LLM 연구 과학자(사전학습, 컴퓨터 비전, 적대적 강건성)
지금 신청하세요 → →이 링크를 통해 지원하시면 SignalGigs가 추천 수수료를 받을 수 있습니다.
직무 설명
연구 범위
컴퓨터 비전과 언어 전반에서 범위는 명확하지만 해법이 열려 있는 실증적 머신러닝 문제를 다룹니다. 데이터 준비, 모델 학습, 실패 진단, 결과 측정, 엄격한 데이터·컴퓨팅·매개변수 수·크기·지연 시간 예산 내 성능 개선까지 전체 과정을 책임져야 합니다. 주요 업무는 다음과 같습니다:
- 이미지 분류기 및 생성형 이미지 모델을 처음부터 학습
- 가중치가 공개된 언어 모델 미세조정
- 데이터 효율성 및 학습 효율성 개선
- 최적화, 안정성, 일반화 문제 진단
- 정확도를 유지하면서 모델 압축
- 통계적으로 타당한 비교를 통해 결과 평가
적대적 강건성
관련 경험에는 이미지 분류기의 적대적 학습, 투영 경사 방법, 강건성 중심 목적함수, 표준 위협 모델하의 평가가 포함될 수 있습니다. 연구자는 강건 정확도를 측정하고, 경사 마스킹의 함정을 피하며, 정상 데이터 정확도와 강건성 간의 절충을 관리하고, 강건 과적합에 대응하는 방법을 알아야 합니다. 언어 모델의 행동 강건성도 연구 범위에 포함됩니다. 여러 차례 대화에서의 행동 형성, 설득이나 비위 맞추기에 대한 저항, 신뢰도 보정, 모델이 정정을 받아들여야 할 시점 판단 등이 유용한 업무입니다.
효율적인 컴퓨터 비전
프로젝트에는 유사한 클래스가 많고 예시가 제한된 세밀한 이미지 인식이 포함될 수 있습니다. 양자화, 가지치기, 지식 증류, 엄격한 온디바이스·엣지·임베디드 제약하의 배포 경험이 유용합니다. 연구자는 매개변수 수, 메모리 사용량 또는 추론 지연 시간을 줄이면서 정확도를 유지하는 아키텍처와 학습 절차를 선택하는 데 익숙해야 합니다.
생성형 이미지 모델링
관련 배경에는 확산 모델, 생성적 적대 신경망, 변분 오토인코더 또는 흐름 기반 모델을 처음부터 학습한 경험이 포함됩니다. 샘플 품질 지표에 따른 빠른 반복 실험과 제한된 학습 시간이나 작은 모델 크기에서도 성능이 뛰어난 생성기를 만드는 기법을 다룰 수 있습니다.
언어 모델 후속 학습
지도 미세조정, 선호도 최적화, 인간 또는 AI 피드백을 통한 강화학습, 관련 후속 학습 방법을 직접 사용한 경험이 유용합니다. 합성 생성, 약한 감독 또는 잡음이 있는 감독, 기각 샘플링, 일반 능력을 저하시키지 않으면서 특정 행동을 바꾸는 표적 정렬을 통해 데이터셋을 구축해야 할 수 있습니다.
다국어 사전학습
연구에는 처음부터 학습하는 다국어 또는 저자원 언어 모델이 포함될 수 있습니다. 관련 주제에는 다양한 문자 체계와 어족에 걸친 토크나이저 설계, 언어별 데이터가 매우 불균형할 때의 샘플링 전략, 데이터 제약하의 언어 간 전이가 포함됩니다.
추가 연구 분야
다음 경험도 유용합니다:
- 스케일링 법칙 및 효율적 학습 연구
- 커리큘럼 학습 및 데이터 순서 지정
- 벤치마크 설계 및 오염 관리
- 불확실성 추정 및 보정
- 강건성을 위한 데이터 증강 및 합성 데이터
자격 요건
머신러닝 연구 경력 최소 3년이 필요하며, 박사과정 연구도 이 요건에 포함됩니다. 주요 딥러닝 프레임워크를 능숙하게 직접 활용하는 역량이 필수입니다. 상위권 대학 학위, 주요 기술·AI 기관 경력, 또는 이에 준하는 논문 및 영향력 있는 오픈 소스 활동 실적으로 기대하는 연구 수준을 입증할 수 있습니다. 유연한 프로젝트 단위 업무이며 보수는 경쟁력 있는 수준으로 안내되어 있습니다.