[무신사] Machine Learning Engineer (AdTech/MarTech) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 상품광고 지면의 후보 광고 추출(retrieval)부터 랭킹까지 추천 파이프라인을 개발하고 서비스합니다.

  이렇게 볼 수 있어요

  추천 시스템의 두 단계를 모두 맡습니다. retrieval과 랭킹 가운데 직접 만든 단계와 다룬 후보 규모를 나눠 적어 두면 맡은 범위가 분명해집니다.

• CTR·CVR·ROAS 예측 모델을 설계·고도화해 광고 적합도와 전환 품질, 광고 수익을 함께 개선합니다.

  이렇게 볼 수 있어요

  모델의 목표가 셋입니다. 사용자 경험과 광고 수익 사이에서 어떤 지표를 기준으로 모델을 골랐는지 설명할 준비가 필요합니다.

• eCPM, 예산 소진, 페이싱 같은 자동 입찰·노출 최적화 로직을 모델링합니다.

  이렇게 볼 수 있어요

  예측 모델 위에 입찰과 예산 배분 로직이 따로 있습니다. 광고주 예산이 기간 안에 고르게 쓰이도록 조정해 본 경험이 이 업무와 가깝습니다.

• 사용자 행동, 광고 소재, 컨텍스트 신호를 결합해 노출→클릭→전환 퍼널 전반을 최적화합니다.

  이렇게 볼 수 있어요

  클릭 예측 하나가 아니라 전환까지 이어지는 퍼널 전체가 대상입니다. 퍼널 단계마다 어떤 신호를 피처로 썼는지 정리해 둘 만합니다.

• 대규모 유저 행동 로그 기반의 광고 ML 피처 파이프라인과 데이터 처리 구조를 설계합니다.

  이렇게 볼 수 있어요

  팀 소개는 수천만 명의 사용자 행동 로그와 수백만 개의 상품 데이터를 다룬다고 적었습니다. 처리해 본 로그 규모와 피처 갱신 주기를 숫자로 밝혀야 합니다.

• MATCH의 세그먼트·임베딩 자산을 광고 타게팅에 연결하는 개인화 광고 로직을 개발합니다.

  이렇게 볼 수 있어요

  MATCH는 팀이 CRM 도메인에서 먼저 만든 자체 개인화 플랫폼입니다. 이미 있는 세그먼트나 임베딩을 다른 서비스에 가져다 쓴 경험을 사례로 들 수 있습니다.

• 오프라인 평가와 온라인 A/B 테스트로 모델 성능을 검증하고 빠르게 반복 개선합니다.

  이렇게 볼 수 있어요

  자격 요건에도 같은 흐름이 한 번 더 나옵니다. 오프라인 지표와 온라인 결과가 달랐던 실험이 있다면 그 원인을 어떻게 찾았는지 설명할 수 있어야 합니다.

2자격 요건

• 추천·랭킹·CTR/CVR 예측 등 ML 문제를 프로덕션 환경에서 설계·운영한 경험이 7년 이상이거나 이에 준하는 전문성을 요구합니다.

  이렇게 볼 수 있어요

  연차를 세는 대상이 프로덕션 설계·운영입니다. 연구나 오프라인 실험 기간이 섞여 있다면 서비스에 올려 운영한 기간을 따로 셀 필요가 있습니다.

• 머신러닝·딥러닝 이론과 기본기가 탄탄하고 추천·랭킹·NLP·GNN 가운데 한 분야 이상을 깊이 이해해야 합니다.

  이렇게 볼 수 있어요

  네 분야 가운데 하나 이상이 조건입니다. 가장 깊게 다룬 분야를 정하고 그 분야의 모델 구조를 System Design 단계에서 풀어 갈 준비를 합니다.

• Python 기반의 대규모 데이터 분석·ML 모델·파이프라인 개발 경험과 SQL 기반의 데이터 추출·분석 역량을 요구합니다.

  이렇게 볼 수 있어요

  Python과 SQL이 각각 다른 일로 적혀 있습니다. 전형에 Live Coding이 있으므로 Python으로 데이터를 다루는 코드를 직접 써 보는 연습도 같이 합니다.

• 가설 수립, 오프라인 평가, 온라인 A/B 테스트로 임팩트를 검증하고 빠르게 반복 개선해 본 경험을 요구합니다.

  이렇게 볼 수 있어요

  업무 마지막 항목과 같은 순서입니다. 한 실험을 가설부터 결과 반영까지 차례로 말할 수 있는 사례를 고릅니다.

3우대 사항

• CTR·CVR·ROAS 예측, 자동 입찰·페이싱·타게팅 같은 광고 최적화 모델을 개발·운영해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  필수 요건은 추천 전반이고 광고 도메인은 우대에 있습니다. 광고 경험이 없다면 추천·랭킹 경험을 CTR이나 CVR 같은 광고 지표로 다시 풀어 볼 수 있습니다.

• 모델 품질과 서빙 비용·운영 효율성 사이의 균형을 고려해 프로덕션 모델을 운영한 경험, Large-scale 프로덕션 환경에서 ML 시스템을 구축하고 안정적으로 서빙한 경험을 우대합니다.

  이렇게 볼 수 있어요

  기술 스택의 Serving 항목에도 '고트래픽·저지연 광고 서빙'이 적혀 있습니다. 응답 시간과 서빙 비용을 함께 줄여 봤다면 품질과 비용 사이의 균형을 직접 다뤄 본 셈입니다.

• 노출→클릭→전환 퍼널 전반을 최적화하는 ML 시스템을 설계한 경험, 대규모 트래픽 환경에서 콜드 스타트와 탐색-활용(exploration-exploitation) 문제를 해결한 경험을 우대합니다.

  이렇게 볼 수 있어요

  새 광고와 새 상품은 클릭 기록이 없는 상태에서 노출을 시작합니다. 기록이 없는 후보를 어떻게 노출하고 그 비율을 어떻게 조정했는지가 이 항목이 묻는 내용입니다.

• 커머스·패션 도메인을 이해하거나 관련 경험이 있으면 우대합니다.

  이렇게 볼 수 있어요

  도메인 경험은 우대입니다. 무신사와 29CM 앱의 광고 지면을 직접 보고 어떤 상품이 어디에 붙는지 살펴 두면 면접에서 쓸 수 있습니다.

• 추천·광고 관련 최신 논문·연구 경험을 우대합니다.

  이렇게 볼 수 있어요

  논문이나 연구 발표는 링크로 바로 열어 볼 수 있는 기록입니다. 이력서에 주소를 같이 적을 수 있습니다.

• Kubernetes(EKS) 기반 ML 서비스 운영, FastAPI 기반 모델 서버 개발·운영, MLflow, KubeFlow, Ray, Triton Inference Server 같은 ML 서빙·MLOps 도구 활용 경험을 우대합니다.

  이렇게 볼 수 있어요

  도구 이름이 여러 개 나옵니다. 써 본 도구마다 서빙용이었는지 실험 관리용이었는지 쓰임새를 붙여 두면 도구 이름만 나열할 때보다 경험의 깊이가 분명해집니다.

4기타 사항

• 게시일 : 2026년 6월 10일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 무신사 성수 오피스
• 경력 조건 : 경력 7년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Python
• SQL
• PyTorch
• TensorFlow
• HuggingFace
• Databricks
• Airflow
• Kafka
• Elasticsearch
• MongoDB
• Redis
• AWS SageMaker
• EKS
• Kubernetes
• FastAPI
• MLflow
• KubeFlow
• Ray
• Triton Inference Server
• Git
• Jira
• Confluence
• Slack

전형과 지원

무신사 정규직 공고는 기본적으로 인터뷰를 두 번 봅니다. 공고에 따라 3차 인터뷰나 커피챗처럼 단계가 하나씩 더 붙으므로 지원할 공고의 전형 절차 항목을 따로 확인해야 합니다.

지원 전 준비할 것

1. 1

   광고 지표로 다시 쓴 추천 사례 하나

   프로덕션에 올린 추천·랭킹 모델 하나를 골라 retrieval, 랭킹, 서빙 가운데 맡은 부분과 CTR·CVR 같은 지표 변화를 정리합니다. 공고의 작성 팁이 프로젝트별 기여도 표시를 요청하므로 본인이 맡은 범위도 표시합니다.

2. 2

   Live Coding과 System Design 따로 준비하기

   두 단계 모두 화상으로 진행합니다. Python 데이터 처리 코드는 직접 써 보는 연습으로, 광고 서빙 구조는 후보 추출부터 입찰까지 그림 한 장으로 풀어 가는 연습으로 나눠 준비합니다.

3. 3

   실험 한 건을 처음부터 끝까지

   가설, 오프라인 평가, 온라인 A/B 테스트, 반복 개선이 업무와 자격 요건에 함께 나옵니다. 결과가 예상과 달랐던 실험 하나를 골라 무엇을 고쳤는지까지 이어서 준비합니다.