금융상품 ML 엔지니어

금융상품 평가·추천 ML 엔지니어

포지션 소개

금융상품 추천시스템의 핵심 ML 파이프라인을 연구·개발하고, 이를 실제 서비스 환경에서 안정적으로 운영 가능한 추천 엔진으로 구현할 ML 엔지니어를 찾고 있습니다.

이 포지션은 상품 특성, 시장 데이터, 시뮬레이션 결과, 투자자 성향, 포트폴리오 맥락을 통합해 투자자 맞춤형 금융상품 추천 모델을 설계하고 고도화하는 역할입니다. ELS를 비롯한 구조화상품, 펀드, 채권 등 다양한 금융상품을 대상으로 하며, 상품 자체의 기대수익과 위험을 정량적으로 평가해 선별하는 일과, 선별된 상품을 개별 투자자에게 맞춰 추천하는 일을 함께 다룹니다.

단순히 모델을 학습하는 데 그치지 않고, 데이터 설계부터 라벨 정의, 추천 모델 개발, 오프라인 검증, 온라인 서빙 최적화까지 end-to-end 추천 시스템 전반을 함께 만들어갑니다. 특히 상품 조건은 상품설명서와 공시 문서에 비정형으로 흩어져 있고 투자자 데이터도 여러 시스템에 분산되어 있어, 이를 신뢰할 수 있는 데이터로 만드는 작업이 모델 성능을 크게 좌우합니다.

머신러닝과 금융 도메인의 접점에서 복잡한 문제를 구조화하고, 연구 결과를 실제 서비스 성능으로 연결해보고 싶은 분께 잘 맞는 포지션입니다. 파생상품을 비롯한 금융 도메인 지식은 필수가 아니며, 상품 구조와 관련 금융 지식은 내부에서 함께 채워갈 수 있습니다.

주요 업무

• 금융상품 추천을 위한 Learning-to-Rank, Representation Learning, Reinforcement Learning 기반 모델 연구·개발

• 상품 구조, 시장 데이터, 시뮬레이션 결과를 반영해 상품의 기대수익과 위험을 평가하는 스코어링 모델 개발

• 투자자 성향, 투자 목적, 보유 포지션, 적합성 조건을 반영한 맞춤형 추천 모델 설계 및 고도화

• retrieval, ranking, reranking 구조 기반 추천 시스템 성능 개선

• 상품설명서, 공시, 시장 데이터 등 비정형·분산 데이터에서 상품 조건을 추출·검증·정형화하는 파이프라인 구축

• LLM 기반 문서 파싱 및 구조화 로직 설계와 정확도 개선

• 상품 구조, 시장 데이터, 시계열 통계량과 몬테카를로 시뮬레이션 결과를 활용한 피처 엔지니어링 및 시나리오 데이터 생성

• 투자자 거래·보유·매도 이력 분석 및 투자자 세그먼트 도출

• 실현 성과, 투자자 선택, 보유·매도 행동 등을 반영한 학습 라벨 설계

• 백테스트와 실패 케이스 분석을 통한 모델 검증 및 추천 근거 산출 로직 구현

• 실제 서비스 환경에서의 모델 배포, 추천 서빙, 성능 모니터링 및 개선

자격요건

- 만 34세이하 대한민국 국적자(군필자의 경우 군 복무 기간에 비례해 최대 만39세까지)

- 국가 R&D 연구개발사업 참여에 결격사유가 없는 자

• 컴퓨터공학, 통계학, 산업공학, 금융공학 또는 관련 분야 석사 이상

• 딥러닝 프레임워크를 활용한 모델 학습 및 추론 경험

• 추천시스템, 랭킹모델 또는 개인화 모델링에 대한 이해

• 투자자 행동 데이터를 분석해 유의미한 피처와 세그먼트를 도출한 경험

• 비정형 데이터 및 정제되지 않은 원천 데이터를 학습 가능한 형태로 정제해본 경험

• LLM을 활용한 문서 파싱, 구조화, 결과 검증 등 AI 모델 활용 역량

• 데이터 전처리, 실험 설계, 결과 분석, 모델 디버깅 역량

• 재현 가능한 코드 작성 및 ML 실험 관리 경험

• 논문이나 기술 문서의 아이디어를 구현으로 옮기고, 모호한 실무 문제를 ML 문제로 정의할 수 있는 역량

우대사항

• 파생상품, 퀀트 금융, 옵션 가격결정, 투자상품 설계 관련 도메인 지식

• 몬테카를로 시뮬레이션, 확률과정, 시나리오 생성 관련 경험

• 추천시스템 실무 경험 (candidate generation, ranking / reranking, two-tower retrieval, negative sampling, exposure·feedback bias, cold-start 대응)

• 금융 시계열 모델링 또는 생성모델(GAN, Diffusion, Flow Matching 등) 관련 경험

• PDF, HWP 등 비정형 문서 파싱 및 OCR 파이프라인 구축 경험

• LLM 및 representation learning 활용 경험 (RAG, structured output, 평가 체계 설계, HuggingFace, SentenceTransformer 등)

• 추천시스템 서빙 경험 (모델 배포, feature store, 실시간 추론, 모니터링 및 성능 추적)

• Reinforcement Learning, Contextual Bandit, Sequential Decision-Making 관련 경험

• Spark, Airflow, Ray, MLflow, Weights & Biases 등 ML 파이프라인 및 실험 도구 사용 경험

• 증권, 자산운용, 핀테크 등 금융 데이터 실무 경험

• 관련 분야 논문 게재, 대회 수상, 오픈소스 기여 경험

이런 분을 찾고 있습니다

• 정답이 명확하지 않은 문제를 스스로 정의하고 실험을 통해 풀어가는 분

• 금융 도메인의 제약조건을 이해하면서도 ML 관점에서 문제를 재구성할 수 있는 분

• 모델 성능 이전에 데이터 품질이 결과를 좌우한다는 것을 아는 분

• AI 도구를 적극적으로 활용하되 그 결과를 반드시 검증하는 분

• 모델 성능뿐 아니라 라벨, 피처, 평가 체계까지 함께 설계할 수 있는 분

• 연구용 프로토타입을 실제 서비스 시스템으로 연결하는 데 관심이 있는 분

합류 후 기대 역할

• 현재 추천 파이프라인과 상품·투자자 데이터 구조를 빠르게 이해하고 주요 성능 병목과 데이터 품질 이슈를 진단합니다.

• 금융상품 선별과 추천에 적합한 라벨, 피처, 모델 구조를 제안하고 검증합니다.

• 중장기적으로는 추천 성능뿐 아니라 적합성, 안정성, 운영 확장성까지 고려한 핵심 추천 엔진을 주도하게 됩니다.

함께하면 경험할 수 있는 것

• 일반적인 커머스·콘텐츠 추천과는 다른 고난도 금융 추천 문제를 다룰 수 있습니다.

• 상품 평가와 투자자별 맞춤 추천을 하나의 시스템으로 설계할 수 있습니다.

• 정형 데이터, 시계열 데이터, 시뮬레이션 데이터, 투자자 행동 데이터를 통합해 정량 모델링, 추천 시스템 설계, 배포, 운영 최적화까지 이어지는 end-to-end ML 시스템을 경험할 수 있습니다.

• 연구 결과를 실제 서비스 성과로 연결하는 applied ML 경험을 할 수 있습니다.

• 파생상품을 포함한 금융상품 구조와 가격결정 논리를 실무를 통해 익힐 수 있습니다.