Applied AI Researcher (LLM)

❖ 우리는 어떤 팀인가.

우리는 헤지펀드와 자산운용사 같은 기관 투자자를 위한 AI-native 금융 리서치 제품을 만듭니다. 애널리스트가 며칠씩 들여다보던 실적 콜, 공시, 뉴스를 에이전트가 읽고 근거를 정리해, 투자 판단에 참고할 수 있는 리서치로 돌려줍니다.

이 제품은 데모가 아닙니다. 실제로 자금을 운용하는 고객이 업무에 씁니다. 자동 리서치 브리핑, 실적 분석, 워치리스트, 콜 캘린더, 파일링과 트랜스크립트, 뉴스 검색, 심층 리서치, 미팅 에이전트 같은 기능을 엔터프라이즈 B2B SaaS로 제공합니다. 입력으로는 정형 데이터와 실적 콜 트랜스크립트, 공시, 뉴스 같은 비정형 데이터가 함께 쓰입니다.

제품 한가운데에는 에이전트 런타임과 도구 레이어가 있습니다. 여러 LLM 프로바이더, 멀티스텝 추론, 도구 호출 루프, 동적 프롬프트 구성, 도구 호출 정책과 스킬 정책이 함께 동작하고, AWS와 Azure, GCP를 활용하는 멀티 클라우드 환경에서 한국과 미국 리전을 운영합니다. 실제 금융 문서와 라이선스 데이터, 제품을 쓰는 과정에서 쌓이는 고객 피드백을 바탕으로 연구할 수 있습니다.

지금 우리가 찾는 사람은 이 런타임에서 생기는 실제 연구 과제를 끝까지 파고들 첫 리서처입니다. "에이전트가 환각 없이 근거에 충실하게 답하는가", "출력 품질을 어떻게 정량화하고 회귀를 막을 것인가", "비정형 금융 텍스트에서 어떤 신호를 뽑을 수 있는가" 같은 질문은 논문 한 편으로 끝나지 않고 그대로 제품의 품질로 이어집니다. 우리는 이 질문들을 엄밀한 연구로 풀고, 공개할 수 있는 결과는 외부에 발표하며, 검증된 방법은 제품 에이전트에 반영할 사람을 찾습니다.

솔직히 이 자리는 이미 체계가 잡힌 사내 리서치랩에 합류하는 자리가 아닙니다. 리서치 기능을 처음부터 세우는 자리입니다. 무엇을 연구할지, 어떤 평가 인프라를 만들지, 어디에 발표할지를 직접 정하는 초기 리서처의 권한과 자유가 주어집니다. 그렇다고 혼자 일하지는 않습니다. 엔지니어링, 프로덕트와 한 팀으로 붙어 연구를 제품으로 옮기고, 발표 준비와 데이터 접근, 연구에 필요한 컴퓨팅 리소스는 회사가 함께 정의하고 지원합니다.

❖ 합류하면 아래와 같은 업무를 하게 됩니다!

• 연구 어젠다를 정의하고 우선순위를 정합니다. 풀어야 할 문제를 발굴해, 가설 수립부터 실험, 발표, 제품 반영까지 이어지는 과정을 책임지고 이끕니다.
• 금융 리서치 에이전트의 충실성과 근거성을 연구합니다. 환각을 억제하고, 인용이 실제 근거를 지지하는지(citation fidelity), 날짜와 기준 시점, 수치가 뒤바뀌거나 왜곡되지 않았는지, 출처 귀속이 정확한지를 정량적으로 다룹니다.
• 에이전트 출력 품질을 측정하는 평가 방법론을 설계합니다. LLM을 평가자로 쓸 때의 편향을 통제하고, 복합적인 판단을 검증 가능한 단위로 분해해 평가하며, 재현 가능한 벤치마크와 회귀 게이트로 품질 저하를 배포 전에 막습니다.
• 콜 트랜스크립트, 공시, 뉴스 같은 비정형 금융 텍스트에서 검색과 멀티홉 추론, 수치 추론 문제를 연구합니다. 장문 문서에 흩어진 근거를 모아 정확한 답으로 잇는 일을 다룹니다.
• 공개할 수 있는 결과는 arXiv 프리프린트나 관련 학회, 금융·퀀트 분야 학술지로 정리해 발표합니다. 회사로서도 초기 외부 연구 발표 중 하나가 될 수 있어, 무엇을 어디에 낼지부터 함께 정합니다.
• 연구가 실제 제품 품질로 이어지는지 끝까지 확인합니다. 새 평가 방법과 가드레일이 제품의 충실성과 정확성 개선으로 연결되는지 직접 점검합니다.
• 가설을 빠르게 검증할 연구용 프로토타입을 구현합니다. 평가 인프라와 실험 코드는 직접 만들고, 제품화가 필요한 부분은 엔지니어링 팀과 함께 안정적인 기능으로 옮깁니다.
• 고객 데이터와 라이선스 데이터, 내부 로그를 다룰 때 공개 가능 범위와 익명화, 재현성, 보안 제약을 함께 설계합니다.

❖ 우리는 이런 분을 찾고 있어요!

• 머신러닝과 LLM의 기초가 탄탄한 분. 단순 API 사용을 넘어, LLM의 동작 원리와 실패 양상(환각, 근거 이탈 등)을 구조적으로 설명할 수 있어야 합니다.
• 정량 평가를 설계할 수 있는 분. "좋아 보인다"가 아니라 "어떤 지표로 무엇이 얼마나 나아졌는가"로 말하는 사람을 찾습니다.
• Python에 능숙하고, 논문의 핵심 기법을 직접 구현해 실제 문제에 적용하며, 복잡한 실험을 재현 가능한 코드로 돌릴 수 있는 분.
• 노이즈가 많은 실제 데이터, 정형과 비정형이 섞인 데이터를 직접 다뤄 본 분. 신호와 노이즈를 구분하고, 그럴듯한 결과를 의심하며 사후 합리화를 경계합니다.
• 연구 결과를 엔지니어와 비기술 담당자 모두에게 명료하게 설명할 수 있는 분.

❖ 이런 경험이 있다면 더 좋아요!

• NeurIPS, ICML, ICLR, ACL, EMNLP 등 관련 학회나 워크숍에서 발표한 경험.
• 금융, 퀀트, 금융 텍스트 도메인에서 연구하거나 일해 본 경험. 콜 트랜스크립트와 공시, 장문 금융 문서를 다뤄 본 경험.
• 검색 증강 생성(RAG), 검색 시스템, 멀티홉 추론을 연구하거나 프로덕션 수준으로 구현해 본 경험.
• LLM 평가와 LLM-as-a-judge, 환각 탐지, 사실 일관성(factual consistency)을 직접 다뤄 본 경험.
• 비정형 텍스트에서 정량 신호를 추출하는 시그널 리서치 경험. 백테스트의 함정(미래 정보 참조, 생존 편향, 과적합)을 알고 일해 본 분.
• 통계적 엄밀성을 갖춘 분. 가설 검정, 다중 검정 보정, 표본 외 검증, 과적합 같은 함정을 알고 피해 갑니다.
• 정보 추출(개체명·티커 인식), 텍스트 임베딩, 도메인 적응과 파인튜닝(DAPT, SFT, LoRA) 같은 NLP 기법을 적용해 본 경험.
• 에이전트 프레임워크를 써 보거나 도구 호출 루프를 직접 설계해 본 경험.
• 오픈소스나 재현 가능한 연구 코드를 공개해 본 경험.
• 석사 학위가 있거나 그에 준하는 연구 트랙레코드를 갖춘 분. 학위 자체보다 직접 끌고 간 연구의 깊이를 봅니다. 머신러닝이나 자연어처리(NLP), 인접 정량 분야에서 주저자 논문이나 그에 준하는 성과가 있으면 됩니다.
• Claude Code, Cursor 같은 코딩 에이전트를 활용해 연구와 실험 속도를 높여 본 경험.

❖ 이런 분이면 잘 맞습니다!

• 발표 자체보다, 연구가 실제 제품 임팩트로 이어지는 데서 보람을 느끼는 분.
• 지적으로 정직한 분. 틀렸을 때 솔직하게 인정하고, 자기 결과부터 의심하며, 한 번의 행운을 신호로 착각하지 않는 분.
• 0에서 1을 만드는 일을 즐기는 분. 정해진 연구 어젠다가 없는 상태에서 무엇을 연구할지 스스로 정하는 일에 설레는 분.
• 금융과 시장에 호기심이 있는 분. 숫자 뒤에 있는 사람과 그 의사결정이 궁금한 분.
• 자기 연구를 끝까지 책임지는 분. 가설부터 제품 반영까지 직접 챙깁니다.

❖ 문화 및 복지

• 직급 없이 "OO님" 으로 소통하는 문화

• 매일매일 출근 시간에 대한 압박이 없는 시차출근제(8시 ~ 10시 출근)

• 자기개발비 지원(도서, 강의, 세미나 등)

• 점심 & 저녁 식사비 지원

• 무료 스낵바, 커피 머신, 음료 등의 간식 지원

• 업무를 위한 기기 지원(최신형 MacBook, 모니터 등)

• 각자의 위치에서 최고의 전문가인 뛰어난 동료들

❖ 채용 절차

• 서류 → Code Test → 실무진 면접 → 컬쳐핏 면접 → 처우 협의 및 최종 합격