ML Engineer (Catalog)

# 합류하게 될 팀에 대해 알려드려요
- Commerce AI Team은 상품 정보를 이해하고 연결해, 토스쇼핑에서 고객이 원하는 상품을 발견하고 선택할 수 있도록 돕는 팀이에요.
- 상품의 카테고리와 브랜드를 파악하고, 같은 상품을 연결하고, 구매에 필요한 속성과 옵션을 구조화해요. 이렇게 만든 카탈로그는 추천과 검색, 상품 탐색, 콘텐츠, 운영 자동화의 기반이 돼요.
- 판매자마다 다르게 등록한 상품 정보에서 일관된 기준과 관계를 찾아내요. 불완전한 데이터와 계속 유입되는 상품을 다루며, 모델과 데이터 구조를 함께 개선해요.
- ML Engineer (Catalog)는 상품을 분류하고 연결하는 모델부터 대규모 처리 파이프라인까지 설계해요. 모델의 정확도와 서비스에서 필요한 처리 속도, 비용을 함께 고려하며 신뢰할 수 있는 카탈로그를 만들어요.

# 합류하면 함께 할 업무예요
- **상품을 이해하는 모델과 데이터 구조를 만들어요.** 텍스트, 이미지, 구조화 데이터를 활용해 카테고리를 분류하고 브랜드, 구매옵션, 상품 속성을 추출해요. 다양한 상품 정보를 일관된 스키마로 정리하고, 추천과 검색에 활용할 피처와 임베딩을 설계해요.
- **같은 상품을 정확하게 찾고 연결해요.** 대규모 상품에서 매칭 후보를 탐색하고, 동일 상품 여부를 판별하는 모델을 개발해요. 상품군과 옵션의 관계를 구조화하고, 잘못 합쳐지거나 분리된 상품을 탐지해 카탈로그의 정확도를 높여요.
- **상품 데이터의 품질과 운영 효율을 개선해요.** 분류, 속성 추출, 매칭 과정의 오류를 분석하고 상품 검수와 이상 탐지를 자동화해요. 검수 결과를 학습 데이터로 연결하고, 머신러닝과 룰을 조합해 자동 처리 범위를 넓혀요. 상품명 구성과 검색 품질 평가 등에도 정제된 데이터를 활용해요.
- **모델을 대규모로 적용하고 지속적으로 개선해요.** 데이터 수집과 가공, 모델 학습, 배치 및 온라인 추론 파이프라인을 구축해요. 추천, 검색, 운영 팀과 평가 기준을 정하고, 신규 상품과 데이터 변화에 대응하며 품질과 처리 속도, 비용을 관리해요.

# 이런 분과 함께하고 싶어요
- **머신러닝 모델을 개발하고 실제 서비스에 적용한 경험이 필요해요.** 분류, 정보 추출, 유사도 학습, 클러스터링 등의 문제를 다뤄 본 분을 찾고 있어요. PyTorch, scikit-learn, LightGBM, XGBoost 등으로 데이터와 문제의 특성에 맞는 모델을 학습하고 평가할 수 있는 분이면 좋아요.
- **복잡한 데이터에서 유용한 특성과 관계를 찾아낼 수 있는 분을 찾고 있어요.** 피처 엔지니어링과 데이터 모델링에 대한 이해를 바탕으로 불완전하거나 불균형한 데이터를 다뤄 본 경험이 있으면 좋아요. 엔티티 매칭(Entity Resolution), 메트릭 러닝(Metric Learning), 임베딩 기반 후보 검색과 ANN 검색 경험도 환영해요.
- **대규모 데이터 처리와 모델 운영 경험이 있으면 좋아요.** SQL과 Spark 등으로 데이터를 가공하고, 학습 및 추론 파이프라인을 구축해 본 분이면 좋아요. 모델 서빙, 배치 처리, 모델과 데이터 버전 관리, 모니터링 경험을 카탈로그 시스템 운영에 활용할 수 있어요.
- **평가와 오류 분석으로 모델을 개선할 수 있는 분을 찾고 있어요.** 데이터 누수, 클래스 불균형, 신규 상품에 대한 일반화 등을 고려해 평가를 설계할 수 있는 분이면 좋아요. Precision과 Recall, 자동 처리율 등을 함께 살피고, Hard Negative Mining, Active Learning, 지식 증류 등의 방법으로 품질과 효율을 높여 본 경험을 환영해요.
- **문제의 원인을 찾아 해결하는 Problem Solver를 찾고 있어요.** 상품 분류와 매칭의 오류를 데이터로 분석해 라벨 품질, 피처, 학습 데이터 분포, 모델 중 어디를 개선해야 하는지 찾아낼 수 있는 분이면 좋아요. 가설을 검증할 실험을 설계하고, 평가 결과와 실제 오류 사례를 바탕으로 다음 개선 방향을 스스로 결정할 수 있는 분을 찾고 있어요.

# 이런 경험이 있다면 더 좋아요
- 상품 카탈로그, 상품 매칭, 속성 추출, 택소노미 등 커머스 데이터를 다뤄 본 경험이 있으면 좋아요.
- 텍스트와 이미지 임베딩을 함께 활용하거나, LLM으로 학습 데이터를 생성하고 검증해 본 경험이 있으면 좋아요.
- 추천이나 검색 팀과 협업해 상품 피처를 제공하고, 실제 서비스에서 효과를 검증해 본 경험이 있으면 좋아요.

# 이력서는 이렇게 작성하시는 걸 추천해요
- 해결한 문제와 데이터의 특성, 직접 맡은 범위를 설명해 주세요. 상품 수나 처리량, 클래스 수, 라벨의 품질 등 문제의 난이도를 이해할 수 있는 맥락이 있으면 좋아요.
- 피처와 모델, 시스템 구조를 선택한 이유와 검토했던 대안을 적어주세요. 복잡한 모델을 단순한 구조로 바꿔 품질이나 운영 효율을 높인 경험도 좋아요.
- 평가 데이터를 어떻게 구성했고, 어떤 오류를 발견해 어떻게 개선했는지 보여주세요. 특히 매칭 오류나 데이터 누수, 신규 데이터에 대한 성능 저하를 다뤘다면 설명해 주세요.
- 오프라인 성능 개선이 서비스와 운영에 어떤 변화로 이어졌는지 알려주세요. 정확도뿐 아니라 자동 처리율, 검수량, 처리 시간, 비용에서 만든 변화도 환영해요.

# 토스로의 합류여정
- 서류 접수 > 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격
- 직무 인터뷰에서는 심층 기술 면접과 ML 시스템 설계를 주제로 면접이 진행될 예정이에요.

# 함께할 동료를 위한 한마디
> "AI로 복잡한 문제를 해결하는 건 시작일 뿐이에요.
우리가 진짜 집중하는 건, 문제 그 자체를 다시 바라보고 더 좋은 방향으로 바꾸는 일이에요."
- 단순히 정제된 데이터를 모델에 넣는 게 아니라, 아직 정의되지 않은 문제를 어떻게 기술적으로 풀 수 있을지 고민하는 일이 더 많아요.
- 매번 "이걸 꼭 모델링으로 풀어야 할까?"부터 시작해서, 가장 임팩트 있는 접근이 무엇일지 문제 자체를 다시 바라보는 과정이 있어요.
- 서비스팀이나 운영팀이 수동으로 하던 일에 AI를 붙이는 데 그치지 않고, AI가 중심이 되는 새로운 흐름을 먼저 설계할 수 있어요.