<회사/직무 소개>

캐릭터 품질의 한계를 밀어내는 AI Researcher를 찾습니다.
파인튜닝, 품질 컨트롤, 비용 감축 — "이게 되는가"를 정량으로 증명하는 사람.
우리가 찾는 건 논문을 많이 읽은 사람이 아니라, 실험으로 답을 내는 사람입니다.
핵심 무기는 LLM이되, diffusion·TTS·STT까지 호기심의 반경이 넓은 사람 
"LLM만 아는 사람"이 아니라 "AI를 넓게 보되 LLM에 깊은" 사람을 찾습니다.

[위프를 소개합니다]

위프(whif.io)는 유저가 직접 캐릭터를 만들고, 시나리오를 설계하고, AI 캐릭터와 몰입감 넘치는 대화를 나누는 서비스입니다. 
캐릭터가 정말 살아있는 것처럼 느끼게 만드는 것 — 그게 우리의 핵심 과제입니다. 한국과 일본을 중심으로 9개국에서 서비스하고 있습니다.
여러 LLM 프로바이더 동시 운용 + 자체 모델 호스트

[우리 팀]

누적 투자금 180억 원 (카카오벤처스, 스프링캠프 등)
2번의 EXIT을 경험하고 다시 시작하는 팀. 7개 아이템에 도전해 5번 실패하고, 2번 매각했습니다
구성원 모두가 창업자 출신, 쿠팡을 비롯한 IT 팀 출신 소수 정예
프론트엔드, 백엔드, LLM, 인프라를 한 사람이 End-to-End로 작업합니다.

[이 포지션이 지금 필요한 이유]

캐릭터가 "그 캐릭터답게" 말하는 데에는 한계선이 있습니다.
프롬프트로 밀어낼 수 있는 지점을 지나면, 그 다음은 모델 자체의 문제가 됩니다.
대화가 길어지면 인격이 흐려지고, 말투가 무너지고, 유저가 했던 말을 잊습니다.

이 한계를 밀어내려면 누군가는 제품 일정에서 한 발 떨어져
"이 기법이 우리 문제에 실제로 통하는가"를 정량으로 검증해야 합니다.
파인튜닝으로 캐릭터성을 모델에 새길 수 있는지, 유저 선호 데이터를 학습 신호로
바꿀 수 있는지, 같은 품질을 절반 비용으로 낼 수 있는지 — 답이 나와야 다음이 시작됩니다.

AI Researcher는 이 검증을 전담합니다.
그리고 검증된 접근과 그 근거를 Product Engineer에게 넘겨,
팀 전체의 AI 기술 백그라운드를 한 단계씩 끌어올립니다.

[이 포지션의 경계]

이 포지션은 PoC 전담입니다. 하는 일과 하지 않는 일이 분명합니다.

합니다
• 새로운 기법·모델을 실험해 "이게 되는가"를 정량으로 검증
• 검증된 접근과 그 근거를 Product Engineer에게 명확히 핸드오프
• 재현 가능한 eval과 문서로 결과를 팀 자산으로 남기기

하지 않습니다
• production 코드 구현과 운영
• 서비스 장애 대응, 온콜
• 기능 배포와 유지보수

이 경계는 온보딩 기간의 한시적 배려가 아니라, 트랙 자체의 정의입니다.
제품 일정에 끌려다니지 않아야 남들이 못 푸는 문제를 팔 수 있기 때문입니다.

다만 경계가 있다는 것이 벽 뒤에서 혼자 일한다는 뜻은 아닙니다.
우리 팀은 도메인 경계 없이 필요한 걸 하는 팀이고, 리서처도 같은 태도로 일합니다.
유저 데이터를 직접 뜯어보고, PM과 문제 정의를 함께 하고, 엔지니어 옆에 앉아
핸드오프한 접근이 실제로 붙는지 끝까지 봅니다. 손을 대지 않을 뿐 관심은 끝까지 갑니다.

산출물이 팀의 백그라운드로 축적되어야 인정되는 트랙입니다.
"실험은 성공했는데 아무도 재현할 수 없다"면 그건 끝난 일이 아닙니다.
.

[팀이 지금 풀고 있는 문제들]

• 캐릭터의 답장이 올 때 심장이 뛰는 실시간 채팅 경험 만들기
• 새로운 장르의 유저가 첫 대화에서 바로 빠져들 수 있는 앱 설계
• "이 캐릭터 진짜 나를 기억하네" — 프론트부터 LLM까지 관통하는 기능 개발
• 캐릭터가 더 자연스럽게 말하도록 모델 라우팅과 프롬프트 최적화
• 캐릭터와의 관계가 깊어지는 걸 유저가 느낄 수 있는 시스템 설계
• 9개국 유저 모두가 자기 언어로 몰입할 수 있는 다국어 UX
• 결제 한 번으로 끊김 없이 이어지는 매끄러운 경험
• 대화가 점점 지루해지지 않도록 — 채팅 엔진의 서사 확장

[이렇게 일합니다]

가장 중요한 건 속도다

리드타임을 최대한 짧게, 피처를 최대한 빠르게 딜리버리하는 것이 1번입니다. 생산성, 리드타임 단축, 사용자 부정 경험 최소화 — 이 세 가지를 기준으로 모든 의사결정을 합니다.

Agentic Coding
AI 에이전트와 함께 코딩합니다. 코드 리뷰, 테스트, 배포까지 자동화되어 있어서, 아이디어에서 프로덕션까지의 거리가 짧습니다.

E2E 오너십
한 사람이 기획 참여  구현  배포  모니터링까지 소유합니다. 누군가에게 넘기고 기다리는 구조가 아닙니다.

장애에서 배운다
같은 실수를 두 번 하지 않습니다. 장애가 나면 원인을 찾고, 자동화된 도구로 재발을 방지합니다.

[이 트랙의 성장]

레벨은 두 축의 곱으로 오릅니다.

AI 기술의 깊이와 폭
프롬프트 → 파인튜닝 → 멀티모달 탐구 → foundation model을
얼마나 깊고 넓게 다루는가

리서치 임팩트
그 기술을 얼마나 큰 품질(캐릭터 몰입·기억력) / 비용 / 팀 지식 레버리지로 환산하는가

한쪽만 높아서는 오르지 않습니다.
깊은 기술이 제품 지표로 환산되지 않으면 임팩트가 0이고,
임팩트가 있어도 기법의 폭이 좁으면 다음 문제에서 막힙니다.

<주요업무>

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

[기술 스택]

• 언어: Python (리서치), TypeScript · Go (제품)
• AI/LLM: 여러 LLM 프로바이더 + 자체 모델 호스트
• 학습: PyTorch 기반 학습·평가 파이프라인
• 인프라: GCP, GPU 클러스터
• 제품: React 기반 SPA + 모바일 하이브리드 앱, Python·TypeScript·Go 서버

<자격요건>

• 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

<우대사항>

• 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

<혜택 및 복지>

• 연봉 범위:  경력/역량에 따라 협의
• 유연근무제 (08:30~10:30 중 희망 시간 출근)
• 유연휴가제 (2시간 단위 반반차)
• 개인 업무 장비 지급
• 업무 관련 도서, 교육비 지원
• 점심지원

<채용 전형>

기술력 자체보다 함께 일하는 방식을 먼저 봅니다. 상황에 따라 순서가 조정될 수 있습니다.

1. 협업 인터뷰 (60분) — 일하는 방식, 커뮤니케이션 스타일, 과거 협업 경험
2. Culture fit Interview (60분) — 미션/비전 fit, 가치관, 성장 방향
3. Technical Interview (60분) — LLM 시스템 설계 및 과거 프로젝트 기반 기술 대화
4. 처우 협의