ML Engineer (Home 추천)

합류하게 될 팀에 대해 알려드려요 MLE(Home 추천)은 토스의 Home Tribe에서 앱 내 다양한 콘텐츠, 서비스, 프로모션, 메시지의 추천 전략을 머신러닝 기반으로 최적화하는 역할을 해요. 토스 홈 상단, 송금 완료 후 배너, 푸시 메시지 등 사용자와의 다양한 접점에서 어떤 콘텐츠가 어떤 맥락에서 효과적인지를 정교하게 모델링하고, 실제 추천 결과를 지속적으로 개선하고 있어요. 다양한 영역의 추천 품질을 높이기 위해, 정량적 성과 예측과 정교한 노출 전략 설계에 집중하고 있어요. **토스 데이터 조직에 대해 더 알아보고 싶다면?** [→ *토스 Data Division 위키*](https://recruit-data-division.oopy.io/)합류하면 함께 할 업무에요 토스 앱의 여러 추천 인벤토리에서 노출되는 콘텐츠, 서비스, 프로모션을 위한 추천 모델을 설계, 개선해요. 사용자 행동, 시간, 맥락 등을 바탕으로 적절한 추천과 반응 예측(CTR 등)을 위한 모델을 설계해요. 추천 성능을 높이기 위한 피처 발굴, 실험 설계, 성능 평가 등의 반복적인 추천 시스템 개선 작업을 수행해요. 다양한 추천 영역과 푸시 메시지 등에 대해 유저 반응을 기반으로 노출 전략을 최적화하고, 실제 성과를 정량적으로 측정해요.이런 분과 함께하고 싶어요 추천 시스템, 랭킹, 개인화 모델링 등 사용자-콘텐츠 매칭 문제를 실무에서 다뤄본 경험이 있으신 분이 필요해요. CTR 예측, 사용자 반응 예측, 랭킹 모델링을 설계하고 실험해 본 경험이 있는 분이 필요해요. 사용자 행동 데이터를 활용한 피처 엔지니어링 및 모델 성능 개선 경험이 있는 분이 필요해요. PyTorch, TensorFlow, LightGBM 등 주요 ML 프레임워크를 활용한 실전 경험이 있는 분이 필요해요. 반복적인 실험과 정량 분석을 통해 실제 서비스 성과를 개선한 경험이 있는 분이면 좋아요. 다양한 직군과의 협업 속에서도 문제를 명확히 정의하고 기술적으로 설명할 수 있는 분이면 좋아요.이력서는 이렇게 작성하시는 걸 추천해요 진행했던 프로젝트가 조직에 큰 영향력을 미쳤다면 그 내용을 자세히 작성해 주세요. 모델링 중심 프로젝트에서 본인이 정의한 문제, 선택한 접근법, 실험 방법과 성능 개선 내용을 구체적으로 적어주세요. 반복적인 실험과 성능 분석을 통해 정량적으로 문제를 해결한 과정이 있다면 강조해 주세요.토스로의 합류여정 서류 접수 > 1차 직무 인터뷰 (코딩) > 2차 직무 인터뷰 > 문화적합성 인터뷰 > 레퍼런스 체크 > 처우 협의 > 최종 합격 1차 직무 인터뷰에서는 간단한 코딩 테스트, 이력 체크, ML 기초 지식 테스트가 진행될 예정이에요. 2차 직무 인터뷰에서는 심층 기술 면접과 ML 시스템 설계를 주제로 면접이 진행될 예정이에요.함께할 동료를 위한 한마디"단순한 모델링만 하는 것이 아닌, 비즈니스에 임팩트를 내는 역할이에요." 토스에서 가장 만족스러운 것은 모델링 그 이상을 한다는 거예요. 이전에는 주어진 모델에 데이터를 넣고 성능을 평가하는 것이 전부였는데, 지금은 집계되지 않는 데이터를 어떻게 모델에 녹여낼 수 있을지 고민하고 있어요. 금융 관련 데이터로만 분석과 모델링 하는 것에 나아가, 유저에 대한 이해를 바탕으로 슈퍼 앱을 운영하는데 임팩트를 내는 데 기여할 수 있어 보람차요!