[위프(WHIF)] Tech-AI Researcher

캐릭터 품질의 한계를 기술로 밀어내고, 그 결과를 팀의 지식으로 남깁니다.

• 파인튜닝 — SFT부터 DPO, RLHF, GRPO 등 Preference Optimization까지 적용하고 효과를 검증

• LLM 품질 컨트롤 — 캐릭터성, 기억력, 문체를 정량 지표로 정의하고 개선

• 프롬프트 엔지니어링 — 모델 변경 없이 밀어낼 수 있는 한계까지 밀어내기

• 비용 감축 — Quantization, Knowledge Distillation 등으로 같은 품질을 더 싸게

• 기술 인사이트 제공 — 모델 오케스트레이션과 서빙 전략에 대한 판단 근거 제시

• 인접 모달리티 탐구 — diffusion(이미지), TTS, STT가 우리 제품에 무엇을 더할 수 있는지

• 지식 자산화 — 재현 가능한 eval과 문서로 결과를 남기고 Product Engineer에게 핸드오프

• LLM 파인튜닝 경험 — SFT 이상, Preference Optimization 계열 중 하나 이상 적용해본 경험

• 무엇을 왜 실험할지 스스로 정의하고, 결과를 정량 지표로 검증해본 경험

• Python과 PyTorch로 학습·평가 파이프라인을 직접 구현하고 개선해본 경험

• 모델 품질을 재현 가능한 수치로 만드는 eval을 설계해본 경험

• DPO, RLHF, GRPO 등 Preference Optimization을 실제 서비스에 적용해본 경험

• Quantization, Knowledge Distillation 등 경량화·비용 감축 경험

• FSDP, DeepSpeed, Slurm 등으로 멀티 클러스터 분산 학습을 진행한 경험

• diffusion, TTS, STT 등 인접 모달리티를 탐구하거나 프로젝트로 다뤄본 경험

• 캐릭터성, 페르소나 일관성, 장기 기억 등 대화 품질 문제를 다뤄본 경험

• 멀티 모델 오케스트레이션(라우팅, 폴백, A/B 실험)과 서빙 전략에 대한 이해

• NeurIPS, ICML, ICLR, ACL, EMNLP 등 주요 학회 1저자 논문 또는 Kaggle 등 대회 수상

• Hugging Face, vLLM, DeepSpeed 등 AI/ML 오픈소스에 기여한 경험

• 기술 블로그나 사내 문서로 지식을 남기고 다른 사람이 재현하게 만들어본 경험

1. 서류 전형 — 지원서 및 포트폴리오 검토

2. 콜 스크리닝 (30분) — 간단한 유선 사전 인터뷰

3. 실무 인터뷰 (60분) — 직무 역량 및 전반적인 실무 인터뷰

4. 문화 인터뷰 (60분) — 회사 문화 적합성(컬처핏) 인터뷰

5. 처우 협의 — 최종 합격자 대상 연봉 및 처우 협의