Researcher, Computer Use - Agent Post-Training

- 데스크톱 및 브라우저를 포함한 복잡한 컴퓨터 사용 환경에서 에이전트 모델의 행동을 개선하기 위한 실험 설계 및 실행 - RL, 데이터 파이프라인, 채점기, 보상 신호, 평가, 진단 및 모델 행동 분석을 포함한 사후 학습(Post-Training) 스택의 엔드투엔드 개선 - 모델의 실패 사례를 파악하기 위한 평가 및 환경 구축, 이를 학습 데이터 및 제품 개선으로 전환 - Codex 및 ChatGPT 제품 팀과 협력하여 사용자 요구사항을 모델 개선에 반영 - 데이터 믹스, 목적 함수, 합성 데이터, 평가 루프 등 초기 학습 및 정렬(Alignment) 개입 작업 수행 - 대규모 학습 및 출시를 위한 시스템(실험 속도, 신뢰성, 관측 가능성, 재현성, 비용, 지연 시간 등) 개선 - 다중 에이전트 시스템 구축 및 프로덕션 유사 환경에서의 직접 학습 등 교차 기능 프로젝트 수행

- 머신러닝, 소프트웨어 엔지니어링, 시스템, 통계 또는 관련 분야의 탄탄한 기술적 기초 - LLM, RL(강화학습), RLHF/RLAIF, 사후 학습(Post-Training), 평가(Evals), 채점기(Graders), 합성 데이터, 모델 학습, 코딩 에이전트, 도구 사용 에이전트 또는 프로덕션 ML 시스템에 대한 실무 경험 - 모호하고 신호가 불분명한 개방형 문제를 해결하고 연구적 감각과 엔지니어링 실행력을 동시에 발휘할 수 있는 능력 - 벤치마크 점수뿐만 아니라 실제 제품 영향력과 모델의 유용성, 신뢰성, 정직성에 대한 관심 - 연구, 제품, 인프라, 데이터, 안전 등 다양한 부서와 원활하게 소통하고 협업할 수 있는 역량