[넥스트증권] ML엔지니어(NLP·LLM) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• NLP 모델 개발: 뉴스·공시 대상 NER, 클러스터링, 요약·생성 모델과 RAG 파이프라인을 개발합니다.

  이렇게 볼 수 있어요

  같은 사건을 다룬 기사가 매체마다 여러 건씩 나오기 때문에, 클러스터링은 중복 기사를 하나의 이슈로 묶어 요약과 답변의 단위를 만드는 단계입니다. 한국어 금융 기사는 종목명이 약칭이나 영문으로 섞여 나와 범용 NER 모델로는 종목 인식이 흔들리는 경우가 많아, 약칭·영문 표기를 종목에 묶는 문제를 어떻게 풀었는지가 이 업무에서 가장 먼저 볼 부분입니다.

• 엔티티 연결(Entity Linking): 뉴스·공시에서 추출한 엔티티를 금융 온톨로지의 종목·기업·섹터·테마와 연결합니다.

  이렇게 볼 수 있어요

  엔티티 연결은 여러 계열사를 가리킬 수 있는 그룹 이름이나 이름이 같은 다른 회사를 문맥으로 구분해 맞는 종목에 붙이는 일입니다. AI데이터플랫폼팀과 함께 일하는 금융 데이터 분석가 공고가 티커·ISIN·RIC 매핑과 상장폐지·합병·분할에 따른 식별자 이력 기준을 정의한다고 적어, 연결 대상인 종목 기준정보는 그 공고가 정의하는 기준을 따를 가능성이 큽니다. 합병이나 사명 변경 전후의 기사에서 같은 회사를 맞게 연결한 사례가 있으면 이 업무를 바로 보여 줄 수 있습니다.

• 온톨로지 기반 검색·추론: 온톨로지를 활용한 RAG·Graph RAG를 구현하고 금융 엔티티 간 관계 추론을 다룹니다.

  이렇게 볼 수 있어요

  Graph RAG는 문서 조각만 검색하는 대신 기업과 섹터, 공급사와 고객사 같은 관계를 따라가 질문에 직접 나오지 않은 연관 종목까지 근거로 가져오는 방식입니다. 콘텐츠플랫폼팀 PM은 채용 사이트 인터뷰에서 시장이 급락했을 때 어떤 섹터가 움직였는지 같은 맥락까지 전달하려 한다고 밝혔습니다. 이런 질문은 문서 조각 검색만으로는 답하기 어렵고 섹터와 종목의 관계를 따라가야 답이 나옵니다.

• 품질·안전성 관리: 금융 용어의 정확성, 출처 정합성, 할루시네이션을 통제하고 모델 평가체계를 설계·운영합니다.

  이렇게 볼 수 있어요

  금융에서는 지어낸 숫자 하나가 투자 판단으로 이어질 수 있어, 직무 Summary도 이 통제가 성능만큼 중요하다고 적었습니다. 답변의 문장마다 근거 문서를 붙이고 근거에 없는 숫자를 걸러 내는 검사를 운영해 봤다면 그 검사가 무엇을 얼마나 걸렀는지까지 밝히는 게 좋습니다.

• 오류 통제: 엔티티 연결 오류와 근거 없는 관계 생성을 정량적으로 평가하고 통제합니다.

  이렇게 볼 수 있어요

  근거 없는 관계 생성은 Graph RAG에서 모델이 그래프에 없는 관계를 만들어 내는 실패라, 일반 할루시네이션과 따로 재야 합니다. 연결 정확도를 precision·recall로 잰 결과와, 모델이 만든 관계를 그래프와 대조해 거른 방식이 이 업무의 경험을 숫자로 보여 줍니다.

• 공통 엔진 운영: MTS AI 피처가 공통으로 사용하는 LLM·RAG 엔진과 fallback을 운영합니다.

  이렇게 볼 수 있어요

  여러 피처가 한 엔진을 쓰면 엔진 장애가 곧 MTS 여러 화면의 장애가 됩니다. fallback은 기본 모델이나 검색이 실패했을 때 다른 모델이나 축소된 답변으로 넘어가는 장치라, LLM 공급자의 장애나 지연 때 대체 경로를 실제로 운영해 본 경험이 이 업무와 바로 이어집니다.

• 역할 이중화: Ranking/Recommendation ML 엔지니어와 AI/ML 영역을 상호 이중화해 부재 시 대응합니다.

  이렇게 볼 수 있어요

  Ranking/Recommendation ML 엔지니어와 서로 이중화한다는 것은 추천·랭킹 모델을 다뤄 본 경험도 이 공고에서 쓰인다는 뜻입니다. 테크본부장은 채용 사이트 인터뷰에서 초개인화 추천을 자체 개발로 고도화할 핵심 컴포넌트로 꼽았으므로, 추천 시스템의 피처나 평가 방식을 이해하고 있다면 그 경험도 함께 적을 수 있습니다.

2자격 요건

• NLP나 LLM 응용 중심의 ML 엔지니어 경력이 4년 이상 필요합니다.

  이렇게 볼 수 있어요

  LLM 응용이 서비스로 자리 잡은 기간이 짧아, 4년 경력 가운데 앞부분은 NER·분류 같은 전통적인 NLP, 뒷부분은 RAG·LLM 응용인 경우가 많습니다. 이 공고의 업무도 두 가지가 함께 있어, 두 시기의 프로젝트를 이어서 보여 주면 업무 범위 전체를 다뤄 봤다는 점이 분명해집니다.

• 한국어 텍스트 대상 NER, 분류, 클러스터링 모델을 프로덕션에 적용해 봤어야 합니다.

  이렇게 볼 수 있어요

  한국어는 조사가 붙어 형태가 바뀌고 띄어쓰기가 불규칙해 영어용 토크나이저와 모델을 그대로 쓰기 어렵습니다. 금융 기사에서는 여기에 종목 약칭과 영문 표기가 더해지므로, 형태 처리 문제를 어떻게 풀었는지 적으면 '한국어 텍스트'라는 조건과 업무가 함께 드러납니다.

• RAG 파이프라인(청킹, 임베딩, 리트리버, 리랭커, 프롬프트)을 설계하고 운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  공시는 표와 정형 항목이 많고 뉴스는 짧은 문단이라, 같은 청킹 규칙으로는 둘 다 잘 검색되지 않습니다. 문서 유형별로 청킹과 리랭커를 다르게 설계하고 그 효과를 검색 지표로 잰 경험이 있으면 그 사례 하나가 이 요건과 업무에 적힌 뉴스·공시 처리를 함께 보여 줍니다.

• 정답셋 구축, 근거 추적, 할루시네이션 측정 등 LLM 산출물의 품질을 정량적으로 평가하는 체계를 직접 만들어 봤어야 합니다.

  이렇게 볼 수 있어요

  정답셋, 근거 추적, 할루시네이션 측정을 갖춘 평가 체계는 업무의 오류 통제를 숫자로 만드는 도구입니다. 우대 사항의 LLM-as-judge와 회귀 테스트까지 묶어, 프롬프트나 모델을 바꿀 때마다 점수가 떨어지지 않는지 확인하는 체계를 직접 만들어 봤다면 정답셋 규모와 회귀 판정 기준까지 밝힐 만합니다.

• Python에 능숙하고 PyTorch, HuggingFace 등 프레임워크를 활용할 수 있어야 합니다.

  이렇게 볼 수 있어요

  HuggingFace는 오픈 모델을 받아 파인튜닝하고 직접 서빙하는 작업에 주로 쓰이고, 이 공고에서는 다음 요건에 적힌 임베딩·소형 언어 모델 파인튜닝이 그런 작업입니다. API 호출로 만든 LLM 응용이 경력의 대부분이라면 직접 학습시킨 모델 경험을 따로 보여 주는 게 좋습니다.

• 임베딩 모델이나 소형 언어 모델의 파인튜닝·평가 경험이 필요합니다.

  이렇게 볼 수 있어요

  범용 임베딩은 반도체와 HBM처럼 금융 기사에서 가까운 개념 사이의 거리를 잘 잡지 못하는 경우가 있어, 도메인 데이터로 다시 학습하면 검색 품질이 달라집니다. 소형 언어 모델은 NER·분류처럼 호출이 많은 작업을 큰 LLM보다 싸고 빠르게 처리하는 데 쓰여, 다음 요건의 추론 비용 최적화와도 이어집니다.

• 모델 서빙과 추론 성능·비용 최적화 경험이 필요합니다.

  이렇게 볼 수 있어요

  공시와 뉴스는 장 시작 전후에 몰리고 MTS 사용자의 질문도 장 시간에 집중되기 쉬워, 공통 엔진은 피크 시간 처리량과 건당 비용을 함께 관리해야 합니다. 배치 크기나 양자화로 지연과 비용을 줄인 수치는 우대 사항의 GPU 추론 최적화 경험으로도 함께 쓰입니다.

• SQL과 대용량 텍스트 데이터를 처리해 봤고, AWS 등 퍼블릭 클라우드 환경에 익숙해야 합니다.

  이렇게 볼 수 있어요

  AI데이터플랫폼팀과 함께 일하는 Data Engineer (Data Platform) 공고는 Databricks 레이크하우스와 Kafka 클러스터를 운영한다고 적어, 뉴스·공시 원문과 학습 데이터도 그 레이크하우스에서 SQL로 꺼내 쓰게 될 가능성이 큽니다. Spark SQL처럼 분산 환경에서 텍스트를 다뤄 본 경험이 있으면 함께 적을 수 있습니다.

3우대 사항

• 금융 뉴스, 공시(DART), 리서치 리포트 등 금융 텍스트를 다뤄 본 경험과 금융 콘텐츠 생성 시 요구되는 규제·컴플라이언스 제약을 고려해 시스템을 설계해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  DART 공시는 서식이 정형화돼 있고 XBRL 재무 데이터가 함께 있어 뉴스보다 구조를 활용하기 좋고, 정정 공시로 내용이 바뀌는 특성이 있습니다. 규제 쪽은 콘텐츠서비스개발팀 AI Engineer 공고도 콘텐츠·컴플라이언스 담당자와 '올바른 금융 콘텐츠' 기준을 정의한다고 적었으므로, 특정 종목 매수를 권하는 듯한 생성 결과를 막아 본 경험이 있으면 밝힐 수 있습니다.

• Entity Linking이나 Entity Resolution을 대규모로 운영한 경험과 지식그래프·온톨로지를 검색·추론에 결합한 경험(Graph RAG, SPARQL 기반 질의 등)을 우대합니다.

  이렇게 볼 수 있어요

  SPARQL이 적힌 것은 온톨로지를 RDF 계열 그래프로 다룰 가능성을 보여 줍니다. 콘텐츠서비스개발팀의 Data Engineer (AI Content Platform) 공고도 온톨로지·지식 그래프를 위한 관계 모델링을 우대해, 종목·기업 관계 데이터를 두 팀이 함께 다루게 될 수 있습니다. 써 본 그래프 저장소와 질의 언어를 밝히면 RDF 계열인지 속성 그래프 계열인지가 검토하는 쪽에 바로 보입니다.

• 벡터 데이터베이스나 OpenSearch k-NN 기반 시맨틱 검색 구축 경험과 여러 서비스가 공유하는 AI 엔진을 플랫폼 형태로 제공·운영해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  OpenSearch는 키워드 검색과 k-NN 벡터 검색을 한 엔진에서 함께 쓸 수 있어, 종목코드나 공시 제목처럼 키워드가 강한 질의와 의미 검색이 섞이는 금융 검색에 맞는 구성입니다. 두 검색을 어떻게 합쳤는지, 공유 엔진을 운영하며 서비스별 사용량과 장애 격리를 어떻게 했는지를 이 우대에서 꺼낼 만합니다.

• LLMOps(프롬프트 버전 관리, 평가 자동화, LLM-as-judge, 회귀 테스트) 경험을 우대합니다.

  이렇게 볼 수 있어요

  여러 피처가 같은 엔진을 쓰면 한 피처를 위해 바꾼 프롬프트가 다른 피처의 답을 망칠 수 있어, 피처별 회귀 테스트가 공통 엔진 운영의 안전장치가 됩니다. LLM-as-judge를 썼다면 판정 모델과 사람 판정의 일치도를 어떻게 확인했는지도 함께 설명할 수 있습니다.

• GPU 프로파일링과 추론 최적화(quantization, batching 등) 경험을 우대합니다.

  이렇게 볼 수 있어요

  임베딩 모델이나 소형 언어 모델을 자체 GPU에서 서빙한다면 필수 요건의 추론 비용 최적화를 GPU 메모리와 커널 수준에서 다루게 됩니다. 프로파일링으로 찾은 병목과 개선 수치를 함께 보여 주면 우대 범위가 분명해집니다.

• AI 코딩 에이전트(Claude Code, Codex, Cursor 등)를 활용한 Agentic Engineering 경험 또는 관심, AI Harness(MCP 서버, 커스텀 스킬, 훅 등)를 설계·구성해 개발 생산성을 극대화한 경험을 우대합니다.

  이렇게 볼 수 있어요

  분석 시점 넥스트증권 공고 가운데 AI Harness까지 우대 사항에 적은 곳은 이 공고뿐입니다. 코딩 에이전트에 사내 도구나 데이터를 MCP 서버로 붙이고 팀 규칙을 스킬·훅으로 만든 경험은 개인 생산성보다 팀 단위 환경 구성에 가까워, 무엇을 자동화했고 팀에서 몇 명이 썼는지까지 적으면 이 우대의 범위가 드러납니다.

4기타 사항

• 게시일 : 2026년 10월 27일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 강남대로 464 비제바노빌딩 3-6층
• 경력 조건 : 경력 4년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Python
• PyTorch
• HuggingFace
• SQL
• AWS
• OpenSearch
• SPARQL
• Claude Code
• Codex
• Cursor

전형과 지원

채용 사이트 How We Hire가 밝힌 기본 절차는 서류 접수, 1차 인터뷰, 2차 인터뷰, 처우 협의, 최종 합격의 다섯 단계입니다. 개발·디자인 공고 상당수는 1차 인터뷰 앞에 AI 스크리닝을 더하므로 공고마다 전형 문단을 확인해야 합니다.

지원 전 준비할 것

1. 1

   연결 오류 사례 하나 고르기

   엔티티 연결이나 검색에서 틀린 답이 나왔던 사례를 골라 원인, 측정 방법, 개선 뒤 수치를 정리합니다.

2. 2

   평가셋 설계 설명 준비하기

   직접 만든 정답셋의 크기, 라벨링 기준, 할루시네이션을 판정한 방법을 한 장으로 정리하면 1차 인터뷰의 세부 질문에 대비할 수 있습니다.

3. 3

   금융 텍스트 경험 정리하기

   필수 서류에 자기소개서가 있으므로 금융 뉴스·공시를 다뤄 본 경험을 문서 종류와 규모로 정리하고, 없다면 공개된 DART 공시로 작은 실험을 해 본 결과를 GitHub에 올릴 수 있습니다.