이 자리가 왜 생겼을까요
공고는 이 조직의 목적을 비용에서 출발해 설명합니다. 모델 파트는 '토스가 외부 상용 LLM에 의존하던 고비용 유스케이스를 직접 학습한 모델로 내재화하는 일'을 하고, 장기적으로는 Open weights LLM을 기반으로 한국어와 토스 도메인 역량을 강화하면서 사내 데이터를 반영하는 continual learning 체계를 만드는 것이 목표라고 밝혔습니다. 분석 시점 채용 목록에서도 ML 분야 공고는 27건으로 백엔드 공고 31건에 가까웠습니다. 상용 API를 쓰던 기능을 직접 학습한 모델로 바꿔 본 경험이 있다면 바꾼 뒤 품질과 비용이 각각 어떻게 달라졌는지 이력서에 함께 적는 것이 좋습니다.
토스가 지금 어떤 사업에 집중하고 있는지는 토스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
토스의 실제 서비스 데이터를 학습용 고품질 데이터셋으로 구축합니다.
이렇게 볼 수 있어요
공개 데이터셋이 아니라 토스의 실제 서비스 데이터로 학습 데이터를 만듭니다. 데이터 정제와 분포 탐색을 실험하고 재현 가능한 파이프라인까지 만들라고 적혀 있어 데이터 작업을 한 번으로 끝내지 않고 반복해 다듬은 사례가 필요합니다.
Post-training과 continual learning을 위한 학습 파이프라인을 탐색합니다.
이렇게 볼 수 있어요
사전학습이 아니라 후속 학습이 범위입니다. SFT·DPO·RL·LoRA 같은 기법을 상황에 맞게 고르는 판단이 핵심으로 적혀 있습니다.
성능·latency·비용 제약을 동시에 만족하는 학습 전략을 찾습니다.
이렇게 볼 수 있어요
성능과 latency, 비용을 한 학습 전략 안에서 함께 맞춰야 합니다. 셋 가운데 무엇을 양보하고 무엇을 지켰는지 설명할 수 있는 사례가 이 업무에 가깝습니다.
실제 성능과 범용 성능을 함께 보는 benchmark를 구축합니다.
이렇게 볼 수 있어요
같은 토스의 ML Engineer (OCR) 공고도 자체 Document AI Benchmark로 신규 모델과 VLM 릴리즈를 정확도·속도·할루시네이션·비용 기준으로 상시 평가합니다. 이 공고의 benchmark는 토스 서비스의 실제 성능과 범용 성능을 한 번에 다룹니다. 벤치마크를 직접 설계해 봤다면 우대가 아니라 이 업무의 경험으로 적을 수 있습니다. 무엇을 '실제 성능'으로 정의했는지가 설계의 중심입니다.
2자격 요건
LLM이나 VLM을 직접 학습해 실제 문제를 개선해 본 경험이 필요합니다.
이렇게 볼 수 있어요
공고가 '데이터 생성-학습-평가로 이어지는 사이클을 돌려보신 분'이라고 범위를 분명히 적었습니다. 한 단계만 맡아 본 경험으로는 부족합니다.
실험을 설계하고 결과를 정량적으로 분석하는 데 능숙해야 합니다.
이렇게 볼 수 있어요
가설을 스스로 정의했는지를 함께 봅니다. 지시받은 실험을 수행한 이력과 구분해 적어야 합니다.
모델링 사이클을 빠르게 돌리기 위해 학습 파이프라인을 최적화해 본 경험이 필요합니다.
이렇게 볼 수 있어요
모델 성능보다 실험을 반복하는 속도를 묻습니다. 실험 한 번에 걸리던 시간을 줄여 본 적이 있다면 줄이기 전후의 시간을 함께 적어야 합니다.
SFT, DPO, RL, LoRA, Quantization 같은 post-training 기법에 익숙해야 합니다.
이렇게 볼 수 있어요
공고는 이 기법들을 아는 데서 그치지 않고 상황에 맞게 고르는 판단을 중요하게 적었습니다. 업무에는 성능·latency·비용 제약을 함께 맞추는 학습 전략이 있습니다. 그래서 추론 비용과 지연을 줄이는 Quantization과 학습 비용을 줄이는 LoRA가 정렬 기법과 한 목록에 있습니다. 어떤 제약 때문에 그 기법을 골랐고 결과가 어땠는지를 함께 적어야 고른 이유가 설명됩니다.
3우대 사항
DeepSpeed, FSDP, Megatron 같은 분산 학습 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
자격 요건이 모델링 사이클을 빠르게 돌리려고 학습 파이프라인을 최적화해 본 경험을 요구합니다. 분산 학습은 그 속도를 내는 수단입니다. DeepSpeed·FSDP는 파라미터와 옵티마이저 상태를 여러 GPU에 나눠 싣고, Megatron은 텐서·파이프라인 병렬화까지 다룹니다. 쓴 프레임워크와 모델 크기·GPU 수, 그 선택으로 줄인 학습 시간을 적으면 학습 규모가 드러납니다.
Synthetic data 생성 파이프라인을 설계하고 품질이 성능에 미치는 영향을 분석해 본 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
업무 첫 항목은 토스의 실제 서비스 데이터로 학습용 데이터셋을 만드는 일입니다. 외부 상용 LLM이 하던 기능을 옮기는 내재화에서는 실제 데이터가 부족한 구간을 합성 데이터로 채우는 방식이 흔합니다. 합성 데이터의 품질 조건을 바꿔 가며 성능 변화를 비교한 결과가 있다면 이 우대에 쓸 사례가 됩니다.
LLM evaluation이나 benchmark를 직접 설계하고 자동화한 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
같은 토스의 AI Engineer (Ads) 공고는 AI 생성물의 평가셋 설계와 회귀 모니터링을 우대합니다. 이 공고는 benchmark 구축을 업무로 두고, LLM evaluation 설계와 자동화는 우대 사항으로 꼽았습니다. 평가를 자동화해 실험마다 돌려 봤다면 무엇을 측정했고 그 결과로 어떤 실험을 그만뒀는지까지 적으면 평가가 실제 결정에 쓰였다는 점이 분명해집니다.
금융·의료·법률·커머스 같은 특정 도메인 데이터로 domain-adapted model을 학습해 배포한 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
팀 목표가 Open weights LLM에 한국어와 토스 도메인 역량을 더하고 사내 데이터를 반영하는 continual learning 체계라서, 특정 도메인 데이터로 모델을 맞춰 배포해 본 경험은 그 목표의 축소판입니다. 어느 도메인이었든 범용 성능을 얼마나 지켰는지 기록이 있다면 실제 성능과 범용 성능을 함께 보는 benchmark 업무와도 연결됩니다.
transformers나 vLLM 같은 오픈소스에서 발생한 이슈를 해결하거나 기여해 본 경험이 있으면 좋습니다.
이렇게 볼 수 있어요
이력서 안내도 같은 오픈소스 기여 경험을 다시 요청합니다. transformers는 학습, vLLM은 서빙에서 주로 쓰는 라이브러리라 학습한 모델을 latency·비용 제약 안에서 서비스에 올리는 업무와 이어집니다. 이슈나 PR이 있다면 링크와 함께 어떤 문제를 겪어 무엇을 고쳤는지 적을 수 있습니다.
4기타 사항
- 게시일 : 2026년 6월 9일
- 고용형태 : 정규직
- 근무지 : 서울특별시 강남구 테헤란로 142 (역삼동, 아크플레이스) (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.
- LLM
- VLM
- SFT
- DPO
- RL
- LoRA
- Quantization
- DeepSpeed
- FSDP
- Megatron
- transformers
- vLLM
전형과 지원
토스커뮤니티는 합류 여정을 한 페이지로 공개해 두었습니다. 공통 골격은 같지만 계열사와 공고에 따라 단계가 더해지거나 빠지므로, 공고 페이지에 적힌 단계를 함께 확인해야 합니다.
기본 다섯 단계
지원서 접수, 직무 인터뷰, 문화적합성 인터뷰, 레퍼런스 체크, 처우 협의와 합류 결정 순입니다. 안내에는 '포지션에 따라 사전 과제/ 전화 인터뷰 등의 전형이 추가될 수 있어요'라고 적혀 있습니다.
이렇게 볼 수 있어요
공고마다 앞 단계가 다르므로 일정을 잡을 때 공고 페이지를 먼저 봐야 합니다. 같은 계열사 안에서도 사전 과제가 붙은 공고와 없는 공고가 섞여 있습니다. 토스뱅크 Customer Success Specialist(계약직)와 토스 Financial Data Analyst (FP&A) 공고는 레퍼런스 체크와 처우 협의 없이 문화적합성 인터뷰 뒤 바로 최종 합격으로 갑니다. 토스씨엑스 B2C 패션몰 단순문의 상담원 공고는 서류접수 뒤 단순 화상 인터뷰 한 번을 거쳐 최종합격으로 갑니다. 둘 중 하나만 빠진 공고도 있습니다. 토스증권 Executive Assistant 공고는 레퍼런스 체크 뒤 처우 협의 없이 최종 합격으로 갑니다. Category MD (신선식품 Unit Leader - 과일, 채소), Category MD (뷰티), Category MD (가공식품), Category MD (생활 - 가구/홈데코/주방용품), Search Quality Operations Manager, 토스인슈어런스 Commission Manager 공고는 처우 협의가 레퍼런스 체크보다 먼저 옵니다.
문화적합성 인터뷰가 따로 있다
'인터뷰어는 토스의 핵심가치를 누구보다 잘 이해하고 있는 동료들로 구성되어 있어요'라고 적혀 있고, '지원자를 검증하기 위해 일방적으로 질문을 던지는 것이 아니라, 토스커뮤니티 문화에 대해 서로 진솔한 대화를 나누는 방식으로 진행해요'라고 설명합니다.
이렇게 볼 수 있어요
직무 경험만 준비하면 한 단계를 비워 두게 됩니다. 팀 문화 페이지의 열두 항목 가운데 본인 경험으로 이야기할 수 있는 것을 골라 사례를 미리 정리해 두면 이 단계에서 꺼낼 것이 생깁니다. 토스씨엑스 B2C 패션몰 단순문의 상담원처럼 이 단계 없이 단순 화상 인터뷰 한 번으로 끝나는 공고도 있습니다.
인터뷰는 전부 온라인이다
'모든 인터뷰는 온라인(Google Meet/ Zoom)으로 진행하고 있어요'라고 적혀 있고 '최대한 1:1 커뮤니케이션을 지향'한다고 밝혔습니다. 인터뷰어는 '합류하신다면 가장 많은 협업을 하게 되실 동료들'입니다.
이렇게 볼 수 있어요
이동 시간이 들지 않아 재직 중에도 일정을 잡기 쉽습니다. 안내가 조용한 개인 공간과 이어폰 사용을 권하고 있으므로 환경을 미리 확인해 두는 편이 좋습니다.
지원서는 자유 양식이다
'지원자분의 역량을 최우선적으로 검토하기 위해 자유 양식의 지원서를 받고 있어요'라고 적혀 있습니다. 개발 직군은 '기술 숙련도를 파악하기 위해 이력서 상에 기술 스택을 꼭 작성해 주세요'라는 요구가 따로 붙습니다.
이렇게 볼 수 있어요
정해진 문항이 없으므로 무엇을 보여 줄지 직접 정해야 합니다. 안내는 경험을 나열하기보다 '임팩트와 러닝 포인트'를 적으라고 했고, 주민등록번호와 자택 주소, 연봉은 필수가 아니라고 밝혔습니다. 제출은 PDF를 권합니다.
계열사 간 중복 지원이 된다
'원하는 포지션이라면 계열사 간 중복 지원도 가능해요'라고 적혀 있습니다. 토스, 토스뱅크, 토스페이먼츠, 토스인슈어런스, 토스증권, 토스씨엑스 등이 함께 열거돼 있습니다.
이렇게 볼 수 있어요
같은 직무를 여러 계열사가 채용하고 있을 때 하나만 고를 필요가 없습니다. 다만 계열사마다 도메인이 다르므로 지원서의 강조점은 각각 맞추는 편이 낫습니다.
이 공고만 다른 점
서류 접수 다음이 바로 직무 인터뷰이고, 그 주제가 미리 공개돼 있습니다.
공고가 직무 인터뷰는 심층 기술 면접과 ML 시스템 설계를 주제로 진행한다고 밝혔습니다. 기술 깊이와 시스템 설계를 한 단계에서 함께 물으므로 두 가지를 모두 준비해야 합니다.
지원 전 준비할 것
- 1
모델 적용 전후 지표를 준비합니다
이력서 안내가 '모델 적용 전후의 정량 지표가 있다면 좋아요'라고 적었습니다. 성능뿐 아니라 비용이나 지연 시간 변화가 있으면 팀의 목표와 바로 이어집니다.
- 2
실패한 시도를 한 건 남깁니다
안내가 '잘 안 됐던 시도와 거기서 얻은 결론도 환영해요'라고 명시했습니다. 핵심가치의 빠른 실패와 이어지는 자리라 버리지 않는 편이 좋습니다.
- 3
ML 시스템 설계를 말로 풀어 봅니다
직무 인터뷰 주제가 심층 기술 면접과 ML 시스템 설계로 공개돼 있습니다. 학습·서빙·평가를 잇는 구조를 그림 없이 설명할 수 있게 정리해 두면 그대로 쓰입니다.