[AI Challenge] ML Engineer | 잡코리아(유)

[AI Challenge] ML Engineer | 잡코리아(유)

[AI Challenge] ML Engineer | | | 마감 21일 전

이번 챌린지는 생성형 AI를 활용해 직무 과제를 직접 해결하며 문제해결력과 도구 활용 역량을 보여줄 수 있는 좋은 기회입니다. 여러분의 도전과 성장을 진심으로 응원합니다! 👋안내사항 알바몬 LLM 기반 추천 시스템 과제는 개인화 추천 품질 향상 전략과 생성형 AI 도구의 활용 가능성을 평가합니다.복잡한 구현보다, 현실적이고 창의적인 전략 수립이 중요합니다. ✅문제상황 알바몬은 사용자에게 적합한 채용공고를 보다 정확하게 추천하기 위해 개인화 추천 시스템을 지속 개선하고 있습니다.하지만 다음과 같은 환경적 특성으로 인해 실시간 대응과 추천 품질 향상이 필요한 상황입니다. - 공고의 생명주기가 짧고, 신규 등록 빈도가 높음 - 기존 배치 기반 추천 방식은 실시간성이 부족 - 사용자 행동 로그(클릭, 스크랩, 지원 등)를 실시간 수집 중 - 일일 사용자(DAU) 약 100만 명 (회원 50만 / 비회원 50만) - 하루 약 1억 건의 로그 데이터 생성 이러한 환경을 고려하여, GenAI 기반 실시간 개인화 추천 시스템의 품질 향상을 위한 기술적·전략적 접근을 제안해 주세요. 📌 이슈 1. 공고 정보의 비정형 데이터 가공 부족 - 채용 공고는 구조화되지 않은 텍스트로 구성되어 있음 - 공고별 핵심 키워드, 직무 태그, 추천 카테고리 등 정형 정보가 부족 - 이로 인해 추천 엔진에서 공고 간 의미 비교 및 사용자 매칭이 어려움 📌 이슈 2. 대규모 로그 데이터의 활용 한계 - 클릭, 스크랩, 지원 등 수많은 로그 데이터가 실시간 생성되나 - 로그의 패턴을 요약하거나 사용자 성향을 추출하는 데 어려움 - 로그 기반 추천 모델의 학습 속도와 처리 비용 부담도 큼 📌 이슈 3. Cold-start 유저 및 공고 대응 미비 - 신규 가입 유저의 경우 선호 정보가 없어 초기 추천이 부정확 - 신규 공고 또한 학습 데이터가 부족해 추천 대상에서 배제되기 쉬움 - 유저 또는 공고의 초기 데이터를 빠르게 의미 있는 정보로 전환하는 전략 필요 🎯 미션 목표 생성형 AI (GPT, Claude 등)를 활용하여 아래 3가지 실무 문제 해결 전략을 제시해 주세요. 문제에 대한 해석과 해결 방안 도출 과정이 주요 평가 항목입니다. (아이디어의 명확성/현실성/AI도구활용방식) 문제1. 공고 텍스트 자동 가공 - 공고 텍스트를 입력하면 GPT가 주요 키워드, 추천 태그, 또는 카테고리를 자동 생성하는 방식으로 추천 품질을 높일 수 있습니다. - 실제 사용 가능한 프롬프트 예시, 입출력 예시, 또는 API 흐름을 작성해 주세요. 문제2. 사용자 행동 로그 요약 분석 - 수많은 클릭/스크랩/지원 로그로부터 사용자의 선호 패턴이나 행동 성향을 GPT로 요약하거나, 추천에 활용할 수 있는 인사이트로 가공하는 방안을 제안해 주세요. - 예시) “오전 시간대에 카페 알바를 자주 클릭하는 사용자입니다.” 같은 분석 결과 생성 문제3. Cold-start 유저/공고 대응 - 신규 사용자나 신규 공고에 대해 GPT를 활용해 cold-start 상황을 완화할 수 있는 방안을 제안해 주세요. - 예시) 유저 가입 시 자연어 선호 입력 → GPT가 추천 태그/키워드로 변환하여 cold-start 완화 📌 최종 결과물 - 프롬프트 템플릿 - 입력/출력 예시 - AI 기반 추천 프로세스 흐름도 (간단한 도식 가능) - 기존 방식 대비 기대 효과 ✍️유의사항 - 일반문의 : 잡코리아 박주희 (pjh47@jobkorea.co.kr) - 문제문의 : 잡코리아 장은희 (dseuni@jobkorea.co.kr) ❗️꼭 읽어주세요❗️ - AI Challenge 우수 수상자는 9월 초 개별 연락드릴 예정입니다. 잡코리아 복리후생에 대해 더 알고 싶으신가요? 👉 잡코리아 채용 홈페이지 바로가기 👈 👉 잡코리아 기술블로그 바로가기 👈