이 공고, 이렇게 물어볼 겁니다

백엔드 서비스를 설계부터 구현, 테스트, 배포 및 개선까지 주도적으로 완성해 본 경험이 있나요? 구체적으로 어떤 서비스를 어떻게 구현했는지 사례를 하나 꼽아서 말씀해주세요.

🎯 백엔드 서비스 구현 경험 및 주도성 확인

대규모 트래픽 환경에서 성능과 비용을 지속적으로 최적화한 경험이 있나요? 어떤 기술을 사용해서 어떻게 최적화했는지 구체적인 사례를 하나 말해주세요.

🎯 성능 및 비용 최적화 경험 확인

실시간 수집하고 처리하는 이벤트 스트림을 처리해 본 경험이 있나요? 어떤 기술을 사용해서 어떻게 처리했는지 구체적인 사례를 하나 말해주세요.

🎯 실시간 이벤트 스트림 처리 경험 확인

LLM 기반 임베딩 벡터와 모델 추론 결과를 추천 시스템에서 안정적으로 활용할 수 있는 파이프라인을 구축해 본 경험이 있나요? 구체적으로 어떤 기술을 사용해서 어떻게 구축했는지 사례를 하나 꼽아서 말씀해주세요.

🎯 LLM 기반 임베딩 벡터 및 모델 추론 결과 활용 경험 확인

질문만 읽으면 컨닝이에요. 소리 내어 답해보세요 — 어디서 틀어지는지 짚어드립니다.

공고 내용

당근 팀 합류 여정에 오르신 것을 진심으로 환영해요

ML 데이터 플랫폼팀 을 소개해요

피드실 ML 데이터 플랫폼팀은 당근의 2,100만 MAU 사용자를 위한 추천 서비스가 안정적으로 제공될 수 있도록, 추천에 필요한 데이터를 생성·적재하고 서빙하는 플랫폼을 만들고 있어요. 피쳐 스토어와 추천 엔진, 임베딩 파이프라인을 비롯한 추천 시스템의 핵심 인프라를 직접 설계하고 운영하며, 여러 추천 서비스가 공통으로 활용할 수 있는 기반으로 발전시키고 있어요

· 2,100만 MAU 사용자를 위한 추천을 위해 초당 100K+ 대용량 트래픽을 p99.9 기준 30ms 이하로 처리하고 있어요. 이는 당근의 수백 개 백엔드 서비스 중에서도 손에 꼽힐 만큼 높은 처리량이에요

· 가능한 한 최신 정보를 추천에 반영하기 위해 여러 서비스의 데이터를 스트림으로 준 실시간 수집하고 처리하고 있어요. Kafka, GCP Pub/Sub에서 100+개의 이벤트 스트림을 처리해 1,000개가 넘는 피쳐를 피쳐 스토어를 통해 제공하고 있어요

이런 일을 해요

· 추천 시스템에 필요한 추천 엔진, 피쳐 스토어, 임베딩 생성 플랫폼 등의 서비스들을 개발하고 운영해요

· 대규모 트래픽 환경에서도 안정적으로 동작할 수 있도록 성능과 비용을 지속적으로 최적화해요

· LLM 기반 임베딩 벡터와 모델 추론 결과를 추천 시스템에서 안정적으로 활용할 수 있는 파이프라인을 구축해요

· 추천 품질과 데이터 품질을 더 잘 관찰할 수 있도록 Data Quality 모니터링 시스템을 구축해요

이런 기술을 사용하고 있어요

· Go, gRPC, Redis, AWS DynamoDB, Kafka, GCP Pub/Sub, GCP BigQuery

· Kotlin, Python, Apache Beam, GCP Dataflow, GCP Vertex AI

이런 분을 찾고 있어요

· 컴퓨터공학 또는 관련 분야를 전공했거나 이에 준하는 지식과 경험을 갖추신 분