ML Research Intern

상세 정보

직종

개발·엔지니어링

고용형태

계약직

경력

신입

지역

서울특별시 성동구 왕십리로 125

마감일

모집 마감일이 공고에 적혀 있지 않습니다

등록일

2026.06.10T07:57:12+00:00(58일 전)

상세 직무 내용

스캐터랩 ML Researcher 의 이야기를 담았어요 스캐터랩 ML Resercher 들은 어떤 문제들을 풀고 있을까요? 👉스캐터랩이 가장 재밌는 LLM을 찾는 방법 👉유저와 함께 만드는 LLM — 제타에 Preference Optimization 도입하기 스캐터랩 소개 제타는 사용자가 직접 캐릭터와 세계관을 설계하고 AI와 실시간으로 상호 작용하며 자신만의 이야기를 만들어가는 AI 기반 인터랙티브 엔터테인먼트 서비스입니다. 창작자가 미리 정해둔 서사를 수동적으로 소비하는 드라마, 소설, 웹툰 등 기존 콘텐츠의 문법과 달리, 제타는 사용자가 직접 이야기의 주인공이 되어 자신만의 스토리를 능동적으로 써 내려가는 초개인화된 경험을 제공합니다. 2024년 4월 출시한 제타는 한국을 넘어 일본·미국 등 글로벌 시장에서 빠르게 성장하고 있습니다. 현재 글로벌 누적 가입자 수 1000만 명, 누적 플롯(콘텐츠) 약 300만개를 돌파하며 한일 양국에서 압도적인 1위 AI 엔터테인먼트 플랫폼이 되었습니다. 특히 일본에서는 20시간을 훨씬 상회하는 주간 평균 사용시간을 기록하며, 타 엔터테인먼트 서비스를 압도하는 사용자 몰입도를 보여주고 있습니다. 스캐터랩은 제타를 통해 인간이 경험할 수 있는 즐거움의 지평을 넓히고 있습니다. 제타를 경험하는 사용자, 새로운 창작의 가능성을 모색하는 크리에이터, 이 혁명에 동참할 팀원, 미래 가치에 투자하는 투자자, 그리고 AI가 만들 더 즐거운 세상을 꿈꾸는 모든 분을 이 여정에 초대합니다. 한국을 넘어 글로벌 시장을 무대로 우리 두 손으로 직접 엔터테인먼트의 새로운 패러다임을 여는 경험을 함께 만들어 갑시다. 이 위대한 여정은 이제 막 시작되었습니다. 포지션 소개 스캐터랩의 ML Researcher는 자체 모델로 유저들에게 최고의 엔터테인먼트 경험을 선사합니다. 서비스를 하며 축적된 데이터를 바탕으로 벤치마크가 아닌 유저의 몰입을 극대화하기 위하여 모델을 개선하며 이는 다시 서비스의 성장과 양질의 데이터 축적으로 이어집니다. 이 선순환을 위해 데이터 수집, 정제, 학습, 평가 파이프라인을 철저하게 관리합니다. 최고의 모델을 위하여 항상 최신 연구 동향에 관심을 가지고 따라가야 하지만 대체로 그대로 적용하기는 어렵습니다. 정답이 없는 AI 엔터테인먼트에서 유저의 의도와 욕구을 잘 이해하고 최신 연구 기법들을 우리 도메인에 잘 녹여내는 것이 리서처의 중요한 역할입니다. 유저들의 행동 패턴을 연구하여 모델 개선 시그널을 찾아내고 나아가 좋은 시그널을 수집할 수 있는 기능을 고민하기도 합니다. 이 모든 과정은 한국어 뿐만 아니라 일본어, 영어 등 다양한 언어에 대해 적용 가능해야 합니다. 이를 위해 효율적인 파이프라인이 필요할 뿐만 아니라 여러 문화권의 유저에 대한 이해도 필요합니다. 스캐터랩의 ML Research 인턴 포지션은 서비스 데이터를 활용하여 실제 유저들에게 배포되는 모델들의 학습과 실험 과정에 직접 기여하게 됩니다. 주요 업무 ML Research 인턴은 모델팀에 소속됩니다. 모델팀은 현재 다음과 같은 프로젝트들을 수행하고 있으며 논의를 통해서 이 중 하나 이상의 프로젝트에 참여할 수 있습니다. 글로벌 모델 학습 한국, 일본, 미국을 넘어 새로운 국가로 확장하고 있는 제타에서 국가별 최적의 모델을 효율적으로 학습하고 운영할 수 있는 학습 인프라를 설계합니다. 또한, 여러 국가에서 동시에 발생하는 문제(대화 품질 저하, 특정 언어 회귀, 페르소나 붕괴 등)들 중 사용자 경험에 실제로 영향을 주는 문제를 선별하고, 데이터·학습·아키텍처 관점에서 원인을 규명해 해결합니다. Trillion-scale MoE 모델 학습 및 서빙 Trillion-scale MoE 모델의 학습 안정성과 서빙 효율을 확보하기 위해 최신 Mixture-of-Experts 아키텍처를 연구하고, routing 및 expert load balancing, distributed training, inference optimization 등 대규모 모델 학습·서빙 기술을 연구·개발합니다. 실사용자 행동 데이터 기반 선호도 학습 zeta 실사용자의 행동 데이터를 피드백 신호로 활용하여 사용자 선호에 맞는 모델을 학습합니다. 대화 지속 시간, 재방문, 리텐션 등 실제 서비스 지표와 연결되는 피드백 데이터를 정의하고, 이를 강화학습 방법론에 적용합니다. 최근에는 장기적인 engagement를 높이기 위한 reward model을 설계하고, 복수의 reward signal을 함께 활용할 수 있는 GDPO 기반 학습 전략을 탐색합니다. 모델 평가 방법 설계 신뢰도가 높지만 후행적인 A/B 테스트를 보완할 수 있는 선행적이고 제품 최상위 지표에 정렬된 평가 방법을 설계하여 모델 개선 사이클의 속도를 높입니다. 온라인 A/B 결과와 높은 상관성을 유지하면서도 더 빠르게 결과를 파악할 수 있는 보다 선행적인 온라인 평가 방법론을 탐색합니다. 필수 역량 기계학습 및 딥러닝의 기본 개념을 이해하고, 이를 바탕으로 문제를 정의하고 해결 방향을 제시할 수 있는 분 데이터 정제부터 학습, 평가, 결과 검증까지의 딥러닝 모델 학습 파이프라인 전반을 직접 경험하신 분 모델 성능 개선에 그치지 않고, AI 기술을 실제 제품에 적용하여 사용자 경험 개선으로 연결하는 과정에 관심이 깊은 분 우대 역량 NeurIPS, ICML, ICLR, CVPR, ICCV, ACL, EMNLP 등 주요 인공지능 학회에 논문을 게재한 경험이 있으신 분 실제 유저 대상 제품을 개발·운영하며, 서비스 환경에서 발생하는 제약과 요구사항을 반영해 모델 또는 제품을 개선해본 경험이 있으신 분 채용 프로세스 지원자님께서 소중한 시간을 내어주시는 만큼, 저희 역시 무거운 책임감을 가지고 채용에 임하고 있어요. 한 분 한 분의 이야기를 진심을 다해 듣고, 단순한 '평가'가 아닌 서로를 깊이 알아가는 시간으로 면접을 진행합니다. 치열한 합류 여정의 끝에는 최고의 역량을 가진 훌륭한 동료들이 지원자님을 기다리고 있음을 약속드릴게요. 지원 접수 → 직무 과제&컬처 에세이 → 직무 면접 → 자기소개PT&티타임 → 컬처핏 티타임 → 최종 합격 채용 형태 3개월 전환형 인턴 본 포지션은 정규직 전환을 전제로 하는 인턴십 입니다.