[채널코퍼레이션] Machine Learning Engineer (Model Training) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 제품 문제를 해결하기 위한 자체 AI 모델을 설계하고 학습합니다.

  이렇게 볼 수 있어요

  공고는 이 팀이 '외부 API나 이미 만들어진 모델을 활용하는 것이 아니라' 자체 모델을 설계하고 학습시키는 것을 목표로 한다고 밝혔습니다. 모델을 처음부터 학습시켰는지, 공개 모델을 미세 조정했는지를 구분해 쓰면 경험의 깊이가 분명해집니다.

• 초기에는 TTS/STT 모델의 성능 개선과 음성 품질 향상을 주요 과제로 다룹니다.

  이렇게 볼 수 있어요

  자연스러운 음성, 정확한 발음, 낮은 latency가 실제 서비스 환경에서 중요한 문제로 적혀 있습니다. 음성 모델 경험이라면 세 가지 가운데 무엇을 개선했는지 나눠 쓸 수 있습니다.

• 데이터 수집, 전처리, 학습, 평가까지 end-to-end ML pipeline을 구축합니다.

  이렇게 볼 수 있어요

  모델 학습만이 아니라 데이터 수집과 전처리 단계부터 맡습니다. 직접 만든 데이터셋이 있다면 규모와 정제 방식까지 밝히면 됩니다.

• 음성 품질(자연스러움, 발음 정확도, 감정 표현 등)을 정량적으로 평가하고 개선합니다.

  이렇게 볼 수 있어요

  주관적인 음성 품질을 숫자로 바꾸는 일입니다. 어떤 지표와 평가 방식으로 품질을 쟀는지가 이 업무에 대한 경험의 핵심입니다.

• inference latency와 비용을 고려한 효율적인 모델 구조와 서빙 방식을 설계합니다.

  이렇게 볼 수 있어요

  학습 성능과 함께 서빙 비용까지 맡는 업무입니다. 추론 지연을 줄여 본 경험이 있다면 줄인 시간과 쓴 방법을 나란히 적을 수 있습니다.

• 제품 엔지니어들과 협업하며 연구 결과를 실제 서비스에 적용합니다.

  이렇게 볼 수 있어요

  보이스 알프에는 회사가 자체 개발했다고 밝힌 턴 감지 모델과 한국어 상담 TTS가 이미 들어가 있습니다. 이 팀이 개선할 TTS/STT도 같은 전화 상담 안에서 돌아갑니다. 그래서 이 팀의 연구는 연구에서 끝나지 않고 배포까지 갑니다. 모델을 제품 엔지니어에게 넘길 때 정한 입출력 형식과 지연 시간 목표, 배포 뒤 품질을 확인한 방법을 적으면 이 협업을 해 본 경험인지 보입니다.

• 소규모 팀에서 기술 방향성과 연구 로드맵을 함께 설계합니다.

  이렇게 볼 수 있어요

  3명 내외의 초기 팀이라 각 멤버가 구현만이 아니라 방향을 함께 정한다고 공고가 적었습니다. 연구 과제를 직접 제안하고 우선순위를 정해 본 경험이 이 업무와 맞습니다.

• 향후 경량 LLM, 라우팅 모델 등 다양한 AI 모델 문제를 탐색하고 연구합니다.

  이렇게 볼 수 있어요

  지금은 음성이 중심이지만 팀의 범위가 넓어질 계획입니다. 음성 밖의 모델을 다뤄 본 경험도 이 계획과 이어집니다.

2자격 요건

• TTS 또는 STT 모델을 직접 학습시키고 서비스에 적용해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  학습과 서비스 적용을 둘 다 묻기 때문에 학습시킨 모델이 어떤 서비스의 어느 기능에 들어갔는지까지 한 사례로 이어 쓸 수 있습니다. 연차 조건이 없는 이 공고에서 경력 길이 대신 놓인 요건이기도 합니다. 팀의 첫 과제는 AI 음성 상담용 TTS/STT 성능 개선입니다. 서비스에 넣은 뒤 품질 문제를 찾아 다시 학습시킨 과정이 있다면 그 순서가 이 팀이 처음 맡을 일과 같습니다.

• PyTorch 기반으로 음성 모델을 end-to-end로 학습시켜 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  여기서 end-to-end는 데이터 로딩부터 학습 루프와 평가 코드까지 직접 짠 경험을 말합니다. 업무의 데이터 수집·전처리·학습·평가 파이프라인 구축과 범위가 같습니다. 우대 사항의 DeepSpeed와 FSDP도 PyTorch 위에서 쓰는 분산 학습 도구입니다. PyTorch 학습 코드에서 직접 맡은 부분을 구체적으로 적으면 이 요건과 분산 학습 우대까지 함께 설명됩니다.

• Transformer 기반 음성 모델 구조를 깊이 이해하고 있어야 합니다.

  이렇게 볼 수 있어요

  사전 기술 인터뷰가 ML/AI 기술 중심의 Q&A입니다. 사용해 본 Transformer 기반 음성 모델 하나를 골라 구성과 그 구조를 고른 이유를 말로 설명하는 준비가 필요합니다.

• 음성 데이터셋을 구축하고 데이터 품질을 개선해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  분석 시점 채용 사이트에는 음성 자료를 듣고 입력·검수하는 음성 데이터 라벨링 단기 계약직 공고도 함께 올라와 있었습니다. 라벨링 기준을 세우거나 검수 방식을 만든 경험은 이 요건의 데이터 품질 개선과 바로 이어집니다.

• multi-GPU 등 GPU 환경에서 모델을 학습해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  3명 내외로 시작하는 팀이 데이터 수집부터 학습·평가까지 파이프라인을 직접 구축하므로, 이 요건은 학습 환경을 스스로 꾸리고 GPU 자원을 나눠 써 본 경험과 이어집니다. 여러 GPU로 음성 모델을 학습시키며 어떤 병목을 풀었는지 적어 두면 TTS/STT 성능 개선이라는 첫 과제 앞에서 바로 꺼낼 이야기가 됩니다.

• 모델 성능 개선 과정에 깊이 관여해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  공고 소개도 모델을 직접 학습시키고 성능을 개선하는 과정에 깊이 관여해 본 사람을 찾는다고 다시 적었습니다. 어떤 실험을 몇 차례 돌려 어떤 지표를 얼마나 올렸는지를 실험 순서대로 정리해 두면 1차 인터뷰의 프로젝트 설명에 바로 가져갈 수 있습니다.

3우대 사항

• 한국어·일본어 등 다국어 음성 모델을 학습해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  채널톡은 한국과 일본에서 서비스하고, 보이스 알프 발표는 한국어와 영어가 섞인 표현도 자연스럽게 발음하도록 TTS를 만들었다고 밝혔습니다. 학습해 본 언어를 이름으로 쓰면 이 우대와 바로 맞춰 볼 수 있습니다.

• 실시간(streaming) 음성 인식·합성 시스템을 구축한 경험과 ONNX, TensorRT 등 inference 최적화 경험을 우대합니다.

  이렇게 볼 수 있어요

  전화 상담처럼 실시간으로 응답해야 하는 환경에 가까운 경험입니다. 처리 지연을 얼마나 줄였는지 숫자로 적으면 비교가 쉽습니다.

• DeepSpeed, FSDP 등 분산 학습 경험을 우대합니다.

  이렇게 볼 수 있어요

  자격 요건의 multi-GPU 학습보다 큰 규모의 경험입니다. 사용한 도구 이름을 그대로 적을 수 있습니다.

• 음성 관련 논문을 구현하거나 연구해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  이 팀은 연구 로드맵을 직접 설계하고 이후 경량 LLM과 라우팅 모델까지 탐색할 계획이라, 이 우대는 논문을 서비스 모델로 옮겨 본 경험을 염두에 둔 것으로 짐작됩니다. 구현한 논문이 음성 품질이나 추론 지연 시간을 실제로 바꿨다면 그 수치까지 적어야 이 팀에 필요한 이야기가 됩니다.

• 오픈소스 음성 모델에 기여해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  기여한 모델이 TTS인지 STT인지, 고친 부분이 학습 코드인지 추론 최적화인지에 따라 이 팀의 첫 과제와 이어지는 정도가 달라집니다. 턴 감지 모델과 한국어 상담용 TTS를 자체 개발했다는 회사 발표를 보면 음성 모델 내부를 직접 고쳐 본 기여가 특히 쓸모 있습니다.

• 경량 LLM이나 특화 모델을 연구해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  팀이 다음으로 넓히려는 방향입니다. 음성 밖의 모델이라도 작은 모델을 특정 문제에 맞춰 학습시킨 경험이라면 함께 적어 둘 가치가 있습니다.

4기타 사항

• 게시일 : 2026년 3월 4일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 논현로 508, 8층(역삼동, GS타워) (추정)
• 경력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• PyTorch
• DeepSpeed
• FSDP
• ONNX
• TensorRT

전형과 지원

분석 시점 한국 공고의 전형은 서류전형, 1차 면접, 2차 면접, 최종 합격 네 단계가 가장 많았고, 직군에 따라 3차 면접이나 과제 전형, 일부 개발 공고의 온라인 사전 기술 인터뷰, Data Analyst와 Japan Product Specialist 공고의 콜 인터뷰가 더 있었습니다. 45건 가운데 40건이 전형 설명에 컬처핏이나 채널팀 문화와의 적합성 확인을 적었습니다.

지원 전 준비할 것

1. 1

   학습한 모델 목록

   TTS·STT 가운데 직접 학습시킨 모델을 데이터 규모, GPU 환경, 평가 지표, 적용한 서비스로 나눠 정리해 두세요.

2. 2

   음성 품질 평가 방식

   업무에 음성 품질을 정량적으로 평가하는 일이 있습니다. 자연스러움과 발음 정확도를 어떤 방법으로 쟀는지 설명할 수 있게 준비하세요.

3. 3

   기술 블로그 확인

   채널톡 기술 블로그에는 자체 모델로 상담 분석 비용을 줄인 글과 보이스 알프의 턴 감지 모델 개발기가 있습니다. 팀이 지금 어떤 문제를 다루는지 미리 읽어 두면 인터뷰에서 질문할 거리가 생깁니다.