안에서 downstream 검색·랭킹 모델을 다루는 쪽은 Search Ranking Model 분야입니다. 데이터 정제 전후로 같은 랭킹 모델을 학습해 지표를 비교한 실험이 있다면 그 수치가 데이터 개선의 효과를 보여 줍니다. LLM-as-a-Judge 판정과 사람 평가의 일치율을 쟀다면 그 값도 함께 밝히는 편이 낫습니다.

• 공통: 새로운 논문을 빠르게 이해하고 실제 모델과 시스템으로 구현하는 것을 즐기는 분을 우대합니다.

  이렇게 볼 수 있어요

  크루의 한마디는 이 포지션이 정해진 모델이나 방법론을 운영하는 역할이 아니라고 적었습니다. 최근 읽은 논문을 재현하거나 업무에 적용한 사례가 있다면 원래 결과와 무엇이 달랐는지 설명할 수 있습니다.

• 공통: 정답이 정해지지 않은 문제를 스스로 정의하고 풀어 본 분을 우대합니다.

  이렇게 볼 수 있어요

  지원자격 머리말에서도 공고는 가장 자신 있는 영역에서 문제를 정의한 경험을 중요하게 봅니다. 과제를 받기 전에 문제를 먼저 찾아 정의한 사례가 있다면 그 문제를 어떻게 발견했는지가 이야기의 시작점입니다.

• 공통: 연구 결과를 동료들과 투명하게 공유하고 함께 더 나은 방향을 찾아가는 분을 우대합니다.

  이렇게 볼 수 있어요

  실패한 실험을 공유해 팀의 방향을 바꾼 경험이 있다면 사내 발표나 기술 문서, 공개 논문처럼 공유한 형태와 바뀐 방향을 함께 밝힐 수 있습니다.

4기타 사항

• 게시일 : 2026년 8월 5일
• 고용형태 : 정규직
• 근무지 : 판교
• 경력 조건 : 경력 2년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• PPO
• GRPO
• BrowseComp
• Embedding Model
• Bi-Encoder
• Cross Encoder
• MTEB
• RTEB
• LLM-as-a-Judge
• InfiniBand

전형과 지원

카카오 기본 전형은 서류, 1차 인터뷰, 2차 인터뷰, 입사 확정 순이고 직군에 따라 코딩테스트나 과제 전형이 앞에 붙습니다. 공고마다 사전 인터뷰나 현장 과제, 인성검사가 더해지므로 지원하려는 공고의 전형 안내를 함께 봐야 합니다.

지원 전 준비할 것

1. 1

   지원 분야 하나 정하기

   공고는 Search Ranking Model, Agentic Search LLM, Search Data Modeling 가운데 한 분야의 전문가를 뽑고 모든 분야의 경험을 요구하지 않는다고 적었습니다. 세 분야의 필수 경험을 내 경력과 하나씩 맞춰 보고 가장 많이 해 본 분야를 골라 지원서를 그 분야 중심으로 쓰세요.

2. 2

   학습이 막혔던 실험 하나 정리하기

   공통 필수 역량에 학습이 잘되지 않을 때 가설을 세우고 재현 가능한 실험으로 원인을 좁혀 나간 경험이 있습니다. 그런 실험 하나를 골라 증상, 세운 가설, 확인한 순서, 결론을 정리해 두면 사전 인터뷰와 1차 인터뷰에서 바로 쓸 수 있습니다.

3. 3

   조직 논문 두 편 읽기

   공고가 소개한 OrchestrationBench(ICLR 2026)와 워크플로 그래프로 대화형 Agent를 만드는 ACL 2025 Industry Track 논문을 읽어 두면 조직이 Agent를 어떻게 평가하고 서비스에 넣는지 알고 인터뷰에 들어갈 수 있습니다.