직무 소개
비전과 언어 전반에 걸쳐 딥러닝 모델을 처음부터 끝까지 학습시키고 개선해 본 실무 경험을 갖춘 숙련된 머신러닝 연구자를 찾고 있습니다. 귀하는 범위가 잘 정의된 경험적 개방형 ML 연구 문제를 다루게 됩니다.
담당 업무
- 이미지 분류기와 생성형 이미지 모델을 처음부터 학습시키고, 오픈 웨이트 언어 모델을 파인튜닝합니다.
- 제한된 데이터, 컴퓨팅, 모델 크기 예산에서 최대한의 성능을 이끌어냅니다.
- 적대적 입력과 적대적 대화에 대해 모델을 견고하게 만듭니다.
- 정확도를 희생하지 않으면서 엄격한 크기 및 지연 시간 제약을 충족하도록 모델을 압축합니다.
- 학습 문제를 진단하고 해결합니다.
자격 요건
다음 분야 중 하나 이상에서 탄탄한 전문성을 갖춘 지원자를 찾고 있습니다.
적대적 견고성(Adversarial Robustness)
다음 경험:
- 이미지 분류기의 적대적 학습(예: PGD 기반 학습, TRADES).
- 표준 위협 모델(예: L∞ 공격, AutoAttack) 하에서의 견고한 정확도 평가 및 그래디언트 마스킹(gradient-masking)의 함정 회피.
- 견고성-정확도 트레이드오프 및 견고한 과적합(robust overfitting) 관리.
효율적인 컴퓨터 비전(Efficient Computer Vision)
다음 경험:
- 특히 세분화된 인식(시각적으로 유사한 클래스가 많고 클래스당 예제가 적은 경우)을 위한 이미지 분류기의 엔드투엔드 학습.
- 모델 압축: 양자화, 가지치기(pruning), 대형 교사 모델에서 소형 학생 모델로의 지식 증류.
- 엄격한 크기 또는 지연 시간 예산 하에서의 모델 배포(온디바이스, 엣지 또는 임베디드 환경).
생성형 이미지 모델링(Generative Image Modeling)
다음 경험:
- 이미지 생성 모델을 처음부터 학습시키는 일: 확산 모델, GAN, VAE 또는 플로우 기반 모델.
- FID와 같은 샘플 품질 지표를 기준으로 반복 개선.
- 좋은 생성기를 적은 파라미터 수로 빠르게 만들어내는 학습 효율화 기법.
LLM 사후 학습 및 행동 견고성(LLM Post-Training & Behavioral Robustness)
다음 중 하나 이상에 대한 실무 경험:
- 합성 데이터 생성, 노이즈가 있거나 약한 지도(weak supervision), 거부 샘플링(rejection sampling)을 통한 자체 데이터셋 구축을 포함한, 오픈 웨이트 언어 모델의 지도 파인튜닝 및 선호도 최적화(DPO, RLHF, RLAIF).
- 여러 턴에 걸친 대화 행동 형성: 설득과 아첨(sycophancy)에 대한 저항, 보정된 확신, 정정을 수용해야 할 때를 아는 것.
- 일반 역량을 유지하면서 특정 행동을 바꾸는 정렬(alignment) 방식의 파인튜닝.
다국어 사전 학습(Multilingual Pre-training)
다음 경험:
- 다국어 또는 저자원 언어 모델을 처음부터 학습시키는 일.
- 다양한 문자 체계와 유형론적으로 다양한 언어 전반에 걸친 토크나이저 설계.
- 데이터가 제한된 환경에서 언어별 데이터의 심한 불균형을 조정(샘플링 온도, 교차 언어 전이).
추가 관심 분야
다음 중 어느 분야든 경험이 있으면 우대합니다.
- 스케일링 법칙 및 학습 효율 연구.
- 커리큘럼 학습 및 데이터 순서 설계.
- 모델 평가: 벤치마크 구축, 오염(contamination) 통제, 통계적으로 타당한 비교.
- 불확실성 추정 및 모델 보정(calibration).
- 견고성을 위한 데이터 증강 및 합성 데이터.
일반 자격 요건
- 머신러닝 연구 경력 3년 이상 (박사 과정 연구도 이 요건에 포함됩니다).
- PyTorch, JAX, TensorFlow 또는 유사한 ML 프레임워크에 대한 풍부한 경험.
- 상위 100 대학교 학위, FAANG 또는 이에 준하는 AI 기업에서의 경력, 또는 논문 게재나 영향력 있는 오픈 소스 기여를 통한 이에 상응하는 연구 실적.
합류해야 하는 이유
- 최첨단 머신러닝 연구를 수행합니다.
- 선도적인 AI 연구자들과 함께 도전적이고 파급력이 큰 프로젝트에서 협업합니다.
- 경쟁력 있는 보상이 따르는 유연한 프로젝트 기반 업무.