이 자리가 왜 생겼을까요
미리캔버스 AI 모델 연구팀은 디자인 도메인에 특화된 검색 AI와 Agentic AI 기술을 연구·개발하며, 외부 LLM/API에 의존하던 Query Rewriting, Planning, Tool Calling, Reranker 기능을 서비스 요구사항에 맞는 자체 모델로 전환하고 있다고 공고에서 소개합니다. 미리디 에디터팀 리드는 2026년 7월 테크M 인터뷰에서 AI 에이전트를 활용한 자동 품질 관리 영역까지 확장하고 있다고 말했고, 같은 보도는 미리디가 3000만 건 이상의 템플릿과 디자인 자산, 사용자 행동 데이터로 디자인 특화 AI 엔진을 자체 개발했다고 전했습니다. 이 공고의 엔지니어는 Search Agent의 핵심 컴포넌트를 자체 모델로 바꾸고 품질, latency, 비용을 함께 개선합니다. 상용 API로 만든 기능을 직접 학습한 모델로 대체해 본 경험이 있다면 대체 전후의 품질과 비용 수치를 함께 준비할 수 있습니다.
미리디가 지금 어떤 사업에 집중하고 있는지는 미리디 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
사용자의 텍스트, 이미지, 디자인 맥락을 이해하고 검색 의도에 맞는 쿼리로 변환하는 모델을 개발합니다.
이렇게 볼 수 있어요
입력이 텍스트만이 아니라 이미지와 편집 중인 디자인까지 포함됩니다. 멀티모달 입력을 받아 검색 쿼리를 다시 쓰는 모델을 만들어 봤다면 입력 종류마다 처리 방식을 어떻게 달리했는지가 이 업무의 중심입니다.
검색 계획 수립, Tool 선택 및 실행, 재검색 등을 수행하는 Search Agent Workflow를 설계하고 고도화합니다.
이렇게 볼 수 있어요
합류 후 1개월 차에 Search Agent의 현재 구조와 주요 시나리오를 파악하는 것이 기대 역할로 적혀 있어, 이미 돌아가는 Agent를 이어받아 고도화하는 일입니다. 결과가 부족할 때 재검색을 거는 조건을 설계해 본 경험이 있다면 그 판단 기준을 설명할 수 있습니다.
Embedder, Reranker 등 검색 모델을 개발하고 검색 결과의 정확도와 관련성을 개선합니다.
이렇게 볼 수 있어요
테크M 보도에 따르면 미리디는 3000만 건 이상의 템플릿과 디자인 자산, 사용자 행동 데이터를 바탕으로 디자인 특화 AI 엔진을 자체 개발했습니다. 이미지와 텍스트가 섞인 자산을 임베딩하고 재정렬해 본 경험이 있다면 다룬 자산 규모와 지표 변화를 함께 밝힐 수 있습니다.
외부 LLM/API 기반 핵심 기능의 자체 모델화를 위한 학습 데이터 구축, 모델 학습 및 평가를 수행합니다.
이렇게 볼 수 있어요
3개월 차 기대 역할에 자체 모델 전환을 위한 학습 데이터와 평가 기준 정의가 있습니다. 상용 API의 기능을 직접 학습한 작은 모델로 대체해 본 경험이 있다면 품질을 얼마나 유지했고 지연 시간과 비용이 얼마나 줄었는지를 숫자로 밝혀 두는 게 좋습니다.
Evaluation Agent 및 자동 평가 체계를 구축하고 검색 품질과 Tool Calling 정확도, Latency 및 비용을 개선합니다.
이렇게 볼 수 있어요
품질과 함께 속도와 비용이 개선 대상입니다. 자동 평가 결과를 사람 평가와 대조해 본 경험이 있다면 두 평가가 어긋난 지점을 어떻게 다뤘는지 설명할 수 있습니다.
사용자 프로필, 선호도 및 디자인 맥락 등의 Memory를 활용해 검색 결과와 Search Agent의 응답을 개인화하는 모델을 개발합니다.
이렇게 볼 수 있어요
같은 검색어라도 사용자에 따라 다른 결과를 내는 일입니다. 추천이나 개인화 검색에서 사용자 이력을 모델 입력으로 써 본 경험이 이 업무의 출발점입니다.
합성 페르소나 데이터셋을 활용해 다양한 사용자 특성을 반영한 개인화 학습 및 평가 데이터를 구축합니다.
이렇게 볼 수 있어요
가상의 사용자 특성을 만들어 학습과 평가 데이터를 늘리는 방식입니다. 합성 데이터를 만들 때 실제 사용자 분포와 어긋나지 않게 점검해 본 경험이 이 업무와 맞습니다.
2자격 요건
3년 이상의 머신러닝 모델 개발 또는 서비스 적용 경험이 필요합니다.
이렇게 볼 수 있어요
업무가 학습 데이터 구축부터 실서비스 latency 개선까지 이어지므로 모델을 만든 경력과 그 모델을 서비스에 붙인 경력을 한 프로젝트 안에서 이어서 적을 수 있습니다.
검색, NLP, Multimodal AI, LLM 가운데 하나 이상의 모델링 경험이 필요합니다.
이렇게 볼 수 있어요
업무에는 네 분야가 모두 나옵니다. 쿼리 재작성과 Tool Calling은 LLM, Embedder와 Reranker는 검색, 이미지 입력은 Multimodal 쪽이라, 가장 깊은 분야를 중심으로 쓰고 나머지를 어디까지 다뤄 봤는지 함께 밝힐 수 있습니다.
데이터셋 구축, 모델 학습, 평가 실험을 직접 수행한 경험이 필요합니다.
이렇게 볼 수 있어요
3개월 차 기대 역할이 baseline 실험과 평가, 학습 데이터와 평가 기준 정의입니다. 세 단계를 한 모델에서 직접 해 본 사례를 고르면 입사 초기에 맡을 일과 같은 순서로 설명하게 됩니다.
실험 결과를 해석하고 개선 방향을 도출하는 역량이 필요합니다.
이렇게 볼 수 있어요
3개월 차에 실험 결과로 모델 개선 방향을 제안하고 서비스 적용 가능성을 검토한다고 적혀 있습니다. 실험 결과를 보고 모델을 서비스에 올리지 않기로 한 판단까지 포함하면 해석 역량을 구체적으로 보여 줄 수 있습니다.
3우대 사항
LLM SFT, preference tuning 경험을 우대합니다.
이렇게 볼 수 있어요
업무에 외부 LLM/API 기능을 자체 모델로 바꾸는 학습이 있습니다. SFT나 preference tuning으로 쿼리 재작성이나 Tool 선택 같은 특정 작업에 맞춘 모델을 만들어 봤다면 데이터 규모와 기준 모델 대비 결과를 함께 적을 수 있습니다.
Tool Use, Planning, Agent Workflow 관련 개발 경험을 우대합니다.
이렇게 볼 수 있어요
Search Agent Workflow의 검색 계획 수립과 Tool 선택은 업무에 그대로 나옵니다. Agent가 Tool을 잘못 고른 사례가 있다면 어떻게 찾고 줄였는지를 함께 적는 편이 좋습니다.
이미지와 텍스트를 함께 다루는 Multimodal 모델 개발 경험을 우대합니다.
이렇게 볼 수 있어요
미리캔버스의 검색 대상은 템플릿과 디자인 요소이고 사용자 입력에도 이미지가 들어갑니다. 이미지와 텍스트를 함께 임베딩하는 모델을 학습하거나 미세 조정해 본 경험이 있다면 다룬 데이터와 검색 지표를 밝힐 수 있습니다.
검색 품질 평가, LLM-as-a-Judge, 자동 평가 체계 구축 경험을 우대합니다.
이렇게 볼 수 있어요
LLM-as-a-Judge를 쓸 때 판정 편향을 점검해 본 경험이 있다면 점검 방법을 업무의 Evaluation Agent와 자동 평가 체계 설계에 이어 설명할 수 있습니다.
ML 관련 Top-tier 학회 및 저널 논문 게재 경험을 우대합니다.
이렇게 볼 수 있어요
공고의 '이런 분과 함께하고 싶습니다' 절은 모델 연구에 그치지 않고 실제 서비스에서 동작하는 AI를 만들고 싶은 사람과 함께하고 싶다고 적었습니다. 논문이 있다면 그 연구가 실서비스 지표로 이어졌는지까지 함께 밝혀 두는 편이 이 팀의 관심과 맞습니다.
4기타 사항
- 게시일 : 2026년 10월 27일
- 고용형태 : 정규직(수습 3개월)
- 근무지 : 대한민국 서울특별시 구로구 구로3동 197-21, 8층
- 경력 조건 : 경력 3~5년
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
전형과 지원
미리디 전형은 네 단계이고 직군에 따라 코딩 테스트나 과제가 붙습니다. 채용 FAQ가 과거 지원과 무관하게 재지원할 수 있다고 밝혔고(공고에는 같은 포지션은 6개월 뒤 재지원 단서가 있습니다), CTO가 서류에서 무엇을 보는지도 공개돼 있습니다.
네 단계
서류전형, 1차 인터뷰, 2차 인터뷰, 최종 합격 순입니다. 1차는 "실무진과 직무별 인터뷰어가 참석하여 직무 역량을 심층 검증"하고 2차는 "리더 및 임원진이 참석하여 조직 적합도와 잠재력을 심층 검증"합니다. 최종 합격 뒤 처우 협의를 거치고 입사 후 3개월 수습 기간이 있습니다. 공고에 따라 인터뷰 전후로 레퍼런스 체크가 필수 단계로 들어가거나 추가될 수 있다고 적혀 있습니다.
이렇게 볼 수 있어요
1차와 2차에서 보는 것이 다릅니다. 1차는 공고의 업무와 자격 요건에 맞춰 준비하고, 2차는 핵심가치 세 묶음에 각각 대응하는 사례를 준비하는 편이 효율적입니다. 다만 DevOps Part Lead 공고는 2차 인터뷰를 '지원자 경력 기반의 직무 인터뷰'로 적었으므로, 지원할 공고의 기타사항에 적힌 인터뷰 설명을 함께 확인합니다.
코딩 테스트와 과제는 직군에 따라
"직군과 경력에 따라 [코딩테스트], [과제 전형]이 추가될 수 있으며, [2차 인터뷰]가 생략될 수 있습니다"라고 밝혔습니다. 코딩 테스트는 1차 인터뷰 앞에 붙습니다. 결과는 "최대 2주 내에 등록하신 이메일 주소로 개별 통보"합니다. 공고에는 서류 전형 결과 안내까지 최대 2주, 인터뷰 결과 안내까지 최대 3주가 걸린다고 적혀 있습니다.
이렇게 볼 수 있어요
단계 수가 공고마다 달라지므로 일정을 넉넉히 잡아야 합니다. 개발 직군으로 지원한다면 서류를 내는 시점에 코딩 테스트가 붙을 수 있다고 보고 준비 시간을 함께 확보해 둡니다.
다른 포지션에는 바로 다시 지원할 수 있습니다
채용 FAQ에 "미리디는 모든 인재를 잠재동료로 바라봅니다. 과거의 지원과 무관하게 재지원이 가능합니다"라고 적혀 있습니다. 여러 공고에 동시에 넣는 것도 "지원하고자 하는 직무에 대한 자격요건에 부합하시면" 가능합니다.
이렇게 볼 수 있어요
한 번 떨어진 것이 다른 포지션 지원을 막지 않습니다. 다만 여러 공고는 같은 포지션에 대해 최종 결과 안내를 받은 시점부터 6개월 뒤에 다시 지원할 수 있다고 따로 적었습니다. 컬처핏 단계 이후 1년을 제한하는 회사들과 반대 방향이라, 준비가 덜 됐더라도 먼저 넣어 보고 다음을 노리는 선택이 가능합니다.
지원서는 자유 양식이고 수정이 안 됩니다
"입사 지원서는 자유 양식입니다"라고 밝히면서 "제출한 지원서는 수정이 불가능합니다. 즉시 수정된 자료를 첨부하여 다시 지원하시면, 가장 최근 제출된 지원서를 바탕으로 검토가 이루어집니다"라고 안내합니다. 공고에는 "원활한 검토를 위해 PDF 형식으로 제출"을 요청하는 문구가 함께 적혀 있습니다.
이렇게 볼 수 있어요
고칠 기회가 없으므로 내기 전에 한 번 더 읽어야 합니다. 양식을 맞출 필요가 없는 대신 무엇을 강조할지가 온전히 선택이라, 공고의 업무 목록에 나온 일을 해 본 경험을 자세히 쓰는 편이 낫습니다.
CTO 인터뷰가 전하는 서류 기준
CTO 인터뷰 기사는 채용에서 보는 것을 "경험의 목록이 아니라, 그 경험의 깊이가 중요합니다"로 정리하고 "'무엇을 만들었다'가 아니라 '어떤 선택을 했고, 그 선택이 왜 최선이었는가'가 중요합니다"라고 전합니다. CTO는 "'그런 문제가 없었어요'라고 답하면, '그래서 그 문제를 고민도 안 하셨어요?'라고 되묻습니다"라는 예를 들었습니다.
이렇게 볼 수 있어요
쓴 기술을 늘어놓은 이력서는 이 기준에서 확인할 것이 적습니다. 프로젝트마다 갈림길 하나를 골라 어떤 선택지가 있었고 왜 그것을 골랐는지를 한 문장씩 붙여 두면 서류와 인터뷰가 같은 이야기를 하게 됩니다.
병역지정업체
미리디는 병역지정업체이고 "요건을 갖춘 경우 병무청에 편입 신청이 진행됩니다"라고 밝혔습니다. 다만 "TO 제한으로 인해 모든 지원자에게 편입을 보장해드리는 것은 어렵습니다"라는 단서가 붙습니다. 산업기능요원과 전문연구요원은 모두 "전직 요건을 갖추면 누구나 전직 지원이 가능"합니다.
이렇게 볼 수 있어요
편입 자리가 정해져 있으므로 일반 공고에 지원하면서 편입을 기대하기보다 미리 확인하는 편이 안전합니다. 실제로 일부 공고는 제목에 산업기능요원과 전문연구요원 여부를 따로 밝혀 두었습니다.
이 공고만 다른 점
서류 전형, 1차 인터뷰, 처우 협의, 입사 순으로 진행되고 2차 인터뷰는 적혀 있지 않습니다. 직무에 따라 코딩테스트나 과제 전형이, 직급에 따라 인터뷰 뒤 레퍼런스 체크 전형이 추가될 수 있습니다.
회사 공통 네 단계보다 인터뷰가 한 번 적어 직무 역량 검증이 1차 인터뷰 한 번에 몰립니다. 3개월 차 기대 역할인 baseline 실험과 평가 기준 정의를 어떻게 해 나갈지 말할 수 있게 준비해 두면 이 인터뷰에서 쓸 수 있습니다.
지원 전 준비할 것
- 1
자체 모델로 대체한 사례 하나 정리하기
업무의 중심이 외부 LLM/API 기능의 자체 모델화입니다. 대체한 기능, 학습 데이터를 만든 방법, 품질·latency·비용의 전후 수치를 한 사례로 묶어 둡니다.
- 2
평가 기준을 세운 경험 꺼내 두기
3개월 차 기대 역할에 평가 기준 정의가 있고, 업무와 우대 사항에 자동 평가 체계와 LLM-as-a-Judge가 있습니다. 직접 만든 평가셋이나 채점 기준과 그것으로 내린 결정을 사례 하나로 묶어 둡니다.
- 3
미리캔버스 검색 직접 써 보기
Search Agent는 텍스트, 이미지, 디자인 맥락을 받아 검색합니다. 미리캔버스에서 템플릿과 요소를 여러 방식으로 검색해 보고 결과가 기대와 다른 경우를 메모해 두면 1차 인터뷰의 대화 소재가 됩니다.