Agent Post-Training, Connectors Research

에이전트 모델의 복잡한 소프트웨어/플러그인 행동 개선 실험 설계 및 실행. RL, 데이터 파이프라인, graders, reward signals, evals, diagnostics, model-behavior analysis 등 후학습 스택 전반 개선. 모델 실패 사례를 찾아 eval/환경을 만들고 이를 학습 데이터, 제품 수정, 연구 방향으로 연결. Codex·ChatGPT 제품팀과 협업해 사용자 요구를 모델 개선으로 전환. 데이터 믹스, objective, synthetic data, eval loop 등 초기학습/정렬 개입 수행. 대규모 학습·출시의 속도, 신뢰성, 관측성, 재현성, 비용, 지연시간, 프로덕션 준비성 개선. 멀티에이전트 시스템 및 프로덕션 유사 환경에서의 크로스펑셔널 프로젝트 수행.

필수/우대 요건 통합: 머신러닝, 소프트웨어 엔지니어링, 시스템, 통계 또는 관련 분야의 강한 기초 역량과 빠른 학습 능력. LLM, RL, RLHF/RLAIF, post-training, evals, graders, synthetic data, model training, coding agents, tool-using agents, production ML systems 경험이 있으면 우대. 모호한 문제를 가설-실험-분석-의사결정으로 전환할 수 있어야 하며, 연구·제품·인프라·데이터·안전 영역과 명확히 소통할 수 있어야 함.