HYPERCONNECT AI 소개
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.
Staff, Machine Learning Research Scientist (Azar)
Responsibilities
- Head of AI의 핵심 파트너로서, Azar의 추천 및 모더레이션 영역에서 풀어야 할 핵심 문제를 정의합니다. 여러 직군과 리더십의 관점을 정렬하고, 비즈니스 임팩트와 기술적 실현 가능성을 바탕으로 조직의 우선순위와 실행 전략을 함께 결정합니다.
- 최신 AI/ML 연구와 기술 발전을 바탕으로 기존 제품 요구사항만으로는 발견하기 어려운 기회를 발굴합니다. 새로운 기술이 Azar를 어떻게 혁신할 수 있는지 제안하고, 기술적·사업적 실현 가능성과 장기적인 기술적 해자를 바탕으로 투자할 가치가 있는지 판단합니다.
- 비즈니스 요구사항을 AI/ML 문제로 재정의하고, 딥러닝뿐만 아니라 고전적 머신러닝, 통계, 최적화 등을 폭넓게 검토하여 해법을 설계합니다. 비즈니스 요구사항을 만족시키기 위해 휴리스틱과 예외 처리를 반복적으로 덧붙이는 데 머무르지 않고, 문제의 구조와 ML 이론에 대한 깊은 이해를 바탕으로 주어진 제약 안에서 이론적 최적해에 가까운 방향을 탐색합니다.
- 해결되지 않은 고난도 ML 문제와 긴급한 비즈니스 문제에 직접 뛰어듭니다. 모델의 오프라인 성능에 머무르지 않고 사용자 경험과 실서비스 지표의 변화를 검증하여 장기적인 제품 및 비즈니스 성과를 만듭니다.
- 개별 모델의 성능을 넘어 데이터, 학습, 평가, 실험, 서빙과 피드백이 연결되는 ML 시스템 전반을 이해합니다. 빠르고 신뢰도 높은 실험과 지속적인 개선이 가능하도록 전체 시스템의 구조와 각 구성 요소의 역할을 ML 관점에서 설계합니다.
- 다른 ML Research Scientist들과 연구 주제와 해결 방향을 정렬하고, 각 연구가 하나의 기술 전략과 제품 성과로 이어지도록 이끕니다. Machine Learning Software Engineer, 데이터 엔지니어, 프로덕트 조직 등과도 협업하여 연구 결과가 실제 제품에 적용되도록 기술적 의사결정을 주도합니다.
Requirements
- 머신러닝 및 관련 분야의 박사 학위 또는 이에 준하는 연구 역량을 보유하신 분
- 산업 현장에서 머신러닝 기반 제품이나 서비스를 개발하고 개선한 경력이 5년 이상이신 분
- 모호한 비즈니스 문제를 명확한 ML 문제로 정의하고, 이론적 근거와 실험을 바탕으로 해결 전략을 설계한 경험이 있으신 분
- 복잡하고 해결하기 어려운 문제를 주도적으로 끝까지 해결하고, 모델 성능을 사용자 경험이나 비즈니스 지표의 개선으로 연결해 본 경험이 있으신 분
- 다른 연구자, 엔지니어 및 비기술 직군과 협업하며 기술적 방향을 정렬하고 의사결정을 설득력 있게 이끌 수 있는 분
Preferred Qualifications
- AI/ML 탑티어 학회(NeurIPS, ICLR, ICML, CVPR, KDD 등 )중 한 곳 이상의 메인 트랙에 주저자로 논문을 게재한 경험이 있으신 분
- 추천 시스템, 강화학습, LLM 및 AI Agent 관련 핵심 기술에 대한 연구 경험이 있으신 분
- 대규모 트래픽을 처리하는 사용자 대상 서비스에서 ML 시스템을 제품화하고 반복적으로 개선한 경험이 있으신 분
- 영어로 글로벌 팀과 기술적 논의를 주도할 수 있는 분
Hiring Process
- 고용 형태: 정규직
- 채용 절차: 서류전형 > Recruiter Call > 1차 면접 > 2차 면접 > 3차 면접 > 최종합격 (*필요 시 전형이 추가/변경 진행될 수 있습니다.)
- 지원 서류: 자유 양식의 상세 경력기반 국문 또는 영문이력서(PDF)