Want to know if this job is worth applying to?
서울특별시, 대한민국
Onsite
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.
HYPERCONNECT AI의 ML Research Scientist는 제품의 문제를 연구 문제로 바라보고 해결합니다. 문제 정의, 가설 수립, 모델 선택과 설계, 실험, 성과 분석까지 전 과정을 주도하며, 연구 결과가 실제 제품 지표 개선으로 이어지는 것을 목표로 합니다. 외부에서 이미 정의된 문제를 푸는 것이 아니라, HYPERCONNECT의 데이터와 제약 조건에 맞게 문제를 다시 정의합니다. 공개된 다양한 접근 방법과 기존 연구를 폭넓게 검토한 뒤, 상황에 맞는 해법을 선택하거나 새롭게 만들어냅니다. 반복적인 실험과 검증을 통해 제품에서 의미 있는 신호를 찾아내는 것이 이 역할의 핵심입니다(참고).
연구 과정에서는 PM 및 소프트웨어 엔지니어 등 다양한 직군과 협업하지만, 연구 방향과 핵심 판단은 스스로 책임집니다. 단일 모델의 성능 개선을 넘어서, 시간이 지날수록 더 큰 임팩트를 낼 수 있는 구조를 만들어 가는 것을 중요하게 생각합니다. 데이터/백엔드 엔지니어링은 전담조직과 협업해 진행합니다.
