이 자리가 왜 생겼을까요
공고의 팀 소개에 따르면 토스 커머스 검색에는 하루 수십만 건의 질의가 들어오지만 유저가 원한 상품을 찾아주지 못하는 검색이 아직 적지 않습니다. 같은 소개에 따르면 이 공고의 엔지니어는 그 판단의 기준이 되는 relevance 모델을 맡습니다. 2025년 4월 토스 커리어 아티클에서 Head of Commerce Tech는 매일 수백만 명이 토스 커머스에 방문하지만 장바구니, 검색, 정산 시스템 같은 기본 기능도 새로 개발하는 단계라고 설명했습니다. 같은 인터뷰에서 목적형 유저가 원하는 상품을 빠르게 찾도록 쿼리 보정, 인기 키워드, 카테고리 최적화 등을 실험하고 있다고도 말했습니다. 분석 시점 토스 채용 목록에는 이 공고와 함께 ML Engineer (Search Conversion/Ranking) 공고가 올라와 있어 검색 품질 개선을 relevance와 전환·랭킹으로 나눠 사람을 뽑고 있다는 것을 알 수 있습니다.
토스가 지금 어떤 사업에 집중하고 있는지는 토스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
LLM Teacher 모델로 relevance 레이블을 설계하고, 이를 distillation한 Student 임베딩 모델을 학습시킵니다. 이 모델은 ANN 기반으로 대규모 후보군의 relevance를 판별하는 foundation 역할을 합니다.
이렇게 볼 수 있어요
큰 모델의 판단을 작은 임베딩 모델로 옮겨 대규모 후보를 빠르게 거르는 구조입니다. 우대 사항의 Knowledge Distillation 경험이 이 업무에 직접 쓰이므로, 레이블 품질과 증류 뒤 성능 차이를 어떻게 관리했는지 설명할 수 있어야 합니다.
Student 임베딩에 상품의 다양한 컬럼(상품명·브랜드·카테고리·속성 등) 기반 lexical 매칭 피처를 결합한 Heavy Relevance 모델을 설계·학습해 최종 랭킹 단계의 정확도를 끌어올립니다.
이렇게 볼 수 있어요
의미 기반 점수와 키워드 일치 피처를 함께 쓰는 단계입니다. 우대 사항에 Elasticsearch 기반 BM25·lexical 피처 설계가 따로 있어, 두 종류의 신호를 섞어 본 경험이 있으면 비중을 어떻게 정했는지까지 설명할 수 있어야 합니다.
Light/Heavy 2-tier 구조 전반의 학습 데이터 파이프라인을 직접 설계합니다. 로그·행동 데이터에서 학습셋을 구성하고 LLM 레이블링 프롬프트와 휴먼 레이블링 루프를 함께 운영합니다.
이렇게 볼 수 있어요
모델 학습 앞단의 데이터 구성까지 이 자리가 맡습니다. 자격 요건에도 학습 데이터셋을 스스로 설계·구축하는 능력이 있으므로, 레이블 노이즈를 어떻게 걸러냈는지 같은 데이터 쪽 결정을 구체적으로 적는 편이 낫습니다.
오프라인 평가 프레임워크(정확도·Recall·Defect Rate 등)를 정의하는 것부터 A/B 실험까지 엔드투엔드로 오너십을 가집니다.
이렇게 볼 수 있어요
평가 기준을 정하는 일부터 온라인 실험으로 확인하는 일까지 한 사람이 책임집니다. 오프라인 지표와 A/B 결과가 어긋났던 경험이 있다면 그때 무엇을 바꿨는지가 이 업무와 직접 연결됩니다.
relevance 모델이 QU·Retrieval·Ranking과 맞물리는 지점에서 생기는 품질 이슈를 진단하고, 크로스팀 개선 과제를 설계·리드합니다.
이렇게 볼 수 있어요
검색 파이프라인의 다른 단계와 맞물려 있어, 원인이 내 모델 밖에 있을 때는 다른 팀과 함께 과제를 풀어야 합니다. 여러 팀이 얽힌 품질 문제를 원인 분석부터 개선까지 이끈 사례가 있으면 이력서에 넣어 둘 만합니다.
2자격 요건
검색 도메인에서 3년 이상의 실무 경험이 필요합니다.
이렇게 볼 수 있어요
연차 기준이 ML 경력 전체가 아니라 검색 도메인입니다. 추천이나 광고 모델 경력이 길어도 검색 실무가 3년이 되는지는 따로 보여 줘야 합니다.
대규모 로그·행동 데이터를 직접 다루고 학습 데이터셋을 스스로 설계·구축할 수 있어야 합니다.
이렇게 볼 수 있어요
준비된 데이터셋으로 모델을 돌린 경험과 구별되는 요구입니다. 어떤 로그에서 어떤 기준으로 정답을 만들었는지가 드러나야 합니다.
임베딩·랭킹 모델을 직접 학습시키고 성능을 끌어올려 본 경험이 필요합니다.
이렇게 볼 수 있어요
사전학습 모델을 그대로 쓴 경험보다 학습과 튜닝으로 지표를 올린 경험을 봅니다. 개선 폭을 어떤 지표로 쟀는지 함께 밝혀야 합니다.
LLM을 레이블링·데이터 생성·평가 등 문제 해결을 위한 도구로 능숙하게 활용할 수 있어야 합니다.
이렇게 볼 수 있어요
LLM을 서비스에 붙이는 능력이 아니라 데이터와 평가를 만드는 도구로 쓰는 능력입니다. 업무의 LLM Teacher 레이블링과 우대 사항의 LLM-as-a-Judge가 모두 이런 쓰임입니다.
데이터 분석부터 모델 학습, 서빙 반영까지 혼자 끌고 갈 수 있어야 합니다.
이렇게 볼 수 있어요
분석과 학습, 서빙을 다른 사람에게 넘기지 않고 한 사람이 이어 가는 구조입니다. 모델을 실제 서비스에 반영한 단계까지 적어야 이 요구를 채웁니다.
품질 개선을 가로막는 진짜 원인을 데이터로 밝혀내고, 실험을 설계해 그 결과에서 다음 스텝을 직접 정할 수 있는 Problem Solver를 찾습니다.
이렇게 볼 수 있어요
가설이 틀린 실험도 다음 결정으로 이어졌다면 쓸 수 있는 사례입니다. 실험 결과를 보고 무엇을 그만두거나 바꿨는지를 함께 쓰면 다음 스텝을 직접 정했다는 점이 보입니다.
3우대 사항
Knowledge Distillation·Two-Tower·Bi-Encoder·Cross-Encoder 등 relevance 모델을 학습하고 실서비스에 적용한 경험을 우대합니다.
이렇게 볼 수 있어요
학습만이 아니라 실서비스 적용까지 묶어 우대합니다. 어떤 구조를 왜 골랐는지와 서비스 지연 시간 같은 제약을 함께 설명할 수 있으면 좋습니다.
ANN(Milvus·FAISS 등) 기반 벡터 검색 실무 경험을 우대합니다.
이렇게 볼 수 있어요
업무에 적힌 Student 임베딩 모델이 ANN 기반으로 후보를 판별하므로 이 경험은 입사 뒤 바로 쓰입니다.
LLM-as-a-Judge 기반 relevance 레이블 설계와 품질 검증 경험을 우대합니다.
이렇게 볼 수 있어요
LLM이 만든 레이블을 그대로 쓰지 않고 사람 레이블과 비교해 품질을 확인해 본 경험이 있다면 레이블 설계와 품질 검증을 함께 보여 줄 수 있습니다.
Elasticsearch 기반 BM25·lexical 피처 설계 경험을 우대합니다.
이렇게 볼 수 있어요
Heavy Relevance 모델에 들어가는 lexical 매칭 피처를 만들 때 쓰이는 경험입니다.
LTR·Multi-task 딥러닝 랭킹 모델을 실서비스에 적용한 경험을 우대합니다.
이렇게 볼 수 있어요
최종 랭킹 단계를 다뤄 본 경험입니다. 여러 목표를 한 모델에서 함께 학습했다면 목표 사이의 균형을 어떻게 잡았는지 적을 수 있습니다.
대규모 커머스 또는 검색 플랫폼에서 A/B 실험을 설계·운영한 경험을 우대합니다.
이렇게 볼 수 있어요
커머스와 검색 플랫폼 가운데 한쪽에서 해 본 경험이면 됩니다. 업무의 A/B 실험 오너십과 같은 내용입니다.
4기타 사항
- 게시일 : 2026년 9월 11일
- 고용형태 : 정규직
- 근무지 : 서울특별시 강남구 테헤란로 142 (역삼동, 아크플레이스) (추정)
- 경력 조건 : 경력 3년 이상
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- LLM
- ANN
- Milvus
- FAISS
- Elasticsearch
- BM25
- Knowledge Distillation
- Two-Tower
- Bi-Encoder
- Cross-Encoder
- LTR
전형과 지원
토스커뮤니티는 합류 여정을 한 페이지로 공개해 두었습니다. 공통 골격은 같지만 계열사와 공고에 따라 단계가 더해지거나 빠지므로, 공고 페이지에 적힌 단계를 함께 확인해야 합니다.
기본 다섯 단계
지원서 접수, 직무 인터뷰, 문화적합성 인터뷰, 레퍼런스 체크, 처우 협의와 합류 결정 순입니다. 안내에는 '포지션에 따라 사전 과제 / 전화 인터뷰 등의 전형이 추가될 수 있어요'라고 적혀 있습니다.
이렇게 볼 수 있어요
공고마다 앞 단계가 다르므로 일정을 잡을 때 공고 페이지를 먼저 봐야 합니다. 같은 계열사 안에서도 사전 과제가 붙은 공고와 없는 공고가 섞여 있습니다. 토스뱅크 Customer Success Specialist(계약직)와 토스 Financial Data Analyst (FP&A) 공고는 레퍼런스 체크와 처우 협의 없이 문화적합성 인터뷰 뒤 바로 최종 합격으로 갑니다. 둘 중 하나만 빠진 공고도 있습니다. Category MD (신선식품 Unit Leader - 과일, 채소), Category MD (뷰티), Category MD (가공식품), Search Quality Operations Manager 공고는 처우 협의가 레퍼런스 체크보다 먼저 옵니다.
문화적합성 인터뷰가 따로 있다
'인터뷰어는 토스의 핵심가치를 누구보다 잘 이해하고 있는 동료들로 구성되어 있어요'라고 적혀 있고, '지원자를 검증하기 위해 일방적으로 질문을 던지는 것이 아니라, 토스커뮤니티 문화에 대해 서로 진솔한 대화를 나누는 방식으로 진행해요'라고 설명합니다.
이렇게 볼 수 있어요
직무 경험만 준비하면 한 단계를 비워 두게 됩니다. 핵심가치 네 가지에 각각 대응하는 본인 사례를 미리 한 개씩 정리해 두면 이 단계에서 꺼낼 것이 생깁니다.
인터뷰는 전부 온라인이다
'모든 인터뷰는 온라인(Google Meet/ Zoom)으로 진행하고 있어요'라고 적혀 있고 '최대한 1:1 커뮤니케이션을 지향'한다고 밝혔습니다. 인터뷰어는 '합류하신다면 가장 많은 협업을 하게 되실 동료들'입니다.
이렇게 볼 수 있어요
이동 시간이 들지 않아 재직 중에도 일정을 잡기 쉽습니다. 안내가 조용한 개인 공간과 이어폰 사용을 권하고 있으므로 환경을 미리 확인해 두는 편이 좋습니다.
지원서는 자유 양식이다
'지원자분의 역량을 최우선적으로 검토하기 위해 자유 양식의 지원서를 받고 있어요'라고 적혀 있습니다. 개발 직군은 '기술 숙련도를 파악하기 위해 이력서 상에 기술 스택을 꼭 작성해 주세요'라는 요구가 따로 붙습니다.
이렇게 볼 수 있어요
정해진 문항이 없으므로 무엇을 보여 줄지 직접 정해야 합니다. 안내는 경험을 나열하기보다 '임팩트와 러닝 포인트'를 적으라고 했고, 주민등록번호와 자택 주소, 연봉은 필수가 아니라고 밝혔습니다. 제출은 PDF를 권합니다.
계열사 간 중복 지원이 된다
'원하는 포지션이라면 계열사 간 중복 지원도 가능해요'라고 적혀 있습니다. 토스, 토스뱅크, 토스페이먼츠, 토스인슈어런스, 토스증권, 토스씨엑스 등이 함께 열거돼 있습니다.
이렇게 볼 수 있어요
같은 직무를 여러 계열사가 채용하고 있을 때 하나만 고를 필요가 없습니다. 다만 계열사마다 도메인이 다르므로 지원서의 강조점은 각각 맞추는 편이 낫습니다.
이 공고만 다른 점
직무 인터뷰는 심층 기술 면접과 ML 시스템 설계를 주제로 진행됩니다.
모델 이론에 더해 학습 데이터, 서빙, 평가까지 이어지는 시스템을 설계하는 질문이 나옵니다. 업무에 적힌 Light/Heavy 2-tier 구조를 기준으로 본인이라면 어떻게 설계할지 미리 정리해 볼 수 있습니다.
지원 전 준비할 것
- 1
검색 실무 기간을 따로 세기
자격 요건은 검색 도메인 3년 이상입니다. 경력 항목마다 검색, 추천, 광고 가운데 무엇을 다뤘는지 적어 두면 검색 기간이 바로 확인됩니다.
- 2
문제 정의부터 개선 수치까지 한 사례로 정리하기
이력서 안내가 본인이 정의한 문제, 선택한 접근법, 실험 방법과 성능 개선 내용을 구체적으로 적고 정량적으로 쓰라고 했습니다. relevance나 랭킹 개선 프로젝트 하나를 이 순서로 정리해 두면 직무 인터뷰에서 같은 이야기를 그대로 쓸 수 있습니다.
- 3
상시 커피챗 활용하기
공고 첫머리에 바로 지원하기가 부담스럽다면 ML Engineer 현업과의 상시 커피챗을 신청할 수 있다고 적혀 있습니다. 팀이 지금 다루는 품질 문제를 먼저 들어 본 뒤 지원서에서 강조할 경험을 정하는 방법도 있습니다.