[오늘의집] Senior Machine Learning Engineer, Search 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 검색 쿼리 이해, 문서/상품 검색을 위한 Retrieval & Ranking 모델을 설계하고 서비스에 적용합니다.

  이렇게 볼 수 있어요

  검색 대상으로 문서와 상품이 함께 적혀 있습니다. 오늘의집은 콘텐츠와 커머스를 함께 운영하므로 다뤄 본 검색 대상이 콘텐츠였는지 상품이었는지 구분해 두면 면접에서 질문이 구체적으로 이어집니다.

• 자연어 검색, 개인화 검색, 상황 인식(Context-aware) 검색을 실험하고 서비스에 적용합니다.

  이렇게 볼 수 있어요

  인테리어 검색에서 자연어 검색은 '좁은 원룸에 맞는 수납'처럼 공간과 취향이 담긴 긴 질의를 다루는 일입니다. 상황 인식 검색은 계절이나 이사 같은 사용자 상황을 결과에 반영하는 방식입니다. 회사가 2026년 방향으로 든 라이프 이벤트와 초개인화 추천도 같은 쪽을 가리킵니다. 세 방식 가운데 실험만 한 방식과 실제로 출시한 방식을 나눠 쓰면 경험의 범위가 전달됩니다.

• 검색 품질 문제(Zero-result, Long-tail query, Cold-start)를 분석하고 해결합니다.

  이렇게 볼 수 있어요

  문제 유형 셋이 이름으로 나옵니다. 결과가 없던 쿼리의 비율이나 신규 상품 노출처럼 해결 전후를 숫자로 비교할 수 있는 사례를 고릅니다.

• 로그 기반 데이터 분석부터 피처 엔지니어링, 실험 설계 및 반복 개선을 수행합니다.

  이렇게 볼 수 있어요

  검색 로그에서는 클릭률 말고도 검색 직후 재검색, 장바구니 담기, 체류 시간이 랭킹 피처가 됩니다. 노출 위치 때문에 생기는 클릭 편향을 보정하는 일도 이 분석에 함께 따릅니다. 자격요건에도 검색 로그 기반 분석과 피처 설계가 다시 나오므로 어떤 로그에서 어떤 피처를 만들어 무엇이 나아졌는지를 한 흐름으로 정리하세요.

• AI 기능이 모델 수준이 아닌 사용자 기능 수준에서 작동하도록 설계하고 기획에 참여합니다.

  이렇게 볼 수 있어요

  모델 지표보다 사용자가 쓰는 기능 단위의 결과를 봅니다. 모델을 넣은 화면이나 기능이 있다면 그 기능의 사용 지표까지 말할 수 있어야 합니다.

• Stakeholder와 함께 AI를 빠르게 실험하고 제품에 반영합니다.

  이렇게 볼 수 있어요

  검색 랭킹에서는 A/B Test보다 적은 트래픽으로 빨리 결론을 내는 인터리빙 실험을 쓰는 경우도 있습니다. 회사는 핵심가치 Velocity를 'Speed x Direction'으로 풀어 쓰고 달리는 중에도 방향을 점검한다고 설명합니다. 기획·개발 조직과 실험 한 번을 돌리는 데 걸린 기간과 그 실험을 접거나 넓힌 판단을 함께 밝히세요.

2자격 요건

• 6년 이상의 ML/AI 실무 경험(또는 이에 준하는 역량)을 요구합니다.

  이렇게 볼 수 있어요

  ML 팀 소개는 성능 지표를 넘어 사용자가 실제로 쓰는 AI 경험을 만든다고 적었고, 자격 요건에도 모델의 서빙·운영과 서비스 기능 확산이 따로 있습니다. 그래서 6년은 모델을 서비스 기능으로 내보내고 운영해 온 기간으로 볼 수 있습니다. 연구 경력이 섞여 있다면 그 가운데 검색이나 추천 모델을 실제 사용자에게 내보낸 프로젝트를 따로 밝혀 둘 만합니다.

• 대규모 검색 또는 추천 시스템에서 랭킹 문제를 정의하고 개선한 경험이 필요합니다.

  이렇게 볼 수 있어요

  '검색 또는 추천'이라 추천 시스템에서 랭킹을 다룬 경험도 이 요건에 쓸 수 있습니다. 개선한 결과만이 아니라 무엇을 랭킹 문제로 정의했는지부터 설명해야 합니다.

• 검색 서비스 로그 기반의 데이터 분석 및 피처 설계 경험이 필요합니다.

  이렇게 볼 수 있어요

  추천 로그가 아니라 검색 로그로 범위를 좁힌 요건입니다. 쿼리, 클릭, 구매 로그 가운데 피처로 바꾼 로그를 이름으로 밝히면 검색 로그 경험이 분명해집니다.

• Offline metric과 Online A/B Test 간의 차이를 이해하고 해석하는 역량을 요구합니다.

  이렇게 볼 수 있어요

  이 공고의 검색은 문서와 상품을 함께 다루고 Zero-result·Long-tail query·Cold-start 같은 품질 문제를 실험으로 풀어야 하므로, 이 요건은 오프라인 지표와 A/B Test 결과가 어긋날 때 어느 쿼리나 사용자 구간에서 차이가 났는지 해석하는 일로 이어집니다. 두 결과가 어긋난 실험을 다뤄 봤다면 원인을 무엇으로 확인했고 다음 실험을 어떻게 바꿨는지가 업무의 반복 개선을 그대로 보여 줍니다.

• ML/AI 모델의 설계부터 서빙, 운영까지 전체 라이프사이클을 주도한 경험(E2E)이 필요합니다.

  이렇게 볼 수 있어요

  모델 학습만 맡은 경력과 구분되는 요건입니다. 서빙 방식과 운영 중 모니터링한 지표까지 직접 맡았는지가 이 요건의 핵심입니다.

• 제품 내 실험 결과를 기반으로 AI 기능을 실제로 확산·정착시킨 경험과, AI 모델을 실제 서비스 기능으로 도입하고 확산시킨 주도 경험을 요구합니다.

  이렇게 볼 수 있어요

  도입과 확산을 묻는 요건이 두 번 나옵니다. 첫 실험 뒤 적용 범위를 어떻게 넓혔는지, 지금도 서비스에서 돌아가는지까지 한 사례에 담아야 두 요건에 모두 답할 수 있습니다.

3우대 사항

• 기획부터 배포까지 End-to-End로 기능을 완성하고 운영까지 책임진 경험과, 주 전문 영역을 넘어 필요한 기술 스택(예: BE/FE/ML/인프라 등)을 학습하고 활용할 수 있는 역량을 우대합니다.

  이렇게 볼 수 있어요

  ML 밖의 영역도 직접 다룰 수 있는지를 봅니다. 모델을 넣기 위해 백엔드나 인프라 작업을 직접 한 적이 있다면 직접 맡은 범위를 작업 단위로 적을 수 있습니다.

• 추천, 검색, 콘텐츠, 커머스 등 도메인 중 하나 이상의 실무 경험을 우대합니다.

  이렇게 볼 수 있어요

  추천, 검색, 콘텐츠, 커머스 실무 경력은 이 우대에 함께 적을 수 있습니다. 회사는 수백만 건의 콘텐츠·거래·시공 데이터로 공간 제안부터 상품 조합, 시공 견적 비교까지 AI로 다루겠다고 밝혔습니다. 도메인마다 쓰게 될 데이터가 다릅니다. 맡았던 서비스 이름과 규모를 붙이면 비교가 쉽습니다.

• Query understanding, Semantic search, RAG, 벡터 검색 등 다양한 AI 구조를 실험하거나 도입해 본 경험과, LLM 또는 멀티모달 모델을 검색·탐색 경험 개선에 적용한 사례를 우대합니다.

  이렇게 볼 수 있어요

  벡터 검색과 Semantic search는 키워드가 맞지 않아 결과가 비는 Zero-result나 드문 Long-tail query를 줄이는 데 흔히 쓰입니다. 멀티모달 모델은 사진이 많은 인테리어 콘텐츠에서 이미지로 비슷한 상품을 찾는 데 쓰일 수 있습니다. 실험에서 멈춘 구조와 서비스에 도입한 구조를 나눠 쓰고 도입했다면 키워드 검색과 어떻게 섞었는지를 함께 적으세요.

• 사용자 모델링, 개인화, 행동 기반 예측 모델 설계 경험과 비정형 데이터(예: 이미지, 텍스트 등)를 활용한 딥러닝 모델 실험 경험을 우대합니다.

  이렇게 볼 수 있어요

  행동 데이터가 없는 신규 상품의 Cold-start는 상품 이미지와 설명 텍스트에서 뽑은 임베딩으로 메우는 방법이 흔합니다. 그래서 이 우대의 비정형 데이터 경험이 업무의 검색 품질 문제 가운데 Cold-start를 푸는 데 쓰입니다. 사용자 모델링 경험은 업무의 개인화 검색과 맞물립니다. 이미지나 텍스트로 만든 모델이 있다면 어느 문제에 썼는지와 함께 적으세요.

• AI 기능을 팀에 설명하거나 설계/문서화해 공유한 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무에는 AI 기능을 사용자 기능 수준에서 설계하고 기획에 참여하는 일이 있습니다. 모델을 모르는 기획·디자인 동료에게 기능의 동작과 한계를 설명하는 일이 잦습니다. 설계 문서나 사내 공유 세션 자료가 있으면 이력서에 링크나 제목으로 밝히세요.

• 오늘의집 서비스와 유저 문제에 대한 관심 또는 개선 아이디어가 있으면 우대합니다.

  이렇게 볼 수 있어요

  오늘의집 검색은 문서와 상품을 함께 다루므로, 유저 문제에 대한 관심은 같은 검색어가 콘텐츠를 찾는지 상품을 찾는지 판단하는 문제로 이어집니다. 앱에서 직접 검색해 결과가 아쉬웠던 쿼리를 골라 그 원인을 이 공고가 꼽은 Zero-result나 Long-tail 같은 품질 문제로 설명해 보면 면접에서 개선 아이디어로 쓸 수 있습니다.

4기타 사항

• 게시일 : 2026년 1월 16일
• 고용형태 : 정규직(수습 3개월)
• 근무지 : 서울 오피스 (대한민국 서울특별시 서초구 서초대로74길 4, 삼성생명 서초타워 21층, 25층, 27층)
• 경력 조건 : 경력 6년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• RAG
• LLM

전형과 지원

오늘의집 공고의 진행 절차는 서류전형, 직무 인터뷰, 조직문화 인터뷰 및 레퍼런스 체크, 처우협의, 최종합격 순입니다. 개발 직군은 인터뷰 횟수와 코딩테스트 안내가 따로 있습니다.

지원 전 준비할 것

1. 1

   검색 품질 문제 하나 골라 정리하기

   Zero-result, Long-tail query, Cold-start 가운데 직접 풀어 본 문제를 골라 원인 분석, 만든 피처, 개선 전후 지표 순서로 정리합니다.

2. 2

   지표가 어긋난 실험 준비하기

   오프라인 지표와 A/B Test 결과가 다르게 나온 실험을 하나 골라 어떻게 해석했고 다음에 무엇을 바꿨는지 말할 수 있게 준비합니다.

3. 3

   AI 활용 세션 대비하기

   조직문화 인터뷰에 AI 활용 역량을 확인하는 세션이 있습니다. 모델 개발 밖의 일(실험 분석, 문서화, 코드 작성)에 AI 도구를 쓴 방식과 한계를 느낀 지점을 정리해 두세요.