이 자리가 왜 생겼을까요
공고의 팀 소개에 따르면 Vision Service Team은 Document AI, 신분증 진위확인(eKYC), Generative AI, General Vision 등 토스의 Vision 기술을 자체 개발해 통합 API 플랫폼으로 전사에 제공합니다. 같은 소개는 국가별 신분증과 증빙 서류의 언어·서식에 일반화된 다국어 OCR·KIE·진위확인 모델을 자체 기술로 확보하고 있다고 적었습니다. MTN 보도에 따르면 토스는 2025년 6월 호주 현지법인을 세운 뒤 현지에서 금융 앱을 출시했고, 호주에 이어 브라질 진출을 검토하고 있습니다. 다만 같은 기사에서 토스 관계자는 현재 특정 국가를 대상으로 한 사업 추진이나 서비스 출시 여부가 확정된 사항은 없다고 밝혔습니다. 진출하는 나라가 늘면 읽어야 하는 신분증과 서류의 언어와 서식도 함께 늘어납니다. 이 공고는 글로벌 eKYC를 위해 국가별 학습 데이터 의존도를 낮춘 일반화 모델을 설계하는 일을 업무로 적었습니다. 한 나라의 문서로 학습한 모델을 다른 언어나 서식으로 옮겨 본 경험이 있다면 새 데이터를 얼마나 적게 쓰고 어느 성능까지 갔는지가 일반화 경험의 크기입니다.
토스가 지금 어떤 사업에 집중하고 있는지는 토스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
Text Detection / Recognition, 문서 레이아웃 분석, VLM 기반 End-to-End OCR 모델을 개발하고 고도화합니다.
이렇게 볼 수 있어요
두 단계로 나뉜 기존 OCR과 VLM 기반 End-to-End 방식을 함께 다룹니다. 써 본 방법이 하나여도 다른 방식과 견준 장단점은 자격 요건의 방법론 비교 항목과도 이어집니다.
신분증·계약서·정부 문서 등 금융 문서의 핵심 정보 추출(KIE), 문서 분류, 문서 진위확인(위변조·사본 탐지), 직인 일치 판단 모델을 개발합니다.
이렇게 볼 수 있어요
글자를 읽는 데서 끝나지 않고 필요한 값을 뽑고 문서가 진짜인지까지 판단합니다. 위변조나 사본 탐지를 해 봤다면 자격 요건에서 '더욱 좋아요'가 붙은 항목도 함께 갖춘 셈입니다.
글로벌 eKYC를 위해 국가별 학습 데이터 의존도를 낮춘 일반화 모델(KIE·Quality Checker·Fraud Detection)을 설계하고, 재사용 가능한 학습·평가·배포 파이프라인을 만듭니다.
이렇게 볼 수 있어요
나라마다 데이터를 새로 많이 모으지 않아도 동작하는 모델이 목표입니다. 분포가 다른 데이터에서 일반화 성능을 끌어올린 경험은 우대 사항과도 이어집니다.
OCR·Document AI 문제를 정의하고, 합성 데이터 생성·라벨링 전략·개인정보 마스킹 정책을 포함한 데이터 수집 전략을 세웁니다.
이렇게 볼 수 있어요
신분증 데이터는 개인정보라 수집 방식부터 제약이 붙습니다. 합성 데이터로 실데이터 부족을 메운 경험이 있다면 실데이터로 학습했을 때와 성능이 얼마나 달랐는지까지 적어야 합성 데이터의 효과를 알 수 있습니다.
토스 자체 Document AI Benchmark를 구축하고, 신규 모델과 VLM 릴리즈를 정확도·속도·할루시네이션·비용 기준으로 상시 평가해 모델 도입을 판단합니다.
이렇게 볼 수 있어요
새 VLM이 나올 때마다 들여올지를 이 자리가 결정합니다. 정확도 하나가 아니라 네 기준을 함께 보는 평가 체계라, 비용이나 할루시네이션을 측정해 본 경험이 여기에 쓰입니다.
학습-서빙 정합성을 검증하며 GPU 서빙(Triton) 환경에 모델을 배포하고, 운영 중인 모델의 성능 이슈 원인을 실데이터로 파악해 개선합니다.
이렇게 볼 수 있어요
학습에서 끝나지 않고 Triton 서빙과 운영 중 성능 저하 대응까지 포함됩니다. 서빙 뒤 성능이 떨어졌던 사례와 원인을 찾은 과정은 이력서 안내가 예로 든 '서빙 성능 열화'와 같은 이야기입니다.
2자격 요건
OCR 또는 Document AI 모델을 실서비스에 적용해 본 경험이 있으면 좋다고 적었습니다.
이렇게 볼 수 있어요
연구나 대회보다 실서비스에 적용한 경험을 따로 꼽았습니다. 모델이 어떤 서비스의 어느 단계에 들어갔는지를 밝혀 두면 이 항목이 확인됩니다.
Two-stage OCR(Detection + Recognition), End-to-End OCR, VLM 기반 문서 이해 중 한 가지 이상을 깊이 다뤄 봤고 각 방법론의 장단점을 설명할 수 있으면 좋다는 항목입니다.
이렇게 볼 수 있어요
깊이 다룬 방법은 하나여도 됩니다. 왜 그 방법을 골랐는지 다른 두 방법과 견줘 정리해 두면 장단점 설명과 직무 인터뷰의 ML 시스템 설계 주제를 함께 준비할 수 있습니다.
비대면 본인확인(eKYC), 신분증 진위확인, 문서 위변조 탐지 경험이 있으면 더욱 좋다고 적었습니다.
이렇게 볼 수 있어요
자격 요건에서 이 항목에만 '더욱 좋아요'가 붙어 있고, 업무의 문서 진위확인 모델과 곧바로 이어지는 경험입니다. 이 경험이 없다면 OCR·Document AI 모델을 실서비스에 적용한 경험을 중심으로 지원서를 써도 됩니다.
Vision 모델 구조와 Loss Function을 문제에 맞게 설계·변경하고, 목표 성능까지 Deep Dive 해 본 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
공개 모델을 그대로 가져다 쓴 경험과 구분되는 요구입니다. 구조나 Loss를 무엇으로 바꿨는지와 그 결과 지표가 얼마나 움직였는지가 함께 필요합니다.
데이터 수집·라벨링·합성 데이터 생성부터 학습, 서빙, 운영 모니터링까지 모델 생애주기 전체를 책임져 본 사람이면 좋다고 했습니다.
이렇게 볼 수 있어요
데이터 수집부터 운영 모니터링까지 한 프로젝트 안에서 이어서 맡은 경험이어야 '생애주기 전체'에 가까워집니다. 여러 프로젝트에서 단계를 하나씩 맡았다면 이 항목과는 거리가 있습니다.
신분증·개인정보를 다루는 금융 도메인의 데이터를 이해하고, 마스킹·파기·접근제어 정책을 기술 설계의 제약으로 고려할 수 있기를 원한다고 적었습니다.
이렇게 볼 수 있어요
공고는 마스킹·파기·접근제어 정책을 기술 설계의 제약으로 고려하기를 원한다고 적었습니다. 개인정보 때문에 학습 방식이나 저장 구조를 처음부터 다르게 설계한 사례가 이 요구에 맞습니다. 다 만든 뒤에 보안 정책에 맞춘 사례와는 다른 경험입니다.
모호한 현업 요청을 모델 문제로 정의하고, 결과를 절감된 비용·단축된 리드타임 같은 비즈니스 임팩트로 설명할 수 있는 사람이면 좋다고 했습니다.
이렇게 볼 수 있어요
정확도만으로는 이 항목이 채워지지 않습니다. 이력서 안내도 결과를 정확도·처리량·비용·리드타임 같은 수치로 적어 달라고 했습니다.
3우대 사항
VLM(Vision Language Model)을 문서 이해·정보 추출에 파인튜닝하거나 평가해 본 경험
이렇게 볼 수 있어요
이 경험은 업무에 적힌 VLM 기반 End-to-End OCR 개발과 VLM 릴리즈 상시 평가에 그대로 쓰입니다.
외부 솔루션을 자체 모델로 대체해 동등 이상의 성능을 확보해 본 경험
이렇게 볼 수 있어요
Vision 기술을 자체 개발하는 팀이라 이 경험이 팀의 방향과 맞습니다. 대체 전후의 정확도와 비용을 나란히 놓아야 '동등 이상'이었는지 알 수 있습니다.
다국가·다문서 등 분포가 다른 데이터에서 일반화 성능을 끌어올린 경험
이렇게 볼 수 있어요
글로벌 eKYC용 일반화 모델 업무와 같은 문제라, 나라나 문서 종류가 바뀌었을 때 성능이 얼마나 유지됐는지 숫자로 적으면 바로 이어집니다.
Triton, TensorRT, ONNX 등으로 GPU 서빙을 최적화하거나, 양자화·경량화로 처리량과 비용을 개선한 경험
이렇게 볼 수 있어요
업무에 Triton 서빙이 적혀 있습니다. 처리량과 비용이 각각 얼마나 바뀌었는지 숫자로 남겨 두면 이 업무와 바로 이어집니다.
모델 평가 벤치마크나 자동화된 평가 하네스를 설계·운영해 본 경험
이렇게 볼 수 있어요
토스 자체 Document AI Benchmark 구축 업무에 쓰이는 경험입니다.
4기타 사항
- 게시일 : 2026년 10월 16일
- 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.
- VLM
- Triton
- TensorRT
- ONNX
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
단계는 회사 공통과 같고, 직무 인터뷰는 심층 기술 면접과 ML 시스템 설계를 주제로 진행된다고 적혀 있습니다.
모델 구조에 더해 데이터 수집, 학습, Triton 서빙, 운영 모니터링을 잇는 설계 질문이 나올 수 있습니다. 업무에 적힌 신분증 KIE나 진위확인 모델을 예로 들어 본인이라면 어떻게 설계할지 미리 정리해 두세요.
분석 시점(2026년 10월) 공고 머리말은 '10월 8일(목)부터 25일(금)에 지원하시는 분들에게만 해당되는 특별 전형'으로, 합격 여부와 상관없이 직무 인터뷰에 참여하면 100만원(제세공과금 본인 부담)을 준다고 적었습니다. 지원한 포지션보다 더 잘 맞는 포지션이 있으면 회사가 먼저 제안하고, 다른 직무로 바꿔 인터뷰해도 100만원은 같게 지급합니다.
지원 날짜에 따라 조건이 달라지는 전형입니다. 공고 머리말에 따르면 이 채용은 7개 직군 40여 개 포지션에 걸쳐 있어, Vision 외의 ML 포지션을 제안받을 수도 있습니다. 다른 분야도 고려한다면 지원서에 미리 밝혀 두세요.
지원 전 준비할 것
- 1
결과를 수치로 쓰기
이력서 안내가 임팩트 있었던 업무나 프로젝트의 결과를 정확도·처리량·비용·리드타임 같은 구체적인 수치로 적어 달라고 했습니다. 정확도 하나만 쓰기보다 비용이나 처리 시간 가운데 하나를 함께 두세요. 자격 요건에도 비즈니스 임팩트 항목이 있습니다.
- 2
겪은 문제와 해결 과정 정리하기
안내는 데이터 부족, 도메인 차이, 서빙 성능 열화를 예로 들며 OCR·Document AI 모델을 개발하면서 겪은 문제와 해결 방법을 구체적으로 적어 달라고 했습니다. 직접 설계하거나 변경한 모델 구조와 그 선택의 근거도 함께 요청했으므로, 문제마다 바꾼 구조와 고른 이유를 한 묶음으로 적어 두세요.
- 3
공개하기 어려운 내용은 빼기
안내는 기술적으로 외부 공개가 민감한 사항은 제외해 달라고 적었습니다. 고객사 이름이나 내부 수치를 지운 대신 문제의 크기와 개선 폭을 비율로 바꿔 쓰면 공개 범위를 지키면서 내용도 남습니다.