AI Product Engineer

매일 결제 일어나고 있습니다. 모델 돌리는 사람 말고, AI로 문제 부수는 단 1명을 찾습니다. ML Engineer 따로, Backend 따로, Product Manager 따로. 그건 AI 이전 시대의 조직도입니다. 우리는 AI를 무기로 써서 문제를 정의하고, 제품으로 증명하고, 고객 행동을 바꾸는 사람 한 명이 필요합니다.

우리가 만드는 것: 법인영업을 위한 AI 관계 에이전트. 금융 등 고관여 법인영업에서 가장 많은 시간을 쏟는 건 "접근하고 싶은 타겟 명단을 만들고 꾸준히 접근하고 관계를 유지하는 것" 입니다. 모든 데이터 소스를 연결하여 국내 500만개 기업 데이터 위에 시계열 지식그래프를 쌓고, 관계를 시각화 합니다. 기업과 사람의 모든 변화를 추적하여 맞춤 알림을 제공합니다.

지금 풀고 있는 기술 문제: — 4-Layer 시계열 지식그래프 (User-Person-Company-Relationship) 위에서 동적 관계 예측 — Agentic RAG: Planner Retriever Reflector 자율 추론 루프 — 기업간, 사람간, 크로스 관계 레이어

우리가 믿는 것 — AI는 기본값입니다. 개발자/비개발자 구분 없이 Claude Code 씁니다. — 정확도 0.01 올리는 건 연구실에서 하면 된다. 우리는 고객이 쓰는 제품에 모델을 넣는다.

이런 사람을 찾습니다 — 개발자 + ML 엔지니어 + 프로덕트 오너. 세 개가 한 몸에 있어야 하는 포지션입니다. — "이 모델 정확도가 몇이야"보다 "이걸로 유저가 뭘 할 수 있어"를 먼저 묻는 사람 — 논문 읽고 끝내는 게 아니라 프로덕션에 올려야 직성이 풀리는 사람 — 프론트든 백엔드든 인프라든, 제품에 필요하면 직접 치는 사람 — 빠르게 만들고, 더 빠르게 부수고, 더더 빠르게 다시 만드는 사람

— 제품을 E to E 만들어본 경험 — 사용자 피드백 기반으로 제품을 빠르게 개선한 경험 (풀스택) — LLM 기반 Agent 설계 및 프로덕션 배포 경험

— Elasticsearch / OpenSearch 기반 검색 파이프라인 및 Reranking 설계 경험 — GNN / Knowledge Graph / Link Prediction 실무 경험 — RAG 파이프라인 설계·최적화 경험 — 도메인 특화 sLLM fine-tuning (LoRA/QLoRA) — 벡터 DB 운영 및 임베딩 파이프라인 구축 — Temporal Graph Network 경험 — Self-Reflective Reasoning / ReAct 패턴 구현

일하는 방식 — 1K Culture, 1000명 중 실행하는 사람은 단 1명. 식은 땀이 나지 않으면 성장할 수 없다. — 스프린트 안 합니다. 각자가 문제를 찾고, 우선순위를 정하고, 직접 풀고, 임팩트로 증명 — "이거 왜 하는데요?" 이 질문이 상시 존재하는 팀입니다. — 1인 창업자 수준이 되는 환경 (모든 직원은 예비창업자) — 현재 연봉대비 상향하여 오퍼 제공 — 성과에 따른 스톡옵션 지급

우리가 제공하는 것 (수습 3개월 후 정규직) — Claude Code 기본 제공 — 맥북 + 모니터 2대 지원 — 점심 식대 / 야근 시 저녁 식대 — 주 1회 재택 — 500만 기업 × 관계 그래프. 데이터셋을 직접 다루는 경험 — GNN + Agentic RAG + 도메인 sLLM을 하나의 제품에 통합하는 경험 — 역할이 아니라 임팩트로 평가받는 구조

약속하는 것 — 당신이 만든 모델이 내일 고객한테 갑니다 — AI 시대의 제품 개발을 가장 앞에서 설계합니다