이 자리가 왜 생겼을까요
토스 AI Engineer (Model) 공고는 모델 파트가 외부 상용 LLM에 의존하던 토스의 고비용 유스케이스를 직접 학습한 모델로 내재화하는 일을 한다고 적었습니다. 이 공고의 Intelligence Growth 팀은 토스 홈, 송금 완료 후 배너, 푸시 메시지의 추천과 타겟팅을 머신러닝으로 최적화하고, LLM으로 콘텐츠의 의미와 사용자 관심사를 표현하는 일도 맡습니다. 업무 마지막 항목에는 운영 과정에서 추천 품질, 응답 속도, 비용을 함께 개선한다고 적혀 있습니다. 추천 모델에 LLM을 붙여 본 경험이 있다면 품질 지표의 변화와 응답 속도, 비용의 변화를 한 표로 놓고 쓸 수 있습니다.
토스가 지금 어떤 사업에 집중하고 있는지는 토스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
대규모 사용자 행동 데이터와 맥락 정보를 활용해 추천·타겟팅 모델과 CTR·CVR 등 반응 예측 모델을 개발합니다.
이렇게 볼 수 있어요
CTR은 노출 대비 클릭, CVR은 클릭 뒤 전환을 뜻하는 지표입니다. 클릭 확률과 전환 확률은 학습에 쓰는 정답 이벤트가 달라서 두 모델을 따로 만든 경험이 사례가 됩니다. 접점으로 든 토스 홈, 송금 완료 후 배너, 푸시 메시지처럼 노출 위치가 여럿이었다면 위치마다 사용한 입력 데이터를 나눠 적습니다.
LLM으로 콘텐츠의 의미와 사용자 관심사를 표현하고, 신규 콘텐츠를 포함한 다양한 추천 영역의 품질을 개선합니다.
이렇게 볼 수 있어요
신규 콘텐츠는 클릭 이력이 없어 행동 데이터만으로 추천하기 어려운 콜드스타트 문제가 있습니다. LLM으로 콘텐츠 의미를 벡터로 표현하면 이력이 없는 콘텐츠도 후보에 올릴 수 있습니다. 신규 콘텐츠의 노출 비율이나 성과가 어떻게 달라졌는지를 함께 적으면 콜드스타트를 다룬 경험이 드러납니다.
후보 생성부터 랭킹까지 추천 과정 전반을 개선하고, 통합 학습과 생성형 추천 등 End-to-End 접근을 검증합니다.
이렇게 볼 수 있어요
후보 생성과 랭킹은 보통 따로 학습하는 두 단계이고 통합 학습은 이를 하나의 모델로 묶는 시도입니다. 어느 단계를 직접 바꿨는지와 바꾼 뒤 지표 변화를 단계별로 나눠 적는 게 좋습니다.
푸시 메시지와 프로모션의 대상·시점·빈도를 최적화하고, 사용자 피로도와 추가 전환 효과를 고려해 타겟팅 전략을 고도화합니다.
이렇게 볼 수 있어요
피로도는 알림을 자주 받아 수신을 끄거나 앱을 지우는 반응이고, 추가 전환 효과는 보내지 않았어도 일어났을 전환을 뺀 순수 효과입니다. 우대 사항의 Uplift Modeling과 인과 추론이 이 업무와 같은 문제를 다루는 방법입니다.
관련 엔지니어와 협업해 모델을 서비스에 적용하고, 오프라인 평가와 온라인 A/B 테스트로 성과를 검증합니다. 운영 과정에서 추천 품질·응답 속도·비용을 함께 개선합니다.
이렇게 볼 수 있어요
오프라인 지표가 좋아도 온라인 A/B 테스트에서는 다른 결과가 나오는 경우가 있습니다. 업무가 두 평가를 모두 적은 것도 이 차이 때문으로 볼 수 있습니다. 서빙 비용과 지연 시간을 모델 설계에 반영한 경험은 직무 인터뷰의 ML 시스템 설계 주제에서도 꺼내기 좋은 소재입니다.
2자격 요건
추천, 검색, 광고, 타겟팅 등 사용자와 콘텐츠·서비스를 연결하는 문제를 실무에서 다뤄 본 사람을 찾고 있습니다.
이렇게 볼 수 있어요
추천, 검색, 광고, 타겟팅 경력은 이 조건에 함께 적을 수 있습니다. 네 분야는 모두 후보를 모아 점수로 순위를 매기는 구조를 흔히 씁니다. 그래서 분야가 달라도 후보 규모와 순위 지표라는 같은 틀로 경력을 정리하게 됩니다.
사용자 행동 데이터를 활용해 추천·랭킹 또는 CTR·CVR 예측 모델을 설계하고 학습·평가해 본 사람을 찾고 있습니다.
이렇게 볼 수 있어요
랭킹 모델 경력과 반응 예측 모델 경력은 이 조건에 함께 적을 수 있습니다. 랭킹은 순서만 맞으면 되지만 CTR·CVR 예측은 확률 값 자체가 타겟팅 결정에 쓰이므로 평가 지표도 다릅니다(순위는 AUC 같은 지표, 확률은 예측값과 실제 비율의 일치). 오프라인 지표를 무엇으로 정했고 온라인 지표와 얼마나 같은 방향이었는지까지 적으면 평가 경험이 구체적입니다.
데이터·피처·모델의 문제를 분석하고, 반복적인 실험으로 실제 서비스 성과를 개선해 본 사람을 찾고 있습니다.
이렇게 볼 수 있어요
기대와 다른 결과는 현업에서 학습 때 쓴 피처 값과 서비스 시점 피처 값이 다르거나, 노출된 항목에만 정답 라벨이 생기는 로그 편향에서 나오는 경우가 많습니다. 데이터, 피처, 모델 가운데 어디가 원인이었는지 찾아낸 순서가 이 요건이 묻는 분석 과정입니다. 이력서 안내도 '기대와 다른 결과의 원인을 찾고 개선한 과정'을 강조해 달라고 했으므로, 온라인 결과가 오프라인과 달랐던 사례가 안내와 맞는 소재입니다.
문제와 성공 지표를 명확히 정의하고, 다양한 직군의 동료에게 기술적 선택의 근거와 결과를 설명할 수 있는 사람을 찾고 있습니다.
이렇게 볼 수 있어요
성공 지표를 정하는 일이 모델링보다 앞에 있습니다. 동료의 한마디 항목도 '단순한 모델링만 하는 것이 아닌, 비즈니스에 임팩트를 내는 역할이에요'라고 적었습니다. 모델 지표와 서비스 지표를 따로 정한 이유를 비개발 직군에게 설명한 사례가 이 요건과 맞습니다.
3우대 사항
대규모 사용자 행동 데이터를 활용해 추천·타겟팅 시스템의 데이터 설계부터 모델 학습, 서비스 적용, 온라인 실험까지 End-to-End로 수행하고, 실제 서비스 성과를 개선한 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
필수 요건은 설계, 학습, 평가까지를 다루고 이 우대는 서비스 적용과 온라인 실험까지 넓습니다. 업무가 '관련 엔지니어와 협업해 모델을 서비스에 적용'한다고 적은 만큼, 모델 개발자가 서빙 쪽 일을 얼마나 직접 맡았는지가 이 우대에서 달라지는 부분입니다. 피처 서빙 연동이나 롤아웃 단계를 직접 맡은 사례가 있으면 그 범위를 함께 적을 수 있습니다.
LLM·멀티모달 임베딩, 사용자 행동 시퀀스 모델, 생성형 추천 등을 추천·검색에 활용한 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
이 우대의 기술은 업무에 적힌 LLM 콘텐츠 표현과 생성형 추천에 쓰입니다. 행동 시퀀스 모델은 사용자 이력을 순서대로 입력해 다음 행동을 예측하는 모델입니다. 어떤 이력을 몇 개까지 넣었는지와 그때의 추론 비용을 함께 적으면 업무에 적힌 비용 개선까지 다룬 경험이 됩니다.
Uplift Modeling, 인과 추론 등을 활용해 타겟팅이나 노출 전략을 개선한 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
Uplift Modeling과 인과 추론은 푸시 타겟팅 업무가 적은 추가 전환 효과를 재는 방법입니다. 메시지를 받은 집단과 받지 않은 집단의 차이로 효과를 재므로, 대조군을 어떻게 만들었는지가 이 경험의 핵심입니다.
대규모 모델의 서빙·경량화 또는 광고 입찰·예산 배분처럼 운영 제약을 고려한 최적화 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
이 우대는 업무에 적힌 응답 속도와 비용 개선과 같은 방향입니다. 모델 경량화와 광고 입찰·예산 배분은 모두 제약 안에서 목표를 최대로 만드는 문제입니다. 제약 조건이 무엇이었는지부터 적으면 이 우대의 경험이 분명해집니다.
4기타 사항
- 게시일 : 2026년 10월 20일
- 고용형태 : 정규직
- 근무지 : 서울특별시 강남구 테헤란로 142 (역삼동, 아크플레이스) (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.
- LLM
- Uplift Modeling
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. 토스씨엑스 B2C 패션몰 단순문의 상담원 공고는 서류접수 뒤 단순 화상 인터뷰 한 번을 거쳐 최종합격으로 갑니다. 둘 중 하나만 빠진 공고도 있습니다. 토스증권 Executive Assistant 공고는 레퍼런스 체크 뒤 처우 협의 없이 최종 합격으로 갑니다. Category MD (신선식품 Unit Leader - 과일, 채소), Category MD (뷰티), Category MD (가공식품), Category MD (생활 - 가구/홈데코/주방용품), Search Quality Operations Manager, 토스인슈어런스 Commission 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. 팀 문화 페이지의 열두 항목 가운데 본인 경험으로 이야기할 수 있는 것을 골라 사례를 미리 정리해 두면 이 단계에서 꺼낼 것이 생깁니다. 토스씨엑스 B2C 패션몰 단순문의 상담원처럼 이 단계 없이 단순 화상 인터뷰 한 번으로 끝나는 공고도 있습니다.
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
합류 여정은 서류 접수, 프리 인터뷰, 직무 인터뷰, 문화적합성 인터뷰, 레퍼런스 체크, 처우 협의, 최종 합격 순이고, 직무 인터뷰는 심층 기술 면접과 ML 시스템 설계를 주제로 진행합니다.
회사 공통 전형에는 없는 프리 인터뷰가 서류 접수 뒤에 한 단계 더 있습니다. 직무 인터뷰의 주제가 ML 시스템 설계로 정해져 있어 추천 파이프라인의 후보 생성, 랭킹, 서빙을 하나의 구조도로 설명하는 연습이 직접 쓰입니다.
지원 전 준비할 것
- 1
문제·역할·데이터 규모를 한 사례로 정리하기
이력서 안내는 해결하려던 문제, 본인의 역할, 데이터 규모와 서비스 환경을 구체적으로 적으라고 했습니다. 추천이나 타겟팅 사례 하나에 세 가지를 한 줄씩 정리합니다.
- 2
오프라인 성능과 온라인 성과 나란히 쓰기
안내는 선택한 접근법과 근거, 실험 과정, 오프라인 성능과 온라인 서비스 성과를 함께 알려 달라고 했습니다. 오프라인 지표와 A/B 테스트 결과가 다르게 나온 사례가 있으면 그 차이를 표로 적으세요.
- 3
품질·속도·비용 사이의 판단 고르기
안내가 강조한 것은 기대와 다른 결과의 원인을 찾고 개선한 과정과, 품질·속도·비용 사이에서 판단한 경험입니다. 서빙 비용 때문에 모델을 줄인 결정처럼 무엇을 포기했는지가 드러나는 사례를 고르세요.
- 4
커피챗으로 현업에게 물어보기
공고 맨 위에 ML Engineer 현업과의 상시 커피챗 안내가 있습니다. 직무 인터뷰의 ML 시스템 설계 주제에 맞춰 팀이 추천을 어떻게 서빙하는지 묻고 싶은 질문 세 개를 미리 정리하세요.