HYPERCONNECT AI는 머신러닝 연구를 통해 실제 비즈니스 성과를 만들어내는 조직입니다. 비즈니스 문제를 ML 문제로 재정의하고, 제품의 핵심 지표를 개선하는 데 집중합니다. 외부 솔루션을 단순히 적용하는 것은 지양하고, 문제 설정부터 다시 고민하며 최선의 선택을 직접 만들어갑니다. 그 결과 HYPERCONNECT AI의 연구 성과는 실제 비즈니스 임팩트로 이어져 왔으며, 그 중 아주 일부 사례는 본사인 Match Group의 Earnings Letter를 통해소개되기도 했습니다. HYPERCONNECT AI에서 연구는 목적이 아니라 수단이며, 목표는 명확한 비즈니스 임팩트입니다.

⬝ 추천 모델 스케일링: LLM에서는 스케일링 법칙이 널리 받아들여지지만, 추천 모델에서는 그렇지 않습니다. 우리는 모델과 데이터 규모가 커질수록 성능도 함께 개선되는 구조를 만드는 연구를 진행합니다. LLM을 포함한 대형 모델을 다루되, 추론 등 현실적인 제약사항을 고려하여 모델을 설계합니다.

⬝ 추천 모델 정렬: 모든 추천 문제는 결국 "이 유저에게 이 콘텐츠를 보여줬을 때 비즈니스가 얼마나 성장할지"를 정량적으로 측정하는 문제입니다. 강화학습, 인과 추론, 게임 이론 등을 바탕으로 스케일링된 추천 모델을 포스트 프로세싱하여 비즈니스 목표와 정렬하는 방법을 연구합니다.

⬝ 멀티모달 LLM을 활용한 레이블링 기술 연구: 사람이 수행하는 이미지, 음성, 텍스트 레이블링을 멀티모달 LLM으로 대체하는 연구를 진행합니 다. LLM의 회사 내부 데이터셋에 대한 이해도를 높이고, 회사의 레이블링 정책과 정렬된 레이블링 방법을 연구하는 등 다양한 연구를 통해 LLM의 레이블링 성능을 내부 직원 수준까지 끌어올리는 데 집중합니다.

연구 결과 중 의미 있는 성과는 논문이나 오픈소스 형태로 외부에 공개하기도 합니다. 논문 출판을 목표로 하지는 않지만, 제품 문제를 해결하는 과정에서 기존 연구로 충분히 설명되지 않는 부분이 있을 경우 이를 정리해 연구 성과로 남깁니다(참고). 지금까지 약 20여 건의 대외 연구 성과를 만들어 왔습니다.

HYPERCONNECT AI의 ML Research Scientist는 제품의 문제를 연구 문제로 바라보고 해결합니다. 문제 정의, 가설 수립, 모델 선택과 설계, 실험, 성과 분석까지 전 과정을 주도하며, 연구 결과가 실제 제품 지표 개선으로 이어지는 것을 목표로 합니다. 외부에서 이미 정의된 문제를 푸는 것이 아니라, HYPERCONNECT의 데이터와 제약 조건에 맞게 문제를 다시 정의합니다. 공개된 다양한 접근 방법과 기존 연구를 폭넓게 검토한 뒤, 상황에 맞는 해법을 선택하거나 새롭게 만들어냅니다. 반복적인 실험과 검증을 통해 제품에서 의미 있는 신호를 찾아내는 것이 이 역할의 핵심입니다(참고).

제출해 주신 내용 중 허위 사실이 있거나 관련법 상 근로제공에 결격사유가 있는 경우 채용이 취소될 수 있으며, 필요시 사전에 안내된 채용 절차 외에도 추가 전형 및 서류 확인이 진행될 수 있습니다.

국가보훈대상자는 관계 법령에 따라 우대하오니, 해당되시는 분께서는 지원 시 고지해주시고 채용 시 증빙서류를 제출해주시기 바랍니다.

하이퍼커넥트가 채용하는 포지션에 지원하는 경우, 개인정보 처리에 관하여서는 본 개인정보처리방침이 적용됩니다: https://career.hyperconnect.com/privacy