Machine Learning Engineer

하이퍼커넥트 Machine Learning Engineer (ML Engineer) 는 사람과 사람 사이를 연결하는 서비스에서, 기존의 기술로는 접근하기 어렵지만 머신러닝 기술을 통해 풀 수 있는 문제들을 찾아내고 해결하여 사용자 경험을 혁신합니다. 이를 위해 영상/음성/자연어/추천 등을 포함하여 다양한 도메인의 수많은 모델을 개발하고, 모바일 및 클라우드 서버를 통해 안정적으로 제공하면서 마주하는 연구 주제들을 풀어내어 우리가 만들어 내는 기술이 실제 서비스의 성장에 기여하는 것을 목표로 합니다.

이러한 목표 아래 하이퍼커넥트의 ML Engineer는 아자르, 하쿠나 등 하이퍼커넥트의 여러 제품들에 기여하는 머신러닝 기술들을 수�간 발전시켜 나가고 있으며, 이렇게 축적된 기술들을 다양한 글로벌 비즈니스 서비스에도 손쉽게 활용하기 위한 방안을 연구하고 있습니다. 

ML Engineer는 최첨단의 모델을 연구하고 개선하는 과학자로서의 연구 능력과, 만들어진 모델의 시간/공간적 복잡도를 고려해 추론 성능을 극한으로 끌어올리는 공학자로서의 개발 능력이 필요합니다. 이런 능력을 바탕으로 실제 서비스에서 겪는 문제를 발견/정의하고, 문제해결을 위한 SotA 모델을 재현 또는 개발하고, 모델을 온디바이스 및 서버 환경에 배포하고, 이후 모니터링하며 지속적으로 모델을 개선하는 AI flywheel 을 구축하는 등 다양한 �무를 수행합니다. 이 과정에서 백엔드/프론트엔드/DevOps 엔지니어, 데이터 분석가, PM 등 다양한 전문조직과 적극적으로 협�하며 도움을 받습니다. 일하는 모습에 대한 조금 더 자세한 이야기는 다음의 내용을 참고하시면 좋습니다.

• AI in Social Discovery (Blending Research and Production)

• [How AI Lab Works] Head of AI - Shurain 인터뷰

연구의 결과물을 정리하여 �문 혹은 코드로 공개하는 것 또한 팀 목표 중 하나�니다. 제품에 사용하기 위한 목적으로 머신러닝 모델을 만들다 보면, 기존 연구로는 부족한 경우가 많습니다. 부족한 부분을 채우기 위해 진행된 연구의 결과물을 프로젝트 참여자들이 모두 함께 협�하여 연구의 의미 있는 부분을 정돈하고 가능하다면 코드와 함께 공개합니다. 그 결과, 지금까지 아래와 같은 대외적 연구 성과를 거둘 수 있었습니다.

• 2023� TiDAL: 효율적인 학습 과정의 모델 행동에 기반한 액티브 러닝 기법 ICCV 2023 게재

• 2023� 모더레이� 환경에서 여러 분류 기준을 동시에 만족하기 위한 문턱값을 잡는 연구 WSDM 2023 게재

• 2022� 대화 생성에서의 의미적 다양성을 높이는 연구 EMNLP 2022 게재

• 2022� 레이블 �이즈가 심한 환경에서 효과적으로 학습하는 방법 ECCV 2022 게재

• 2022� 타깃 캐릭터의 몇가지 발화만을 이용하여 타깃 캐릭터를 모방하는 챗봇연구 NAACL 2022 게재

• 2022� 대화 생성 모델에서 예시를 활용하여 성능을 높이는 연구 ACL 2022 Workshop 발표

• 2022� 모바일 환경에서 오디오 분류를 위한 distillation 기술 연구 ICASSP 게재

• 2021� 클릭률 예측을 위한 중요도 보존이 가능한 피쳐 정규화 연구 ICDM Workshop Best Paper 수상

• 2021� Tabular Learning 기반 효율적인 Click-Through Rate Prediction 모델 ICLR 2021 Workshop 발표

• 2021� 효율적인 Retriever기반 Chatbot을 위한 Large-Scale Generative 모델 활용 연구 EMNLP 2021 게재

• 2020� Long-tailed Visual Recognition 문제를 Label distribution shift 관점에서 해결하는 기술 CVPR 2021 게재

• 2020� 퓨샷 러닝을 통한 Text-to-Speech(TTS) 기술 INTERSPEECH 2020 게재

• 2019� 퓨샷 러닝을 통한 안면 재현 기술 AAAI 2020 게재

• 2019� 모바일에서 빠르게 동작하는 키워드 스팟� 모델(TC-ResNet) INTERSPEECH 2019 게재

• 2019� 모바일 환경에 최적화된 경량 이미지 세그멘�이� 모델(MMNet) 아카이브 �로드

• 2018� 저전력 이미지 인식 대회 (LPIRC) 2등

ML 연구가 잘 진행되기 위해서는 딥러닝 학습을 위한 인프라도 잘 갖추어져야 합니다. 하이퍼커넥트에서는 ML Engineer들이 충분히 모델 개발 및 실험을 진행할 수 있도록 자체적인 딥러닝 연구용 클러스터를 구축하여 활용하고 있습니다. DGX-A100 20대로 구성된 클러스터(총 160대의 A100 GPU)를 포함한 다양한 on-premise 장비들을 연구개발에 활용할 수 있습니다. 추가적으로, 프로덕�을 위한 파이프라인, 데이터 수집 및 전처리와 서빙은 Kubeflow pipeline을 비롯하여 BigQuery 등을 적극 활용 중�니다. 또, ML 모델의 제품화를 도와주실 다양한 Software Engineer(백엔드/프론트엔드/DevOps/MLSE)분들과 함께 일하고 있습니다. 

�무 내용

하이퍼커넥트는 제품에 머신러닝 기술을 적용하기 위해 다양한 방면으로 �력하고 있습니다. 하이퍼커넥트의 ML Engineer는 크게 다음과 같은 3가지 분야 중 한 가지 분야에서 �무를 수행하게 됩니다.

[Recommendation]

제품에 포함되는 다양한 추천 문제를 해결함으로써 사용자들에게 보다 나은 경험을 제공하고, 궁극적으로 장기 매출 향상에 기여합니다. 함께 다음과 같은 문제들을 해결할 수 있는 분들을 찾고 있습니다. (스쿼드 인터뷰).

• 신규 사용자에게 좋은 경험을 주기 위한 cold-start 추천 문제(session-based recommendation, graph-based recommendation, contextual bandit과 같이 few-shot 데이터만으로도 사용자의 선호를 파�할 수 있는 시스�, 신규 사용자에 대한 데이터가 부족할 때 신규 사용자에 대한 추천 성능을 향상시키기 위한 학습 방법 등)

• 양쪽 사용자가 모두 만족할 수 있는 상호(reciprocal) 추천 문제

• 실시간으로 변경되는 추천 후보군에 대해 매우 빠른 시간 안에 추론을 수행하는 real-time 추천 문제 (session-based recommendation, graph-based recommendation, reinforcment learning, …)

• 여러 목표 지표들 사이의 trade-off를 고려하는 추천 문제

• 장기 지표를 향상시키는 1차 목표 지표를 찾는 문제

[Trust & Safety]

사용자들의 만족스러운 경험을 위해 콘�츠가 어떤 내용을 담고 있는지 이를 이해하는 다양한 기술 및 이러한 정보를 활용하는 연구 개발을 수행합니다. 영상이나 음성 및 자연어로 구성된 비정형 데이터를 �력으로 받아들여 의사결정을 내릴 수 있도록 유용한 정보를 추출하기 위해서 다음과 같은 문제를 함께 풀 수 있는 분들을 찾고 있습니다. (스쿼드 인터뷰).

• 모바일 환경에서 빠른 속도를 낼 수 있는 경량 모델과 최적화에 대한 문제

• 효율적이고 label의 중요도를 조절할 수 있는 multi-task 혹은 multi-label 모델에 대한 문제

• Partial multi-modal 데이터를 활용하는 문제

• 스트림으로 유�되는 사용자 행동 로그와 content understanding 결과에 기반한 실시간 이상 사용자(ex. 스팸/가짜 계정)를 탐지하는 문제

• Active learning을 통한 효율적인 데이터 라벨링 방법 혹은 모델 학습에 필요한 데이터를 줄일 수 있는 core-set selection 방법

[Generative AI]

다양한 생성형 AI 연구 개발을 통해 사용자들에게 이전에 없던 새로운 경험을 제공합니다. 서비스 내에서 사용자들이 개인화된 컨�츠를 쉽게 생성하고 자기 표현을 할 수 있는 도구를 만들며, 생성형 AI를 활용해 새로운 기능을 개발합니다. 이를 위해 함께 다음과 같은 문제를 해결할 수 있는 분들을 찾고 있습니다. (스쿼드 인터뷰).

• 사용자가 원하는 대상의 이미지를 생성할 수 있는 개인화된 이미지 생성 모델 개발

• 대규모 언어모델(Large Language Model)을 활용한 새로운 피쳐 개발, 이를 위한 대규모 언어 모델 학습, 튜닝 및 서빙

• 큰 규모의 생성형 모델이 대용량 트래픽을 안정적으로 처리할 수 있도록 모델 개발 및 최적화

• 생성형 모델을 활용하여 서비스 내 사용자 경험을 혁신할 수 있는 방법에 대한 연구와 고민

[공통]

공통적으로, 제품에 포함되는 AI 기술을 연구하기 위한 �력들도 꾸준히 진행하고 있습니다. 실제 프로덕� 환경에서는 Kaggle과 같은 정제된 데이터�이 존재하지 않으며, 대부분의 경우 매일 새로운 데이터가 시스�에 유�됩니다. 어제보다 오늘 더 나은 모델을 자동으로 생성하는 Flywheel을 구축하기 위해, 함께 다음과 같은 문제를 해결할 수 있는 분들을 찾고 있습니다.

• Highly imbalanced 또는 noisy label 데이터를 다루는 방법

• 기존에 deploy된 모델을 지속적해서 개선할 수 있는 continual/life-long learning 방법

• 모델 task 요구사항의 변화와 신규 서비스에 대응할 수 있는 meta-learning 방법

• Large scale model을 학습하고, 실제 서비스 환경에서 초당 수백 또는 수천 개의 �력을 안정적으로 처리할 수 있도록 할 수 있는 modeling, optimization, distillation 방법

지원 자격

• AI/ML에 대한 기본 지식과 적어도 한 개 이상의 특정 도메인에 대한 깊이 있는 지식을 갖추고, 관련 프로젝트 경험이 있으신 분
• AI 기술의 서비스화에 관심이 많으신 분
• Tensorflow, PyTorch, CatBoost, JAX 등 오픈소스 프레임워크 기반 개발역량을 포함한 파이썬 개발역량이 충분하신 분
• ML 모델을 학습하고 서비스에 배포하기까지 필요한 엔지니어링 역량을 갖추신 분
• Exploratory Data Analysis(EDA)를 통해, 데이터의 통계적 특성과 패턴을 발견하고 이를 ML 모델에 반영하실 수 있는 분
• 구현체가 공개되지 않은 �문을 읽고 이를 빠르고 정확하게 구현할 수 있는 능력을 갖추신 분
• 공개된 벤치마크 데이터 �을 이용해 모델의 �스트 성능을 올리기 위해 여러 가지 모델링을 해본 경험이 있으신 분
• 학위나 국적은 무관합니다.

우대 사항

• 실제 서비스에 AI 기술을 통합하고 주요 지표를 유의미하게 향상시켜 본 경험이 있으신 분
• 기계학습 관련 학회 및 저널 게재 실적 혹은 AI 관련 대회 수상 실적이 있으신 분
• 클라이언트(Android, iOS) 혹은 백엔드 개발 경험이 있으신 분
• 기계학습 관련 오픈 소스 개발에 참여해 본 경험이 있으신 분
• AI/ML 도메인 전반에 대한 이해를 갖추신 분
• A/B �스트 실험 기획 및 타겟 KPI 지표를 정의하고, SQL기반 데이터 분석을 진행한 경험이 있으신 분
• 영어에 능통하신 분

Hiring Process

• 고용 형태: 정규직
• 채용 절차: 서류전형 > 코딩�스트/사전과제 > 1차 면접 > Recruiter Call > 2차 면접 > 3차면접(해당 시) > 최�합격 (*일부 순서가 변경될 수 있습니다.)
• 서류 전형의 경우 합격자에 한하여 개별 안내드릴 예정�니다.
• 근무 시간: 근무시간을 자율적으로 선택하는DIY(Do It Yourself) 근무제 (단, 병무청 복무규정에 따라 산�기능요원, 전문연구요원은 시차출근제 적용 - 오전 8시 ~ 11시 사이 출근)
• 지원 서류: 자유 양식의 상세 경력기반 국문 또는 영문이력서(PDF)

etc

• 하이퍼커넥트는 증�사진, 주민등록번호, 가족관계, 혼인여부 등 채용과 관계없는 개인정보를 요구하지 않습니다.
• 수습기간 중 급여 등 처우에 차등이 없습니다.
• 제출해 주신 내용 중 허위 사실이 있을 경우 채용이 취소될 수 있습니다.
• 필요 시 사전에 안내된 채용 절차 외에도 추가 면접 전형이 진행될 수 있습니다.
• 필요 시 지원자의 동의 하에 평판조회 절차가 진행될 수 있으며, 평판조회 결과에 따라 채용이 취소될 수 있습니다.
• 이 포지�은 산�기능요원 보충역 편�/전직, 전문연구요원 현역 편�/전직, 전문연구요원 보충역 편�/전직 채용이 가능합니다. 병역특례요원의 경우, 병역특례 관련법에 따라 복무관리를 진행합니다. (*전문연구요원 현역 신규편�은 TO가 선착순 마감될 수 있으며, 전형 진행 중 TO가 마감될 경우 별도 안내 드리겠습니다.)

하이퍼커넥트가 채용하는 포지�에 지원하는 경우, 개인정보 처리에 관하여서는 본 개인정보처리방침이 적용됩니다: https://career.hyperconnect.com/privacy