카카오에서 이번 테크 겨울 인턴십을 통해 ML, 통계 분야와 Data Platform Engineering 분야의 채용연계형 인턴을 모집하고 있습니다. [~10/24]

이번 인턴십에 대한 지원자 여러분들의 궁금증을 해소시켜 드리기 위해 10/15(토) 온라인 설명회가 진행되었는데요. 주말 오후 시간임에도 불구하고 많은 지원자 여러분들이 실시간으로 설명회에 참여해 주셨지만, 아쉽게 참여하지 못하신 분들을 위해 설명회 내용을 텍스트로 요약하여 공개합니다.

잘 참고하셔서 지원 직무 선택 및 겨울 인턴십 지원에 있어 좋은 결과 있으시기를 바랍니다.😊

📝응용분석팀

💬 ras: 안녕하세요. 응용분석팀 라스입니다. 이번 겨울인턴십 설명회에 참여해 주셔서 감사합니다. 응용분석팀에서는 이번 겨울 인턴십에서 머신러닝과 Statistics/Analysis 분야 채용연계형 인턴을 영입하는데요. ‘응용분석팀’이 어떤 일을 하는지 또한 어떠한 문화를 갖고있는지 궁금하실 것 같아 소개 드리려 합니다.

응용분석팀은?

먼저 응용분석팀의 목표는 카카오에 있는 데이터 자산에서 가치를 창출하고 그것을 극대화하는 일입니다. 어떻게 보면 조금 장황하고 큰 그림이기는 하죠. 카카오에 데이터가 많이 있는데 거기에서 뭔가 유의미한 것을 뽑아내고 활용해서 점점 더 많이 쓰게 하고 싶다는 것이 기본적인 컨셉입니다.

조금 더 설명을 덧붙여보면 카카오에 데이터가 많이 있는데 데이터를 분석하여 가치를 판단하고, 카카오 데이터에서 가치 창출을 할 수 있는 레시피(기술/Index)를 개발합니다. (요리를 할 때 재료를 다듬고 볶아서 음식을 만드는 과정을 레시피라고 하는 것처럼) 그러면 데이터에서 무언가를 뽑아내는 과정, 기술들이 있을 거고 기술들을 나눠서 중간 결과물 혹은 최종 결과물일 수 있는 인덱스 지표를 개발합니다.

요약하면, ‘응용분석팀 = 가치 창출을 위해 데이터를 지지고 볶는 팀’이라고 이해해주시면 됩니다. 우리가 가장 중요하게 생각하는 것은 데이터를 바라보는 관점인데요. 데이터 관점에서 바라보고 문제를 해결하는 팀이라고 봐주시면 좋을 것 같습니다.

응용분석팀은 어떤 일을 하나요?

데이터로 가치를 뽑아낼 수 있는 것들은 어떤 게 있을까요? 여기에 대한 답은 항상 고정된 것은 아니라고 생각해요. 시간이 흐르고 우리의 생각이 바뀌고 데이터에 대한 관점이 점점 발전하게 되면 다른 답이 나올 수도 있는데, 지금 관점에서 우리가 봤을 때는 프로파일링이나 분석 모델링 엔지니어링이 중요한 꼭지들이고, 이것들에서 계속 새로운 것들을 찾아 나가는 방법론을 찾는 연구를 병행해야, 우리가 데이터를 더 잘 알고 활용할 수 있을거라 생각합니다. 응용분석팀이 하는 일은 크게 네 가지로 설명 드리겠습니다.

1) 프로파일링 구축 및 제공

프로파일링을 크게 나누면 소재 아이템들에 대한 프로파일링, 그리고 유저에 대한 프로파일링입니다. 소재라 하면 카카오에서 생산, 유통 소비되는 다양한 객체들이 있어요. 상품일 수도 있고 이모티콘이나 블로그 글과 같은 디지털 아이템일 수도 있죠. 이런 객체들에 대한 이해가 높아지면 높아질수록 이것을 소비하는 사람들에 대한 이해가 높아지고 그런 것들이 연결되어 우리가 활용할 수 있게 됩니다.

유저 프로파일링은 카카오 유저를 이해하기 위해서 다양한 방법론을 통해서 가장 기본적으로 이 유저가 어떤 성별과 연령대인지, 어떤 지역에 있는지부터 어떤 관심과 어떤 소비 패턴을 가지는지 이것을 우리가 데이터 그리고 데이터로부터 이제 모델링이나 다양한 방법론을 통해서 그걸 뽑아내려고 노력을 해요.

2) 서비스 분석 및 모델링 협업

예를 들면 A라는 서비스가 B라는 것을 새롭게 냈는데 반응이 좋다면 ‘왜 반응이 좋은지’를 분석하는 일입니다. 반대로 C라는 서비스는 점점 유저들이 떠나고 있는데 왜 그럴까에 대해 분석하여 개선 방법을 찾을 수도 있습니다. 또한, 새로운 서비스를 런칭할 때도, 예를 들면 20대를 타겟팅하는 서비스를 런칭하고 싶은데 지금 20대들은 어떤 특성과 관심사를 가지고 있는지 분석함을 통해 어떤 서비스가 잘 맞을지에 대해 지원해 주는 일을 합니다.

모델링 관점에서는 “머신러닝/딥러닝을 활용해서 이런 기능들을 제공해 주고 싶은데 혹시 가능한지”, 역으로 "우리가 이런 모델링이나 이런 방법론들이 있는데 이런 것들 활용하면 어때요"라고 제안하는 협업도 같이 하는 거라고 보시면 될 것 같습니다.

또한 전사적인 의사결정 지원이나 분석도 병행하고 있어요. 카카오 전사 관점에서 사내외 트렌드 같은 것들, 국내, 국제적인 트렌드가 어떤지에 대해 분석할 수도 있고 전반적 유저나 매출 트렌드, 성향, 지표들 그리고 그것들을 통한 예측을 시도하고 계속 좀 더 나은 결과를 만들기 위해 노력하는 일을 합니다.

3) 가치발굴 방법론 연구

데이터는 계속 변하고 기술도 변하기 때문에, 우리가 데이터에서 가치를 발굴하는 일들을 계속해 나가기 위해서는 시도와 실패의 과정을 반복하며 방법론을 연구해야 합니다. 우리가 기존에 만들어놓은 프로파일링 분석에 만족하지 않고, 다양한 새로운 기술적 시도들이나 새로운 시각으로 데이터를 바라보고 가공하는 방법을 연구하고 있습니다.

4) 엔지니어링

분석이나 모델링을 잘하기 위해 생각보다 엔지니어링적인 토대가 많이 필요합니다. 그래서 분석이나 모델링을 발굴하는 작업들을 좀 더 잘하고 효율적으로 하기 위해 엔지니어링 적인 기반을 만들어주시는 분들도 저희 팀에 있습니다. 이분들은 기본적으로 데이터 수급이나 파이프라인을 안정적으로 운영하고 관리/모니터하는 것들을 수행해 주십니다. 또, 분석이나 모델링들을 좀 더 잘할 수 있게 하는 환경이나 도구들을 지속적으로 개발하고 개선하는 일을 합니다.

응용분석팀이 일하는 방식

저희 팀은 외부에서 요청받는 업무도 있고, 팀 내에서 자체적으로 진행하는 업무도 있습니다. 비율은 그때그때마다 계속 바뀌는데 전반적으로 50:50 정도라고 볼 수 있고, 계속 업무 간의 우선순위 정해 나가면서 일하고 있습니다. 데이터 관련 주제들은 팀 내에 누구나 자유롭게 발제가 가능하고요. 발제되면 내부적으로 검증하고 실험하는 과정을 거친 다음 "이게 괜찮다"고 하면 사용 가능하도록 레시피화 하게되고, 혹은 "지금은 좀 어렵다"고 하면 우리의 경험치로 생각하고 아카이브하고 문서화합니다.

그리고 저희 팀은 구성원 개개인마다 기술적 스펙이 다양한데요. 어떤 분은 분석을 잘하시면서 엔지니어링에 관심이 있고, 또 어떤 분은 엔지니어링 잘하시는데 모델링에도 관심이 있고, 또 어떤 분은 순수하게 모델링에만 관심이 있기도 합니다. 그래서 이런 구성원의 기술 스택에 맞춰 업무 배정을 하려고 노력합니다.

또한 팀 내에 분석하는 분도 있고 모델링, 엔지니어링 하는 분도 있는데, 업무를 하다가 서로 다른 영역에 관심이 있다고 하면 다른 업무로 전향하는 방향도 지원합니다. 그래서 지금 분석가이지만 엔지니어링 프로젝트에 같이 참여해서 역량을 향상시키고 혹은 언젠가는 엔지니어링으로 전환할 수 있는 환경도 주어지게 됩니다.

응용분석팀의 조직문화

응용분석팀은 기본적으로 재택근무를 하고 있어요. 그래서 온라인에서 어떻게 하면 협업을 좀 더 잘 할 수 있는지에 대해 많이 고민하고 있고요. 그러면서도 또 팀워크와 친목 도모를 위한 팀 내 행사를 지속적으로 합니다.

처음에 조직에 랜딩하는 주니어분들의 성장을 위해 다양한 교육을 정비, 개선하는 노력도 병행하고 있어요. 저희는 구성원들의 성장이 곧 팀의 성장이라고 생각하기 때문에 구성원의 성장을 무척 장려합니다. 주기적인 세미나를 온라인으로 수행하고, 비정기적이기는 하지만 스스로 학습하고 깨달은 내용을 공유하는 자리도 권장하고 있습니다. 장기적으로 계속 성장하는 팀이 되기 위해 노력하고 있어요.

QnA - 가장 많이 물어봐 주셨던 질문들

💬 관련 학과 재학 졸업이 전형에 많이 유리하게 작용하나요? 머신러닝, 딥러닝 직무는 대부분 석사를 선호하는데 학사 졸업자에게 불이익이 없는지 궁금합니다.

짧게 답변드리자면 No입니다. 물론 관련 학과나 석사를 하게 되면 머신러닝, 딥러닝 관련된 커리큘럼을 순서대로 경험할 수 있기 때문에 좀 더 편하게 이쪽 커리어로 올 수 있는 길이라고 생각하는데, 관련 학과나 석사를 하지 않으셨다면 알고리즘이나 데이터베이스, 머신러닝 등에 대해 직접 찾아서 경험해야 하니 조금 더 노력이 필요할 수는 있겠네요. 다만 검증하는 과정 중에 관련 학과나 석사 여부를 중요하게 보지는 않고요. 순수하게 이 사람이 그것을 알고 있느냐, 역량이 있느냐만 본다고 보시면 될 것 같습니다.

💬 데이터 사이언스로서 분석 경험은 교육이 전부인데 자기소개서로 어필이 될까요? 또한 신입 데이터 분석가로서 서류 면접에서 어떤 부분을 어필을 하면 좋을까요?

전공에 대한 기본적인 지식들을 위주로 많이 여쭤보고, 그런 부분들에 대해서 잘 답변해 주시면 좋은 어떤 점수를 받으실 수 있을 것 같고요. 그 밖에 좀 더 더 어필이 된다면 포트폴리오를 따로 구성해 주시는 것을 좋아합니다. 면접 때 실무 데이터를 직접 경험해 보실 수는 없으니까, 캐글이나 어떤 경진대회 경험이라든지 (꼭 거기서 수상을 해야 되는 건 아니지만) 그 데이터를 이용해서 본인이 무언가를 한 경험이 있다면 표현을 해 주시면 플러스가 될 것 같고요. 그리고 더 나아간다면 그 데이터를 가지고 뭔가 자신만의 해석을 한 경험을 어필을 해 주신다면 아주 좋을 것 같습니다.

💬 현업에서 근무하시는 분들은 데이터 분석 관련 경험을 어떻게 쌓으셨는지 궁금합니다. 비전공자라 직접 데이터를 다루는 경험이 쉽지 않아서요.

사실 이 부분은 전공자와 비전공자의 차이는 크지 않을 거라고 생각이 듭니다. 왜냐하면 어쨌든 어느 회사에 입사해서 이 일을 해본 경험이 없다면 똑같이 실무 데이터를 직접 경험, 분석해 본 경험은 없을 거라고 생각해요. 그래서 오픈되어 있는 데이터를 가지고 많이 연습을 해본다든지, 그걸 가지고 분석을 하든지 모델링을 하든지 하는 본인만의 경험, 프로젝트 경험들을 쌓아서 포트폴리오를 구성하는 식으로 준비를 하셨다면 좋을 것 같습니다.

💬 다양한 대외 활동 및 인턴 경험 vs GitHub, 케글, 코드 리뷰 등 개인의 능력 준비와 포트폴리오 준비 중에 어떤 것이 더 중요할까요?

개인 능력 준비가 더 중요하다고 답변을 드리지만 조금 밸런스는 필요한 것 같아요. 인터뷰어분들이 되도록 공정하게 보려고 노력을 하지만, 아무래도 보여지는 게 적으면 저희가 검증할 수 있는 게 적어서 어려워지기는 하거든요. 그래서 포트폴리오 준비도 어느 정도 하시되 개인 능력 준비에 좀 더 비중을 주는 게 좋다고 말씀드리고 싶습니다.

💬 데이터 분석에서 주로 사용되는 프로그램이 있을까요?

분석을 하는 데 있어서 사용하는 프로그램은 가이드가 있지는 않지만, 현재 업무할 때는 파이썬이나 R을 사용하고 간단한 것들은 엑셀로도 분석을 하고요. 기본적으로 SQL은 당연히 사용합니다.

💬 어떤 성향의 어떤 성향이 해당 업무를 하는 데 있어 적합하다고 생각하시나요?

분석가라면 좀 호기심이 많은 분들이 좋다고 생각합니다. 여기서 말씀드린 호기심은 유저나 서비스에 대한 호기심, 혹은 사회학적인 호기심인데요. 분석이라는 업무 자체가 데이터를 뽑아서 그 숫자를 해석하고 이 해석한 것들을 어떤 특정 비즈니스라든지 문제 해결하는 데에 연결 지어서 업무를 해야 되기 때문에, 그런 업무를 함에 있어 앞에서 말씀드린 것처럼 호기심이 강해야 적성에 잘 맞으실 것 같아요.

📝 광고추천팀

💬 greg: 안녕하세요, 광고추천팀의 그렉입니다. 광고추천팀에서는 이번 채용연계형 인턴십에서 머신러닝 엔지니어를 모집합니다. 여러분들이 지원에 참고하실 수 있도록 오늘 저희 광고추천팀이 어떤 일을 하는 지, 어떤 팀인지 소개해 드리려고 합니다.

카카오는 메신저와 여러 가지 다른 사업도 많이 하지만 무엇보다 국내 리딩 에드테크(Ad tech) 기업이라 말을 할 수 있을 것 같아요. 애드테크란 Advertising Technology의 약자입니다.

광고추천팀은 어떤 일을 하나요?

광고추천팀은 카카오 광고 비즈니스의 중심에 있는 핵심적인 팀인데요. 광고 추천을 위한 최적화 로직 모델을 개발을 하고 최종적으로 그 모델에 기반해서 최종적인 광고 추천 서비스를 서빙해주고 있습니다.

또한, 이 로직 모델이 계속 고도화되고 계속 학습이 이루어지기 위해서 데이터 시스템까지 굉장히 활발하게 그리고 안정적으로 운영이 되어야 됩니다. 그러는 데 있어, 첨단 데이터 사이언스의 기술이 굉장히 핵심적인 기반이 되고 있고요. 그리고 저희는 이런 데이터 사이언스 기술을 바탕으로 최적화 로직 모델을 새롭게 만들고 또 실험 하고 개발해서 운영도 하고요.

그리고 그러기 위해서는 데이터를 잘 활용을 해야 됩니다. 굉장히 대규모 데이터고 실시간으로 들어오고 이런 것들을 잘 활용해서 학습에도 쓰고 전체 프로세스가 잘 수행되는지 모니터링도 하는 등 여러 가지 용도로 잘 활용을 해야 되고요. 동시에 최종적으로 잘 관리된 모델을 기반으로 해서 실시간으로 추천 서비스를 잘해줘야 합니다. 당연한 거지만 이런 형태를 효율적으로 관리하고 운영하기 위해서는 요즘 많이 나오는 MLOps의 형태로 시스템을 잘 구축해서 업무를 해야 되는 그런 구조로 저희가 일을 하고 있습니다.

Pricing ; How much is it?

핵심적인 것은 결국에 프라이싱입니다. 광고 비즈니스는 한마디로 경매이기 때문에 저희가 입찰가를 만들어내게(계산하게) 돼요. 광고 인벤토리 요청이 오면 그 요청에 대해서 여러 광고주들 입장에서 광고하고자 하는 소재나 대상이 있을 텐데, 그 대상들을 입찰에 참여시키면서 입찰가가 얼마가 될 것이냐를 시스템적으로 실시간으로 계산을 하여 그것에 따라 입찰가가 결정되고 랭킹을 해서 결과적으로는 광고 추천이 이루어지고 있습니다.

그 가치는 어떻게 볼 수 있냐 하면 인벤토리가 낙찰이 되어 광고가 특정 유저에게 노출되면 광고주가 기대하는 어떤 액션들, 이를테면 사용자가 광고를 클릭했거나, 또는 클릭하고 들어가서 최종적으로 광고주가 원하는 홍보하는 상품을 구매했거나, 어떤 계약을 맺거나 또는 앱을 설치하거나 이런 식의 이제 전환이라고도 하는 그 액션들을 광고주는 기대합니다. 그럼 그 액션들에 대한 가치가 있을 텐데 가치 계산을 제일 심플하게 할 수 있는 방법은 특정 유저한테 광고 노출시키면 어떤 액션들이 발생할지를 계산할 수 있고, 그 각 액션의 가치를 금액적으로 계산할 수 있으면 이 둘을 통해서 최종적으로 기대할 수 있는 가치를 금액으로 환산할 수가 있는 거죠.

이런 일을 하기 위해서는 가치 측정의 기술 중에 제일 중요한 게 예측(Prediction)이겠죠. 데이터 사이언스가 필요한 영역입니다. 여러 가지 이제 기법들이 있겠지만 요즘 많이 각광받고 대표적인 딥러닝 기술도 많이 활성화되어 있고 적극적으로 활용하고 있습니다. 그리고 Feature Engineering 같은 것도 굉장히 중요하고요. 그다음에 MAB라고 해서 결국 어떤 예측을 하는 데 있어 잘 알려져 있지 않은 미지의 영역이 있을 수 있는데 그런 영역을 또 비용을 적게 들여서 탐색하고 빠르게 적정 수준을 찾아가는 기술도 굉장히 중요합니다. 그래서 이런 기술들을 다 연구하고 활용해서 제일 최적의 가격 산정을 해내고 그걸로 광고 추천을 하고 있습니다.

"광고 집행 비용은 정했는데 원하는 성과를 위해서는 기대 액션의 가치를 어느 정도 해야 될지 잘 모르겠어요.’"라고 했을 때 알아서 해주는 것도 저희 일입니다. 광고주의 예산을 가지고 클릭이나 전환이 많이 일어날 수 있도록 배분하여 최적의 성과를 낼 수 있도록 가치를 계산하고 예측하여 제공하고요.

Data, Data, Data…

모든 일들은 다 데이터를 가지고 합니다. 그래서 데이터 시스템이 굉장히 중요하고요. 데이터를 잘 활용하는 플랫폼을 만들어 두고 그 안에서 머신러닝 용도로도 활용하고 여러 가지 분석 용도로도 활용합니다.

데이터는 앞서도 말한 얘기의 반복인데요. 머신러닝 학습 예측에 잘 활용이 돼야 되기 때문에 데이터 파이프라이닝이 그런 면에서 잘 갖춰져야 되고요. 또 이런 걸 이용해서 데이터를 분석하고 현황을 파악하는 데도 잘 쓰고 있습니다. 또 모든 게 다 데이터를 중심으로 이런 학습과 실험이 벌어지고 최종적으로 서빙까지 이루어지기 때문에 이런 것들이 유기적으로 잘 워킹하기 위한 구조로서 MLOps 환경을 구축해서 효율적으로 운영을 하고 있다고 보시면 됩니다.

Ad Recommendation

이런 과정들을 거쳐서 저희가 최종적으로 광고 추천의 랭킹 결과를 제공을 하고 있습니다. 머신러닝 모델을 기반으로 최종적으로 서빙 시스템을 통해서 광고 추천이 이루어지고 있고, 서빙이 결국에 온라인 테스트라는 건 서빙을 하면서 A/B 테스트를 하는 것입니다. 그래서 이제 그런 A/B 테스트 플랫폼까지 그런 기능까지 이 서빙 시스템 안에 같이 결합돼서 실시간으로 그런 테스트도 활발하게 하고 있다. 라고 보시면 좋을 것 같습니다.

광고추천팀은 어떤 팀인가요?

저희 팀은 수치에 굉장히 민감할 수밖에 없어요. 저희가 어떻게 하느냐에 따라 돈을 벌어들이는 비용적인 면에서의 수치가 바로 나옵니다. 또한 그런 수치를 굉장히 딥하게 모니터링하면서 개선해 나가고 문제를 찾아가고 이런 과정이 중요하고요. 성과를 낼 수만 있다면 말 그대로 모든 영역의 가용 데이터 방법론을 다 활용하고 있다고 보시면 될 것 같고, 이렇게 효율 개선한 효과가 비즈니스의 성과로 직접적으로 이어지는 환경이고요. 그리고 데이터를 모델링해서 모델을 만드는 것뿐만 아니라 이걸 갖고 광고 추천을 실시간으로 굉장히 대용량의 요청을 받아서 서비스를 해줘야 되기 때문에, 시스템 엔지니어링도 굉장히 강하게 결합돼서 운영하고 있는 조직이라고 보시면 좋을 것 같습니다.

저희는 시스템을 개발하는 분들 혹은 머신러닝 전문가들 이렇게 크게 두 영역으로 나눠서 채용을 진행합니다. 그리고, 이번 인턴십에서는, 머신러닝 쪽 영역에 지원하시는 분들을 채용하려고 진행하고 있는 상황입니다.

QnA - 가장 많이 물어봐 주셨던 질문들

💬 광고추천팀 지원 시에 필요한 개발 역량이나 프로젝트 경험이 있나요?

아무래도 인턴십이다 보니 어떤 역량과 경험이 꼭 있어야 한다는 조건은 없습니다. 다만 기본적으로 데이터에 접근해서 내가 다룰 수 있는 형태로 가공하고 처리해서 핸들링할 수 있는 기본 역량이 필요하고요. 데이터를 처리해서 경향을 살피고 특징을 밝혀내기 위한 기본적인 분석을 좀 하실 수 있으면 좋겠습니다.

그걸 바탕으로 프로젝트에서 목적하는 모델링을 해서 어떤 성과를 내는 과정을 팔로우할 수 있는 정도의 역량이 있으시면 인턴십 프로그램에서 프로젝트를 하는 데에 훨씬 도움이 됩니다. 물론 인턴십 프로젝트 과정에서 저희가 많은 가이드를 드리긴 합니다. 프로젝트 경험이 있으시면 그런 거에 도움 될 것 같은데 없으시더라도 지금 말씀드린 이런 부분을 좀 따라오실 수 있는지를 저희가 면접 과정에서 이야기 나눠보고 선발하게 됩니다.

💬 학사도 충분히 할 수 있는 업무일지 궁금합니다.

학, 석사 자체보다는 일에 대한 자세나 관심도가 중요할 것 같아요.

중요한 건 기술이 계속 발전하고 있고 또 도메인별로 그 기술들을 잘 활용해서 실질적으로 성과를 내고 있는 사례들도 굉장히 많이 연구 사례들이 나오잖아요. 그런 트렌드를 따라가면서 논문을 찾아보고 어떤 기술들을 어떻게 적용하고 있나를 잘 팔로우 하면서 직접 적용도 해보고 트렌드를 잘 따라갈 수 있는 역량은 지속적으로 필요한 것 같아요.

💬 머신러닝 지원자에게 팀에서 생각하시는 가장 중요한 역량은 무엇인가요?

우리가 지금 풀고자 하는 문제와 관련해서 데이터를 연결 짓고 여러 인사이트를 얻기 위해 노력해보고 그러다 보면 질문들이 계속 생길 거예요. 문제들을 다각도로 보면서 원인을 찾아보고 해석하는 자세가 생각보다 굉장히 중요합니다. 그러니까 내가 딥러닝 굉장히 잘해, 이런 것도 나중에 의미 있겠지만 그 이상으로 중요하다고 보는 것이 우리가 풀고자 하는 문제와 그 문제를 해결하기 위해서 우리가 확보하고 있는 데이터, 그리고 어떻게 활용하고 있는지 이런 부분을 연결 지어서 잘 분석하고 인사이트를 얻으려는 자세라고 보고요. 그다음에 거기에 더해, 머신러닝적인 기술을 잘 녹여내고 계속 수치적인 향상을 해서 모델을 고도화하고 이런 일이 잘 밸런스에 맞게 이루어지는 게 중요합니다.

💬 응용분석팀과 광고추천팀 두 팀 다 머신러닝 직무를 채용을 하고 있어서 직무의 차이점이 궁금합니다.

응용 분석팀은 저희 팀보다 주제가 넓은 편입니다. 저희 팀은 앞서 말씀드린 대로 최종 목표는 광고를 잘 추천하는 거잖아요. "광고를 잘 추천한다라는 게 어떤 거냐"에 대해 확실한 매트릭들이 있는 편입니다. 머신러닝이 어려운 게 매트릭이 막연하면 내가 뭘 위해서 향상을 해야 될까, 왜 고도화해야 될까? 이것에 고민이 많을 수 있는데요. 저희는 그런 면에서는 조금 명쾌한 면이 좀 있을 것 같습니다. 요약하면 저희는 응용 분석팀보다는 주제가 더 스페시픽한 영역이라고 볼 수 있을 것 같고, 대신에 성능 향상에 대해서는 좀 더 뎁스있게 보는 편입니다.

2022 카카오 채용연계형 겨울인턴십 모집공고 바로가기

[겨울인턴십 설명회] ML, 통계 분야(응용분석 / 광고추천팀)