포지션 상세
[데이터드리븐 소개]
데이터드리븐은 공교육 현장에서 학생의 서술형·단답형 답안을 채점하는 AI 평가 SaaS 클리포(CLIPO)를 만듭니다. 클리포는 전국 초·중·고 5,400개 이상 학교에 보급되어 누적 4,000,000건 이상의 AI 실행 건수를 돌파하였으며, 채점·기록 AI의 품질을 높이며 시장 확장을 준비하고 있습니다. AI 평가 관련 등록 특허 3건을 보유하고 있으며, ISO/IEC 23988(2판) 국제 표준에 사례로 등재된 첫 한국 교육 AI입니다.
평가는 정답과 인간 라벨이 존재하며 LLM 결과를 정량적으로 확인할 수 있는 도메인입니다. 내가 연구한 모델이, 내가 새로 짠 eval이 고객 경험에 어떻게 반영되는지 지표로 확인할 수 있습니다.
[기술 환경]
• Python · PyTorch 기반 ML 실험 환경, LLM API와 자체 평가 하네스
• 에이전틱 코딩 도구를 적극 활용합니다 — 코드 작성은 AI와 나누고, 사람은 실험 설계와 검증 로직에 집중합니다
• 특정 프레임워크 숙련보다, 문제를 지표로 환원하고 검증 체계를 설계하는 사고력을 봅니다
[커리어 성장]
데이터드리븐에서 AI 리서처는 풍부한 이용자 라벨링 결과를 확인하고, 실 서비스에 배포되는 AI 모델을 직접 만드는 경험을 할 수 있습니다. 채점 지능의 한 조각, 예를 들어 특정 문항 유형이나 특정 검증 구조 하나의 조각을 인간 채점자 수준에 가깝게 끌어올리면서 채점 모델에서 인식 지능으로, 기록 지능으로, 그리고 범용 엔진으로 확장합니다. 어떤 모델을 어떤 데이터로 어떻게 학습시키고, 어떤 모델을 내재화하고 무엇으로 검증할지를 직접 정의하는 역할로 발전합니다. 운영 중인 모델을 다듬는 일을 넘어, 팀의 품질 기준과 실험 체계를 함께 만드는 사람으로 성장합니다.
이 포지션의 핵심 미션은 클리포 서비스의 채점·기록 품질을 높이고, AI 파이프라인 구조를 고도화하는 것입니다.
• 채점 정확도와 인간 일치도(QWK 등)의 격차를 데이터로 진단하고, 메타프롬프트 재설계 또는 sLLM 파인튜닝으로 직접 개선합니다.
• 채점 단가 · 품질 · 정확도 사이의 트레이드오프를 실험으로 비교하고, 제품과 전략 결정의 근거를 만듭니다.
• eval 방법론, 하네스, 루프를 설계하고, coverage · 환각 탐지 · 품질 회귀(regression) 자동 감지 체계를 만듭니다.
• 실제 학생 답안 기반 학습 데이터를 구축하고, 전처리·정제·증강 방법을 개선합니다.
• 채점 지능을 넘어 인식 지능, 기록 지능, 범용 채점 엔진으로 이어지는 방향을 함께 설계합니다.
[합류 후 첫 분기]
첫 분기에는 현재 인간 일치도 격차가 큰 과목·문항 유형 하나를 맡아, eval 셋을 정비하고 기준 지표를 재설계한 뒤, 프롬프트 개선 또는 sLLM 파인튜닝으로 해당 구간의 품질을 실제로 끌어올리는 일부터 시작하게 됩니다. 동시에 품질 회귀를 조기에 감지할 수 있도록 자동 평가·리포팅 흐름의 초안도 함께 만들게 됩니다.
• 데이터 분석·실험 설계 역량 — 측정 가능한 지표(eval)로 진보를 검증하며 일하는 사고방식
• 모호한 문제를 측정 가능한 지표로 환원하고, 구조로 분해해 우선순위를 세우는 능력
• 모델·프롬프트의 변화를 측정 가능한 제품 개선으로 연결해 본 경험
데이터드리븐은 공교육 현장에서 학생의 서술형·단답형 답안을 채점하는 AI 평가 SaaS 클리포(CLIPO)를 만듭니다. 클리포는 전국 초·중·고 5,400개 이상 학교에 보급되어 누적 4,000,000건 이상의 AI 실행 건수를 돌파하였으며, 채점·기록 AI의 품질을 높이며 시장 확장을 준비하고 있습니다. AI 평가 관련 등록 특허 3건을 보유하고 있으며, ISO/IEC 23988(2판) 국제 표준에 사례로 등재된 첫 한국 교육 AI입니다.
평가는 정답과 인간 라벨이 존재하며 LLM 결과를 정량적으로 확인할 수 있는 도메인입니다. 내가 연구한 모델이, 내가 새로 짠 eval이 고객 경험에 어떻게 반영되는지 지표로 확인할 수 있습니다.
[기술 환경]
• Python · PyTorch 기반 ML 실험 환경, LLM API와 자체 평가 하네스
• 에이전틱 코딩 도구를 적극 활용합니다 — 코드 작성은 AI와 나누고, 사람은 실험 설계와 검증 로직에 집중합니다
• 특정 프레임워크 숙련보다, 문제를 지표로 환원하고 검증 체계를 설계하는 사고력을 봅니다
[커리어 성장]
데이터드리븐에서 AI 리서처는 풍부한 이용자 라벨링 결과를 확인하고, 실 서비스에 배포되는 AI 모델을 직접 만드는 경험을 할 수 있습니다. 채점 지능의 한 조각, 예를 들어 특정 문항 유형이나 특정 검증 구조 하나의 조각을 인간 채점자 수준에 가깝게 끌어올리면서 채점 모델에서 인식 지능으로, 기록 지능으로, 그리고 범용 엔진으로 확장합니다. 어떤 모델을 어떤 데이터로 어떻게 학습시키고, 어떤 모델을 내재화하고 무엇으로 검증할지를 직접 정의하는 역할로 발전합니다. 운영 중인 모델을 다듬는 일을 넘어, 팀의 품질 기준과 실험 체계를 함께 만드는 사람으로 성장합니다.
주요업무
[주요 업무]이 포지션의 핵심 미션은 클리포 서비스의 채점·기록 품질을 높이고, AI 파이프라인 구조를 고도화하는 것입니다.
• 채점 정확도와 인간 일치도(QWK 등)의 격차를 데이터로 진단하고, 메타프롬프트 재설계 또는 sLLM 파인튜닝으로 직접 개선합니다.
• 채점 단가 · 품질 · 정확도 사이의 트레이드오프를 실험으로 비교하고, 제품과 전략 결정의 근거를 만듭니다.
• eval 방법론, 하네스, 루프를 설계하고, coverage · 환각 탐지 · 품질 회귀(regression) 자동 감지 체계를 만듭니다.
• 실제 학생 답안 기반 학습 데이터를 구축하고, 전처리·정제·증강 방법을 개선합니다.
• 채점 지능을 넘어 인식 지능, 기록 지능, 범용 채점 엔진으로 이어지는 방향을 함께 설계합니다.
[합류 후 첫 분기]
첫 분기에는 현재 인간 일치도 격차가 큰 과목·문항 유형 하나를 맡아, eval 셋을 정비하고 기준 지표를 재설계한 뒤, 프롬프트 개선 또는 sLLM 파인튜닝으로 해당 구간의 품질을 실제로 끌어올리는 일부터 시작하게 됩니다. 동시에 품질 회귀를 조기에 감지할 수 있도록 자동 평가·리포팅 흐름의 초안도 함께 만들게 됩니다.
자격요건
• NLP/LLM 파인튜닝을 실무로 다뤄 본 경험 (Transformer 계열, PyTorch 등)• 데이터 분석·실험 설계 역량 — 측정 가능한 지표(eval)로 진보를 검증하며 일하는 사고방식
• 모호한 문제를 측정 가능한 지표로 환원하고, 구조로 분해해 우선순위를 세우는 능력
• 모델·프롬프트의 변화를 측정 가능한 제품 개선으로 연결해 본 경험
