ML Engineer (Commerce Data Graph)

ML Engineer (Commerce Data Graph) 계열사 소개 계열사 소개 합류 여정 팀 문화 아티클 자주 묻는 질문 전체 공고 ML Engineer (Commerce Data Graph) ML Engineer (Commerce Data Graph) 토스 소속 정규직 합류하게 될 팀에 대해 알려드려요 Commerce Data Graph 팀은 커머스의 세 축인 아이템과 유저, 쿼리를 잇는 공통 기반을 만드는 팀이에요. 추천도, 검색도, 그 위에서 도는 광고도 결국은 "이 아이템을 무엇과 어떻게 연결하느냐"라는 하나의 문제로 수렴해요. 저희는 그 연결의 뼈대가 되는 상품 이해 체계, 즉 taxonomy와 ontology, knowledge graph를 만들고, 그 위에서 관계를 직접 학습해요. 여기서 만든 임베딩과 관계 그래프는 추천, 검색, 광고가 함께 쓰는 자산이 돼요. 지면 하나의 지표를 올리는 일이 아니라, 한 번 학습한 표현이 여러 도메인에서 동시에 쓰이는 구조를 만드는 일이에요. 모델 하나의 임팩트가 곱해지는 자리예요. 지금 커머스의 연결은 대부분 유저 행동 로그에 기대고 있어요. 그래서 행동 데이터가 없는 상품(cold item)은 유저와도 쿼리와도 이어지지 못해요. 좋은 상품이어도 노출 기회를 얻지 못하고, 노출이 없으니 데이터도 쌓이지 않는 악순환에 갇혀요. 근본 원인은 시스템이 로그만 볼 뿐 상품 자체를 이해하는 체계가 없다는 데 있어요. 가격 포지션과 브랜드 같은 객관적 속성부터 '캠핑', '야식', '다이어트' 같은 사용 맥락(scene), 타겟 연령대와 시즌성까지 — 행동 로그 없이도 상품을 설명하는 표현 체계를 LLM 분석과 사람의 검수를 결합해 만들고 있어요. 그래프를 만드는 것 자체는 목적이 아니에요. 저희가 만든 관계와 피처가 추천과 검색에서 실제로 강한 시그널로 작동한다는 것을 CTR, CVR 같은 온라인 지표로 증명하는 것을 원칙으로 삼아요. 카테고리 단위 예측에서 시작해 아이템 단위로 정교화하고, 실제 개선을 만들어 가는 과정에서 온톨로지를 완성해요. 팀은 이제 막 시작하는 단계예요. 어떤 관계를 학습할지, 어떤 표현 구조를 택할지, 무엇으로 검증할지가 아직 열려 있어요. 만들어진 파이프라인을 이어받는 자리가 아니라 그 결정을 함께 내리는 자리예요. 합류하면 함께 할 일 그래프 표현 학습과 링크 예측. 아이템과 유저, 쿼리가 얽힌 이종 그래프에서 관계를 직접 학습해요. Graph representation learning과 link prediction 등의 모델링을 통해, 손으로 만든 규칙으로는 닿지 못하던 롱테일까지 커버리지를 넓혀요. 팀의 가장 핵심적인 과업이에요. 속성 기반 임베딩과 리트리벌. 상품 속성과 맥락을 metric learning, contrastive learning으로 임베딩하고 이를 쓰는 리트리버 모델을 개발해요. 행동 기반 리트리버가 놓치던, 맥락은 통하지만 카테고리가 다른 상품 — 캠핑 맥락의 즉석밥과 숯불세트 같은 — 을 잇는 것이 목표예요. 데이터에서 임팩트까지 직접 잇는 실험. 학습한 임베딩과 관계 그래프를 데이터 자산으로 남겨두지 않아요. 추천과 검색, 광고 모델에 직접 적용해 온라인 A/B 테스트를 설계하고 비즈니스 지표 개선으로 검증하는 과정을 직접 주도해요. 어느 지면, 어느 카테고리에서 아이템 단위 정교화가 필요한지 정량 분석으로 정의하고, 그 결과가 팀의 다음 우선순위가 돼요. LLM 레이블링 파이프라인 고도화. 상품 속성과 scene을 판단하는 LLM 파이프라인을 설계하고, 그 판단을 경량 분류 모델로 distillation해 전체 상품 규모로 확장해요. human-in-the-loop 검수와 active learning으로 레이블 품질을 사람의 성실함이 아니라 시스템으로 보장해요. 공통 자산으로 서빙. 임베딩과 관계 그래프, 분류 체계를 추천과 검색, 광고가 함께 소비할 수 있는 형태로 설계하고 서빙해요. 장기적으로는 팀이 만든 시그널과 피처가 하나로 통합되는 구조까지 함께 그려요. 이런 분과 함께하고 싶어요 그래프 모델링, 임베딩 학습, 리트리벌 중 하나 이상을 프로덕션 환경에서 직접 설계하고 운영해 본 경험이 있는 분을 찾고 있어요. 애플리케이션 하나를 개선하는 모델링을 넘어, 추천과 검색, 광고가 함께 쓰는 뼈대를 만드는 문제에 매력을 느끼는 분이면 좋겠어요. 온라인 실험(A/B 테스트)을 직접 설계하고 결과를 해석해 의사결정까지 이끌어 본 경험이 있는 분을 찾고 있어요. 만든 모델과 데이터가 실제 서빙 환경에서 안정적으로 동작하는지, downstream에서 어떻게 소비되는지까지 책임감 있게 보는 분을 찾고 있어요. 모델의 우아함보다 온라인 지표 개선으로 스스로를 증명하는 것을 선호하고, 실험 결과가 기대와 다를 때 원인을 집요하게 파고들 수 있는 분이면 잘 맞아요. 추천, 검색, 광고 세 도메인이 공동 소비하는 기반을 만드는 팀인 만큼, 팀 경계를 넘어 모호한 문제를 구체화하고 필요한 논의를 먼저 제안하며 협업할 수 있는 분이면 좋아요. 이런 경험이 있다면 더 좋아요 NLP나 LLM을 실제 문제 해결에 활용해 본 경험, 특히 LLM distillation이나 프롬프트 기반 분류 시스템을 운영해 본 경험 레이블 품질처럼 정답이 명확하지 않은 문제를 사람의 판단과 자동화를 결합해 시스템으로 풀어 본 경험 taxonomy, ontology, knowledge graph를 실제 서비스 규모로 구축하거나 운영해 본 경험 지원하기 전체 채용공고 목록으로 돌아가기 토스 소속 정규직 합류하게 될 팀에 대해 알려드려요 Commerce Data Graph 팀은 커머스의 세 축인 아이템과 유저, 쿼리를 잇는 공통 기반을 만드는 팀이에요. 추천도, 검색도, 그 위에서 도는 광고도 결국은 "이 아이템을 무엇과 어떻게 연결하느냐"라는 하나의 문제로 수렴해요. 저희는 그 연결의 뼈대가 되는 상품 이해 체계, 즉 taxonomy와 ontology, knowledge graph를 만들고, 그 위에서 관계를 직접 학습해요. 여기서 만든 임베딩과 관계 그래프는 추천, 검색, 광고가 함께 쓰는 자산이 돼요. 지면 하나의 지표를 올리는 일이 아니라, 한 번 학습한 표현이 여러 도메인에서 동시에 쓰이는 구조를 만드는 일이에요. 모델 하나의 임팩트가 곱해지는 자리예요. 지금 커머스의 연결은 대부분 유저 행동 로그에 기대고 있어요. 그래서 행동 데이터가 없는 상품(cold item)은 유저와도 쿼리와도 이어지지 못해요. 좋은 상품이어도 노출 기회를 얻지 못하고, 노출이 없으니 데이터도 쌓이지 않는 악순환에 갇혀요. 근본 원인은 시스템이 로그만 볼 뿐 상품 자체를 이해하는 체계가 없다는 데 있어요. 가격 포지션과 브랜드 같은 객관적 속성부터 '캠핑', '야식', '다이어트' 같은 사용 맥락(scene), 타겟 연령대와 시즌성까지 — 행동 로그 없이도 상품을 설명하는 표현 체계를 LLM 분석과 사람의 검수를 결합해 만들고 있어요. 그래프를 만드는 것 자체는 목적이 아니에요. 저희가 만든 관계와 피처가 추천과 검색에서 실제로 강한 시그널로 작동한다는 것을 CTR, CVR 같은 온라인 지표로 증명하는 것을 원칙으로 삼아요. 카테고리 단위 예측에서 시작해 아이템 단위로 정교화하고, 실제 개선을 만들어 가는 과정에서 온톨로지를 완성해요. 팀은 이제 막 시작하는 단계예요. 어떤 관계를 학습할지, 어떤 표현 구조를 택할지, 무엇으로 검증할지가 아직 열려 있어요. 만들어진 파이프라인을 이어받는 자리가 아니라 그 결정을 함께 내리는 자리예요. 합류하면 함께 할 일 그래프 표현 학습과 링크 예측. 아이템과 유저, 쿼리가 얽힌 이종 그래프에서 관계를 직접 학습해요. Graph representation learning과 link prediction 등의 모델링을 통해, 손으로 만든 규칙으로는 닿지 못하던 롱테일까지 커버리지를 넓혀요. 팀의 가장 핵심적인 과업이에요. 속성 기반 임베딩과 리트리벌. 상품 속성과 맥락을 metric learning, contrastive learning으로 임베딩하고 이를 쓰는 리트리버 모델을 개발해요. 행동 기반 리트리버가 놓치던, 맥락은 통하지만 카테고리가 다른 상품 — 캠핑 맥락의 즉석밥과 숯불세트 같은 — 을 잇는 것이 목표예요. 데이터에서 임팩트까지 직접 잇는 실험. 학습한 임베딩과 관계 그래프를 데이터 자산으로 남겨두지 않아요. 추천과 검색, 광고 모델에 직접 적용해 온라인 A/B 테스트를 설계하고 비즈니스 지표 개선으로 검증하는 과정을 직접 주도해요. 어느 지면, 어느 카테고리에서 아이템 단위 정교화가 필요한지 정량 분석으로 정의하고, 그 결과가 팀의 다음 우선순위가 돼요. LLM 레이블링 파이프라인 고도화. 상품 속성과 scene을 판단하는 LLM 파이프라인을 설계하고, 그 판단을 경량 분류 모델로 distillation해 전체 상품 규모로 확장해요. human-in-the-loop 검수와 active learning으로 레이블 품질을 사람의 성실함이 아니라 시스템으로 보장해요. 공통 자산으로 서빙. 임베딩과 관계 그래프, 분류 체계를 추천과 검색, 광고가 함께 소비할 수 있는 형태로 설계하고 서빙해요. 장기적으로는 팀이 만든 시그널과 피처가 하나로 통합되는 구조까지 함께 그려요. 이런 분과 함께하고 싶어요 그래프 모델링, 임베딩 학습, 리트리벌 중 하나 이상을 프로덕션 환경에서 직접 설계하고 운영해 본 경험이 있는 분을 찾고 있어요. 애플리케이션 하나를 개선하는 모델링을 넘어, 추천과 검색, 광고가 함께 쓰는 뼈대를 만드는 문제에 매력을 느끼는 분이면 좋겠어요. 온라인 실험(A/B 테스트)을 직접 설계하고 결과를 해석해 의사결정까지 이끌어 본 경험이 있는 분을 찾고 있어요. 만든 모델과 데이터가 실제 서빙 환경에서 안정적으로 동작하는지, downstream에서 어떻게 소비되는지까지 책임감 있게 보는 분을 찾고 있어요. 모델의 우아함보다 온라인 지표 개선으로 스스로를 증명하는 것을 선호하고, 실험 결과가 기대와 다를 때 원인을 집요하게 파고들 수 있는 분이면 잘 맞아요. 추천, 검색, 광고 세 도메인이 공동 소비하는 기반을 만드는 팀인 만큼, 팀 경계를 넘어 모호한 문제를 구체화하고 필요한 논의를 먼저 제안하며 협업할 수 있는 분이면 좋아요. 이런 경험이 있다면 더 좋아요 NLP나 LLM을 실제 문제 해결에 활용해 본 경험, 특히 LLM distillation이나 프롬프트 기반 분류 시스템을 운영해 본 경험 레이블 품질처럼 정답이 명확하지 않은 문제를 사람의 판단과 자동화를 결합해 시스템으로 풀어 본 경험 taxonomy, ontology, knowledge graph를 실제 서비스 규모로 구축하거나 운영해 본 경험 전체 채용공고 목록으로 돌아가기 지원하기 채용팀에 문의하기