Machine Learning Engineer (Match Group AI)

Requirements

AI/ML에 대한 기본 지식과 적어도 한 개 이상의 특정 도메인에 대한 깊이 있는 지식을 갖추고, 관련 프로젝트 경험이 있으신 분

Exploratory Data Analysis(EDA)를 통해 데이터의 통계적 특성과 패턴을 발견하고, 이를 문제 해결 과정에 반영하실 수 있는 분

Python과 PyTorch, TensorFlow, JAX 등 딥러닝 프레임워크에 능숙하며, 협업과 유지보수가 가능한 높은 품질의 코드를 작성하실 수 있는 분

ML 모델 학습 파이프라인 구축과 배포 과정에 필요한 엔지니어링 역량을 갖추신 분

AI 기술의 서비스화에 관심이 많으신 분

새로운 기술을 꾸준히 학습하고 팀과 공유하실 수 있는 분

한국어로 원활한 의사소통이 가능하고, 영어로 작성된 기술 문서를 이해·작성하며 비대면 소통이 가능하신 분

Preferred Qualifications

AI/ML 관련 탑티어 학회 및 저널(NeurIPS, ICLR, ICML, ACL, RecSys, KDD, CVPR 등) 게재 실적 또는 관련 대회 수상 실적이 있으신 분

실제 서비스에 AI 기술을 적용하여 주요 비즈니스 지표를 유의미하게 향상시켜 본 경험이 있으신 분

A/B 테스트 기획과 타깃 KPI 정의, 인과관계 분석 등 통계 기법과 SQL 기반 분석으로 데이터에서 의미 있는 인사이트를 발굴하고 의사결정에 적용하실 수 있는 분

클라이언트(Android, iOS), 백엔드를 포함해 AI 분야 외 프로젝트 개발 경험이 있으신 분

엔지니어링 외 다양한 직군(PM, 데이터, 비즈니스 등)과 협업하며 프로젝트나 기능 단위의 요구사항 정의, 일정 관리, 우선순위 조정을 담당해본 경험이 있으신 분 (PM/PO 경험 포함)

영어로 대규모 미팅이나 여러 이해관계자가 참여하는 논의에 참여하여 기술적 의사소통을 수행하실 수 있으신 분

Hiring Process

고용 형태: 정규직

채용 절차: 서류전형 > 사전 과제 > Live Coding Interview > 기술 면접 > 기술 심화 및 Cultural Alignment 면접 > 최종합격 (* 필요 시 전형이 변경 진행될 수 있습니다.)

서류 전형의 경우 합격자에 한하여 개별 안내드릴 예정입니다.

지원 서류: 자유 양식의 상세 경력기반 영문이력서(PDF)

이 포지션은 전문연구요원 보충역 편입/전직 채용이 가능합니다. 병역특례요원의 경우, 병역특례 관련법에 따라 복무관리를 진행합니다.

Match Group AI ML Team 소개

ML Team은 Match Group의 다양한 서비스에 AI/ML 기술을 적용하는 ML Engineer로 구성된 팀입니다. 팀의 업무는 실제 제품이 만들어지고 운영되는 과정에서 발생하는 문제를 발굴하고 정의하는 것에서 시작됩니다. 문제 해결에 가장 적합한 SotA(State-of-the-Art) 모델을 만들고, 완성된 모델을 모바일과 서버 환경에 안정적이고 효율적으로 배포합니다. 이후에도 지속적인 모니터링과 개선을 통해 서비스의 AI Flywheel을 구축해 나갑니다. 이 과정에서 백엔드/프론트엔드/DevOps 엔지니어, 데이터 분석가, PM 등 다양한 전문 조직과 긴밀히 협업하며 실제 사용자에게 임팩트를 주는 AI 경험을 만들어갑니다. 일하는 모습에 대한 조금 더 자세한 이야기는 다음의 내용을 참고하시면 좋습니다.

[How AI Lab Works] Head of AI - Shurain 인터뷰

AI in Social Discovery(Blending Research and Production)

업무 성과 중 일부는 논문 또는 오픈소스 코드로 외부에 공개하기도 합니다. 제품에 사용하기 위한 목적으로 ML 모델을 만들다 보면, 기존 연구로는 부족한 경우가 많습니다. 부족한 부분을 채우기 위해 진행된 연구의 결과물을 프로젝트 참여자들이 모두 함께 협업하여 연구의 의미 있는 부분을 정돈하고, 가능하다면 코드와 함께 공개합니다. 그 결과, 지금까지 아래 성과를 포함해 약 20여 건의 대외적 연구 성과를 거둘 수 있었습니다.

2024년 CUPID: 1:1 소셜 디스커버리 플랫폼을 위한 실시간 세션 기반 상호 추천 시스템 ICDM Workshop 발표

2023년 TiDAL: 효율적인 학습 과정의 모델 행동에 기반한 액티브 러닝 기법 ICCV 2023 게재

2023년 모더레이션 환경에서 여러 분류 기준을 동시에 만족하기 위한 문턱값을 잡는 연구 WSDM 2023 게재

2022년 대화 생성에서의 의미적 다양성을 높이는 연구 EMNLP 2022 게재

2022년 레이블 노이즈가 심한 환경에서 효과적으로 학습하는 방법 ECCV 2022 게재

2022년 타깃 캐릭터의 몇가지 발화만을 이용하여 타깃 캐릭터를 모방하는 챗봇연구 NAACL 2022 게재

2022년 대화 생성 모델에서 예시를 활용하여 성능을 높이는 연구 ACL 2022 Workshop 발표

2022년 모바일 환경에서 오디오 분류를 위한 distillation 기술 연구 ICASSP 게재

AI 연구가 잘 진행되기 위해서는 딥러닝 학습을 위한 인프라도 잘 갖추어져야 합니다. ML Engineer들이 충분히 모델을 개발하고 실험할 수 있도록, AWS 기반의 DGX 노드 10대(노드당 H100 GPU 8대, 총 80대 H100)로 구성된 딥러닝 클러스터를 운영하고 있습니다. 또한 데이터 수집·전처리를 포함한 자체 데이터 파이프라인을 클라우드 서비스를 활용해 구축·운영하고 있으며, ML 모델의 제품화를 함께해 주실 다양한 software engineer(백엔드/프론트엔드/DevOps/MLSE)와 협업하고 있습니다.