스캐터랩 ML Researcher 의 이야기를 담았어요.

스캐터랩 ML Resercher 들은 어떤 문제들을 풀고 있을까요?

https://blog.scatterlab.co.kr/104253

https://blog.scatterlab.co.kr/유저와-함께-만드는-llm-제타에-preference-optimization-도입하기-17213

회사 및 제품 소개 : 스캐터랩 및 제타

스캐터랩은 AI 엔터테인먼트 플랫폼 ‘제타’를 만드는 회사입니다. 제타는 유저가 주인공이 되어 AI와 함께 캐릭터, 세계관, 상황을 실시간으로 만들어가는 스토리 기반 엔터테인먼트 서비스입니다. 정해진 콘텐츠를 수동적으로 소비하는 것이 아니라, 유저가 선택하고 개입하며 자신만의 이야기를 능동적으로 써 내려갑니다.

제타는 한국과 일본에서 이미 업계 1위를 차지하고 있으며, 그 격차는 계속 벌어지고 있습니다. 전체 매출의 60% 이상이 해외에서 발생하고 있으며, 일본 유저의 주간 평균 사용시간은 27시간에 달합니다. 최근 미국에도 서비스를 출시하여 다양한 문화권의 유저들이 제타의 스토리 경험을 즐기고 있습니다.

스캐터랩은 한국과 일본에서 축적한 성공 경험을 바탕으로, 글로벌 시장에서 AI 엔터테인먼트의 새로운 기준을 만들어가고자 합니다.

포지션

소개스캐터랩의 ML Researcher는 자체 모델로 유저들에게 최고의 엔터테인먼트 경험을 선사합니다. 서비스를 하며 축적된 데이터를 바탕으로 벤치마크가 아닌 유저의 몰입을 극대화하기 위하여 모델을 개선하며 이는 다시 서비스의 성장과 양질의 데이터 축적으로 이어집니다. 이 선순환을 위해 데이터 수집, 정제, 학습, 평가 파이프라인을 철저하게 관리합니다.

최고의 모델을 위하여 항상 최신 연구 동향에 관심을 가지고 따라가야 하지만 대체로 그대로 적용하기는 어렵습니다. 정답이 없는 AI 엔터테인먼트에서 유저의 의도와 욕구을 잘 이해하고 최신 연구 기법들을 우리 도메인에 잘 녹여내는 것이 리서처의 중요한 역할입니다.

유저들의 행동 패턴을 연구하여 모델 개선 시그널을 찾아내고 나아가 좋은 시그널을 수집할 수 있는 기능을 고민하기도 합니다.이 모든 과정은 한국어 뿐만 아니라 일본어, 영어 등 다양한 언어에 대해 적용 가능해야 합니다. 이를 위해 효율적인 파이프라인이 필요할 뿐만 아니라 여러 문화권의 유저에 대한 이해도 필요합니다.스캐터랩의 ML Research 인턴 포지션은 서비스 데이터를 활용하여 실제 유저들에게 배포되는 모델들의 학습과 실험 과정에 직접 기여하게 됩니다.

주요 업무

ML Research 인턴은 모델팀에 소속됩니다. 모델팀은 현재 다음과 같은 프로젝트들을 수행하고 있으며 논의를 통해서 이 중 하나 이상의 프로젝트에 참여할 수 있습니다.

글로벌 모델 학습

• 한국, 일본, 미국을 넘어 새로운 국가로 확장하고 있는 제타에서 국가별 최적의 모델을 효율적으로 학습하고 운영할 수 있는 학습 인프라를 설계합니다. 또한, 여러 국가에서 동시에 발생하는 문제(대화 품질 저하, 특정 언어 회귀, 페르소나 붕괴 등)들 중 사용자 경험에 실제로 영향을 주는 문제를 선별하고, 데이터·학습·아키텍처 관점에서 원인을 규명해 해결합니다.

Trillion-scale MoE 모델 학습및 서빙

• Trillion-scale MoE 모델의 학습 안정성과 서빙 효율을 확보하기 위해 최신 Mixture-of-Experts 아키텍처를 연구하고, routing 및 expert load balancing, distributed training, inference optimization 등 대규모 모델 학습·서빙 기술을 연구·개발합니다.

실사용자 행동 데이터 기반 선호도 학습

• zeta 실사용자의 행동 데이터를 피드백 신호로 활용하여 사용자 선호에 맞는 모델을 학습합니다. 대화 지속 시간, 재방문, 리텐션 등 실제 서비스 지표와 연결되는 피드백 데이터를 정의하고, 이를 강화학습 방법론에 적용합니다. 최근에는 장기적인 engagement를 높이기 위한 reward model을 설계하고, 복수의 reward signal을 함께 활용할 수 있는 GDPO 기반 학습 전략을 탐색합니다.

모델 평가

• 방법 설계신뢰도가 높지만 후행적인 A/B 테스트를 보완할 수 있는 선행적이고 제품 최상위 지표에 정렬된 평가 방법을 설계하여 모델 개선 사이클의 속도를 높입니다. 온라인 A/B 결과와 높은 상관성을 유지하면서도 더 빠르게 결과를 파악할 수 있는 보다 선행적인 온라인 평가 방법론을 탐색합니다.

필수 역량

• 기계학습 및 딥러닝의 기본 개념을 이해하고, 이를 바탕으로 문제를 정의하고 해결 방향을 제시할 수 있는 분
• 데이터 정제부터 학습, 평가, 결과 검증까지의 딥러닝 모델 학습 파이프라인 전반을 직접 경험하신 분
• 모델 성능 개선에 그치지 않고, AI 기술을 실제 제품에 적용하여 사용자 경험 개선으로 연결하는 과정에 관심이 깊은 분

우대 역량

• NeurIPS, ICML, ICLR, CVPR, ICCV, ACL, EMNLP 등 주요 인공지능 학회에 논문을 게재한 경험이 있으신 분
• 실제 유저 대상 제품을 개발·운영하며, 서비스 환경에서 발생하는 제약과 요구사항을 반영해 모델 또는 제품을 개선해본 경험이 있으신 분

채용 프로세스

서류 전형 -> 직무 과제 -> 직무 면접 -> 컬처핏 티타임 -> 처우 협의 ->최종 합격