정규직
0 명
카카오의 다양한 서비스에는 매일 방대한 규모의 상품, 장소, 콘텐츠, 대화 데이터가 쌓이고 있습니다.
우리는 이 데이터를 단순히 검색하는 것을 넘어, 사용자의 의도를 이해하고 필요한 정보를 탐색하며 여러 도구와 서비스를 활용해 답을 완성하는 Agentic Search 환경을 만들고 있습니다.
이를 위해 Agentic Search LLM과 Embedding Model, Cross Encoder, 데이터 품질 모델을 연구합니다. 이러한 기술로 차세대 검색 시스템을 함께 만들어갈 AI Research Engineer를 찾습니다.
[주요 연구 성과]
우리 조직은 대화형 Agent, Planning, Tool Use 및 Agent Orchestration 분야의 연구를 지속하고 있습니다.
OrchestrationBench: LLM-Driven Agentic Planning and Tool Use in Multi-Domain Scenarios
ICLR 2026
https://openreview.net/forum?id=Oljnxmf4pc
A Practical Approach for Building Production-Grade Conversational Agents with Workflow Graphs
ACL 2025 Industry Track
https://arxiv.org/abs/2505.23006
카카오의 다양한 AI 서비스와 검색 서비스 전반에 활용되는 AI Search Platform과 핵심 모델을 연구·개발합니다.
[공통]
- 상품·장소·웹 문서·대화 등 서로 다른 도메인을 아우르는 AI 검색 모델 연구
- 검색 품질 평가를 위한 데이터셋·벤치마크·학습 파이프라인 구축
- 연구 결과의 카카오 실제 서비스 적용 및 대규모 트래픽 환경에서의 성능 검증
[Agentic Search LLM]
- 검색 과정에서 스스로 계획하고 탐색하며 도구를 활용하는 Agentic Search LLM 연구
- GRPO 등 Policy Optimization 기반 LLM 학습 및 성능 최적화
- 실제 검색 인덱스·API와 상호작용하는 환경에서의 Agent 학습
[Search Ranking Model]
- 대규모 검색 로그·클릭 데이터를 활용한 Embedding, Cross Encoder 학습
- Dense Retrieval, Reranking, Hybrid Search 등 검색 파이프라인 전반의 랭킹 품질 개선
- 대규모 트래픽 환경에서의 서빙 및 추론 최적화
[Search Data Modeling]
- 어뷰징·스팸·중복 문서/상품 등 저품질 데이터 탐지 모델 연구
- 대용량 상품·웹 문서의 속성 추출 및 정규화 모델링
- LLM-as-a-Judge 기반 품질 평가 체계 구축 및 사람 평가와의 정합성 검증
연구·개발 결과는 카카오의 다양한 검색 서비스와 일부 AI 서비스에 적용되며, 예시는 다음과 같습니다:
- 카카오맵 검색
- 커머스 (톡딜 등) 상품 검색
- 카나나 in 카카오톡
- 카나나 검색
- 그 밖의 카카오 AI 및 검색 서비스
본 포지션은 아래 기술한 Search Ranking Model, Agentic Search LLM, Search Data Modeling 중 한 분야의 전문가를 모집합니다. 모든 분야의 경험을 요구하지 않으며, 가장 자신 있는 영역에서 문제를 정의하고 모델 개선을 만들어본 경험을 중요하게 봅니다.
[공통 필수 역량]
특정 모델이나 프레임워크의 사용 경험 못지않게, 머신러닝의 기본 원리를 이해하고 이를 바탕으로 문제와 실험 결과를 설명하는 역량을 중요하게 생각합니다.
머신러닝의 기본 개념을 이해하고 모델의 학습 원리를 설명할 수 있는 분- Loss, Optimization, Sampling, Evaluation Metric의 선택 이유를 설명할 수 있는 분
- 학습이 잘되지 않을 때 가설을 세우고 재현 가능한 실험으로 원인을 좁혀나간 경험이 있는 분
- 오프라인 지표와 실제 서비스 품질의 차이를 이해하고, 학습부터 추론·평가·배포까지 고려해 문제를 풀어본 분
- 관련 경력을 2년 이상 보유하신 분
1. Agentic Search LLM
[필수 경험]
- PPO·GRPO 등 Policy Optimization 방법을 활용한 LLM 강화학습 경험
- LLM 학습 결과를 분석하고 실험을 통해 성능을 개선한 경험
[우대 경험]
- 실제 환경과 상호작용하는 Dynamic Environment 기반 강화학습 경험
- 검색·브라우징·Tool Use Agent 연구 경험
- BrowseComp 등 Search LLM Benchmark 를 활용한 모델 평가 및 개선 경험
- Agent의 Planning, Tool Calling, Long-Horizon Reasoning 연구 경험
- 대규모 LLM 학습 또는 분산 학습 파이프라인 구축 경험
2. Search Ranking Model
[필수 경험]
- Embedding Model, Bi-Encoder 또는 Cross Encoder를 학습하고 성능을 개선한 경험
- 검색 모델의 학습 데이터 구성, Negative Sampling 및 평가 경험
[우대 경험]
- Web Search 또는 대규모 Information Retrieval 모델 연구 경험
- MTEB, RTEB 등 검색·임베딩 벤치마크를 활용한 모델 평가 및 개선 경험
- Dense Retrieval, Reranking 또는 Hybrid Search 연구 경험
- Hard Negative Mining, Knowledge Distillation, Contrastive Learning 경험
- 대규모 검색 모델의 서빙 및 추론 최적화 경험
3. Search Data Modeling
[필수 경험]
- LLM, Embedding Model 또는 분류 모델을 학습해 데이터 품질 문제를 해결한 경험
- 주관적이거나 모호한 데이터 품질 기준에 대해 평가 데이터셋과 지표를 직접 설계하고 구현한 경험
[우대 경험]
- LLM-as-a-Judge 기반 평가 체계를 구축하고, human eval 과의 alignment 검증 경험
- 어뷰징·스팸·광고성 콘텐츠, 중복·유사 상품 및 문서 등 저품질 데이터 탐지 경험
- 데이터 개선이 downstream 검색·랭킹 모델의 성능 향상으로 이어졌음을 정량적으로 입증한 경험
- 연관검색어·검색어 추천 등 검색어 품질을 모델링한 경험
- 대용량 상품·웹 문서 데이터의 속성 추출 및 정규화를 모델링으로 해결한 경험
공통 우대사항- 새로운 논문을 빠르게 이해하고 실제 모델과 시스템으로 구현하는 것을 즐기는 분
- 정답이 정해지지 않은 문제를 스스로 정의하고 풀어본 분
- 연구 결과를 동료들과 투명하게 공유하고 함께 더 나은 방향을 찾아가는 분
서류전형 > 코딩테스트 > 사전 인터뷰 > 1차 인터뷰 > 2차 인터뷰 > 처우 협의 > 최종 합격 및 입사
※ 영입 진행 상황에 따라 레퍼런스 체크 등의 절차가 추가되거나 변경될 수 있습니다.
크루의 한마디
연구와 서비스 적용을 동시에 경험할 수 있습니다
최신 Agentic LLM과 검색 모델을 연구하는 데 그치지 않고, 실제 카카오 서비스에 적용해 사용자 경험과 검색 품질의 변화를 직접 확인하실 수 있습니다.
서로 다른 검색 도메인을 하나의 플랫폼 관점에서 다룹니다
장소·상품·웹 문서·대화 검색은 각각 데이터 특성과 사용자 의도가 다릅니다.
카카오의 대규모 검색 데이터와 실제 서비스 트래픽을 기반으로, 이 문제들을 하나의 Agentic Search Platform으로 풀어가는 경험을 쌓을 수 있습니다.
정해진 모델이나 방법론을 운영하는 역할이 아닙니다.
Agent가 어떤 정보를 탐색해야 하는지, 검색 모델과 LLM이 어떻게 협력해야 하는지, 이를 어떻게 학습하고 평가할 것인지부터 함께 설계합니다.
연구 및 개발에 집중할 수 있는 환경을 지원합니다
InfiniBand 기반 GPU 클러스터를 활용한 대규모 분산 학습·추론 환경과 논문 게재 및 학회 참가를 지원합니다.
검색 모델과 LLM의 경계가 빠르게 허물어지고 있습니다.
카카오의 방대한 데이터와 다양한 서비스를 기반으로 Agentic Search의 다음 기준을 함께 만들고 싶은 분을 기다립니다.
해당 포지션은 월 총 근무시간 범위 내에서 크루 스스로 하루의 업무 시작 및 종료 시간을 설정하여 자율적으로 몰입하여 근무할 수 있는 <완전선택근무제>를 적용받습니다.
매월 마지막 주 금요일은 크루의 휴식과 충전을 위한 <리커버리데이>로 운영됩니다.
업무와 협업의 효율성을 우선으로 하여, 리커버리데이가 없는 주에는 <주 1일 원격근무>가 가능합니다.
