AI Research Engineer (Search & Agent) (경력)

◆ 소개

카카오의 다양한 서비스에는 매일 방대한 규모의 상품, 장소, 콘텐츠, 대화 데이터가 쌓이고 있습니다.

우리는 이 데이터를 단순히 검색하는 것을 넘어, 사용자의 의도를 이해하고 필요한 정보를 탐색하며 여러 도구와 서비스를 활용해 답을 완성하는 Agentic Search 환경을 만들고 있습니다.

이를 위해 Agentic Search LLM과 Embedding Model, Cross Encoder, 데이터 품질 모델을 연구합니다. 이러한 기술로 차세대 검색 시스템을 함께 만들어갈 AI Research Engineer를 찾습니다.

**[주요 연구 성과]**

우리 조직은 대화형 Agent, Planning, Tool Use 및 Agent Orchestration 분야의 연구를 지속하고 있습니다.

**OrchestrationBench: LLM-Driven Agentic Planning and Tool Use in Multi-Domain Scenarios**

ICLR 2026

[https://openreview.net/forum?id=Oljnxmf4pc](https://openreview.net/forum?id=Oljnxmf4pc)

**A Practical Approach for Building Production-Grade Conversational Agents with Workflow Graphs**

ACL 2025 Industry Track

[https://arxiv.org/abs/2505.23006](https://arxiv.org/abs/2505.23006)

◆ 업무

카카오의 다양한 AI 서비스와 검색 서비스 전반에 활용되는 AI Search Platform과 핵심 모델을 연구·개발합니다.

**[공통]**

• 상품·장소·웹 문서·대화 등 서로 다른 도메인을 아우르는 AI 검색 모델 연구

• 검색 품질 평가를 위한 데이터셋·벤치마크·학습 파이프라인 구축

• 연구 결과의 카카오 실제 서비스 적용 및 대규모 트래픽 환경에서의 성능 검증

**[Agentic Search LLM]**

• 검색 과정에서 스스로 계획하고 탐색하며 도구를 활용하는 Agentic Search LLM 연구

• GRPO 등 Policy Optimization 기반 LLM 학습 및 성능 최적화

• 실제 검색 인덱스·API와 상호작용하는 환경에서의 Agent 학습

**[Search Ranking Model]**

• 대규모 검색 로그·클릭 데이터를 활용한 Embedding, Cross Encoder 학습

• Dense Retrieval, Reranking, Hybrid Search 등 검색 파이프라인 전반의 랭킹 품질 개선

• 대규모 트래픽 환경에서의 서빙 및 추론 최적화

**[Search Data Modeling]**

• 어뷰징·스팸·중복 문서/상품 등 저품질 데이터 탐지 모델 연구

• 대용량 상품·웹 문서의 속성 추출 및 정규화 모델링

• LLM-as-a-Judge 기반 품질 평가 체계 구축 및 사람 평가와의 정합성 검증

연구·개발 결과는 카카오의 다양한 검색 서비스와 일부 AI 서비스에 적용되며, 예시는 다음과 같습니다:

• 카카오맵 검색

• 커머스 (톡딜 등) 상품 검색

• 카나나 in 카카오톡

• 카나나 검색

• 그 밖의 카카오 AI 및 검색 서비스

◆ 자격

본 포지션은 아래 기술한 Search Ranking Model, Agentic Search LLM, Search Data Modeling 중 한 분야의 전문가를 모집합니다. 모든 분야의 경험을 요구하지 않으며, 가장 자신 있는 영역에서 문제를 정의하고 모델 개선을 만들어본 경험을 중요하게 봅니다.

**[공통 필수 역량]**

특정 모델이나 프레임워크의 사용 경험 못지않게, 머신러닝의 기본 원리를 이해하고 이를 바탕으로 문제와 실험 결과를 설명하는 역량을 중요하게 생각합니다.

• 머신러닝의 기본 개념을 이해하고 모델의 학습 원리를 설명할 수 있는 분

• Loss, Optimization, Sampling, Evaluation Metric의 선택 이유를 설명할 수 있는 분

• 학습이 잘되지 않을 때 가설을 세우고 재현 가능한 실험으로 원인을 좁혀나간 경험이 있는 분

• 오프라인 지표와 실제 서비스 품질의 차이를 이해하고, 학습부터 추론·평가·배포까지 고려해 문제를 풀어본 분

• 관련 경력을 2년 이상 보유하신 분

**1. Agentic Search LLM**

[필수 경험]

• PPO·GRPO 등 Policy Optimization 방법을 활용한 LLM 강화학습 경험

• LLM 학습 결과를 분석하고 실험을 통해 성능을 개선한 경험

[우대 경험]

• 실제 환경과 상호작용하는 Dynamic Environment 기반 강화학습 경험

• 검색·브라우징·Tool Use Agent 연구 경험

• BrowseComp 등 Search LLM Benchmark 를 활용한 모델 평가 및 개선 경험

• Agent의 Planning, Tool Calling, Long-Horizon Reasoning 연구 경험

• 대규모 LLM 학습 또는 분산 학습 파이프라인 구축 경험

**2. Search Ranking Model**

[필수 경험]

• Embedding Model, Bi-Encoder 또는 Cross Encoder를 학습하고 성능을 개선한 경험

• 검색 모델의 학습 데이터 구성, Negative Sampling 및 평가 경험

[우대 경험]

• Web Search 또는 대규모 Information Retrieval 모델 연구 경험

• MTEB, RTEB 등 검색·임베딩 벤치마크를 활용한 모델 평가 및 개선 경험

• Dense Retrieval, Reranking 또는 Hybrid Search 연구 경험

• Hard Negative Mining, Knowledge Distillation, Contrastive Learning 경험

• 대규모 검색 모델의 서빙 및 추론 최적화 경험

**3. Search Data Modeling**

[필수 경험]

• LLM, Embedding Model 또는 분류 모델을 학습해 데이터 품질 문제를 해결한 경험

• 주관적이거나 모호한 데이터 품질 기준에 대해 평가 데이터셋과 지표를 직접 설계하고 구현한 경험

[우대 경험]

• LLM-as-a-Judge 기반 평가 체계를 구축하고, human eval 과의 alignment 검증 경험

• 어뷰징·스팸·광고성 콘텐츠, 중복·유사 상품 및 문서 등 저품질 데이터 탐지 경험

• 데이터 개선이 downstream 검색·랭킹 모델의 성능 향상으로 이어졌음을 정량적으로 입증한 경험

• 연관검색어·검색어 추천 등 검색어 품질을 모델링한 경험

• 대용량 상품·웹 문서 데이터의 속성 추출 및 정규화를 모델링으로 해결한 경험

**◆ 공통 우대사항**

• 새로운 논문을 빠르게 이해하고 실제 모델과 시스템으로 구현하는 것을 즐기는 분

• 정답이 정해지지 않은 문제를 스스로 정의하고 풀어본 분

• 연구 결과를 동료들과 투명하게 공유하고 함께 더 나은 방향을 찾아가는 분