이 공고, 이렇게 물어볼 겁니다

지금까지 개발하신 머신러닝 모델 중에서 실제 서비스에 적용되어 비즈니스 지표가 변한 사례를 하나 꼽아주세요. 그 모델로 인해 뭐가 어떻게 변했고, 본인이 거기서 구체적으로 뭘 했어요?

🎯 모델링 능력뿐 아니라 비즈니스 임팩트를 직접 만든 경험이 있는지, 팀 성과와 개인 기여를 정확히 구분할 수 있는지 검증

그 프로젝트에서 본인이 직접 담당한 부분이 정확히 뭐였어요? 만약 당신이 그 부분을 하지 않았다면 전체 결과가 몇 % 정도 떨어졌을까요?

🎯 팀 공적을 개인에게 덮어씌우지 않는 정직함, 자신의 기여의 경계를 명확히 그을 수 있는 1인칭 역량 검증

처음 경험하는 도메인의 ML 문제에 부딪혔을 때, 무엇부터 배웠고 모델을 어떤 순서로 설계했는지 처음부터 끝까지 말씀해 주세요. 특히 비즈니스 문제를 ML 문제로 어떻게 다시 정의했어요?

🎯 주어진 과제를 그대로 실행하는 사람 vs 문제 자체를 재정의하고 접근하는 자율적 엔지니어인지 구분, 새 영역 몰입의 실제 프로세스 확인

개발한 모델이 운영 환경에서 예상과 다르게 동작한 경험이 있어요? 그 원인을 본인이 어떻게 파악했고, 누가 해결책을 결정했어요?

🎯 실패에 직면했을 때 사고하고 행동하는 방식, 데이터 기반 판단 능력, 문제 앞에서 주도적인지 의존적인지 판정

모델의 성능 수치(CTR 개선 %, AUC 상승 등)가 실제 사용자 만족도나 장기 수익에 어떻게 연결된다고 봤어요? 그 가설을 누가 만들었고, 어떻게 검증했어요?

🎯 숫자 추격하는 모델러 vs 비즈니스 임팩트를 설계하는 엔지니어인지 구분, 장기 가설 검증과 인과관계 증명의 역량 측정

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

공고 내용

토스의 ML Engineer는 다양한 사업부 및 팀에 속하여, 토스의 다양한 문제를 머신러닝을 통해 빠르게 해결하고 자동화하는 역할을 맡고 있어요.
ML 기술을 통해서 여러 비즈니스 도메인에서 발생하는 문제를 해결하고, ML을 기반으로 공통화된 기술 제품들을 토스팀에 제공해요.
인터뷰를 통해 후보자의 강점과 경험을 고려한 도메인 및 과제에 배치될 예정이에요.
**토스 데이터 조직에 대해 더 알아보고 싶다면?** [→ *토스 Data Division 위키*]( https://recruit-data-division.oopy.io/ )

(Commerce) 커머스 도메인에서 상품 노출을 최적화하는 추천 알고리즘을 설계 및 고도화하고, 상품 클릭률(CTR), 전환율(CVR) 등을 예측하는 모델을 개발해요.
(MLOps) 다양한 ML 요구사항을 안전하고 빠르게 실험을 반복하고 배포할 수 있는 플랫폼 및 Kubernetes 인프라를 구축하고 제공해요.
(검색) 실시간 대용량 데이터 처리, 검색 인프라 운영, 검색 품질 개선까지 검색 플랫폼을 설계하고 운영하며 고객 경험을 개선해요.
(AI) LLM, RAG, 멀티모달 등 다양한 AI 기술을 활용해, 문제를 정의하고 기술적으로 접근하는 방식 자체를 설계해요.

= 전문연구요원은 보충역 신규 편입 및 전직, 현역 전직이 가능합니다.

"단순한 모델링만 하는 것이 아닌, 비즈니스에 임팩트를 내는 역할이에요."

토스에서 가장 만족스러운 것은 모델링 그 이상을 한다는 거예요.
이전에는 주어진 모델에 데이터를 넣고 성능을 평가하는 것이 전부였는데, 지금은 집계되지 않는 데이터를 어떻게 모델에 녹여낼 수 있을지 고민하고 있어요.
금융 관련 데이터로만 분석과 모델링 하는 것에 나아가, 유저에 대한 이해를 바탕으로 슈퍼 앱을 운영하는데 임팩트를 내는 데 기여할 수 있어 보람차요!