Staff, Machine Learning Research Scientist (Azar)

HYPERCONNECT AI는 머신러닝 연구를 통해 실제 비즈니스 성과를 만들어내는 조직입니다. 비즈니스 문제를 ML 문제로 재정의하고, 제품의 핵심 지표를 개선하는 데 집중합니다. 외부 솔루션을 단순히 적용하는 것은 지양하고, 문제 설정부터 다시 고민하며 최선의 선택을 직접 만들어갑니다. 그 결과 HYPERCONNECT AI의 연구 성과는 실제 비즈니스 임팩트로 이어져 왔으며, 그 중 아주 일부 사례는 본사인 Match Group의 Earnings Letter를 통해 소개되기도 했습니다. HYPERCONNECT AI에서 연구는 목적이 아니라 수단이며, 목표는 명확한 비즈니스 임팩트입니다.

HYPERCONNECT AI에서 풀고 있는 문제들의 예시는 다음과 같습니다.

• 추천 모델 스케일링: LLM에서는 스케일링 법칙이 널리 받아들여지지만, 추천 모델에서는 그렇지 않습니다. 우리는 모델과 데이터 규모가 커질수록 성능도 함께 개선되는 구조를 만드는 연구를 진행합니다. LLM을 포함한 대형 모델을 다루되, 추론 등 현실적인 제약사항을 고려하여 모델을 설계합니다.

• 추천 모델 정렬: 모든 추천 문제는 결국 "이 유저에게 이 콘텐츠를 보여줬을 때 비즈니스가 얼마나 성장할지"를 정량적으로 측정하는 문제입니다. 강화학습, 인과 추론, 게임 이론 등을 바탕으로 스케일링된 추천 모델을 포스트 프로세싱하여 비즈니스 목표와 정렬하는 방법을 연구합니다.

• 멀티모달 LLM을 활용한 모더레이션 ML 프로세스 자동화: 이미지, 음성, 텍스트 등 여러 모달리티에 걸친 Trust & Safety(모더레이션) ML 과정에서 사람이 수행하던 데이터 레이블링, 모델 개선, 평가 등의 단계를 LLM으로 자동화하고 고도화하는 연구를 진행합니다. LLM이 회사의 내부 데이터와 정책을 정확히 이해하고, 그 판단을 내부 전문가 수준으로 신뢰할 수 있도록 만드는 데 집중합니다.

연구 결과 중 의미 있는 성과는 논문이나 오픈소스 형태로 외부에 공개하기도 합니다. 논문 출판을 목표로 하지는 않지만, 제품 문제를 해결하는 과정에서 기존 연구로 충분히 설명되지 않는 부분이 있을 경우 이를 정리해 연구 성과로 남깁니다(참고). 지금까지 약 20여 건의 대외 연구 성과를 만들어 왔습니다.

AI로 비즈니스 문제를 해결하기 위해서는 모델 학습을 위한 인프라도 제대로 갖추어져야합니다. HYPERCONNECT AI에서는 ML Research Scientist들이 충분히 모델 개발 및 실험을 진행할 수 있도록 자체적인 연구용 GPU 클러스터를 구축하여 활용하고 있습니다.

• 고용 형태: 정규직
• 채용 절차: 서류전형 > Recruiter Call > 1차 면접 > 2차 면접 > 최종합격 (*필요 시 전형이 추가/변경 진행될 수 있습니다.)
• 지원 서류: 자유 양식의 상세 경력기반 국문 또는 영문이력서(PDF)