포지션 상세
이자(eZar Inc.)는 2017년에 설립된 회사로 사원수 20명 규모의 벤처기업입니다. 서울 영등포구 의사당대로 83 (여의도동, 오투타워)에 위치하고 있으며, LLM AI Agent 개발사업을 하고 있습니다.
1. Vision
Lucy는 금융 AI의 성능을 높이기 위해 미국 SEC EDGAR와 국내 DART를 비롯한 수백만 건의 금융 공시 데이터를 AI가 정확하게 이해하고 활용할 수 있는 형태로 구조화하는 Financial AI Data Infrastructure를 구축하고 있습니다.
구축한 데이터를 바탕으로 LLM Training / Post-training 영역으로 확장하며, 글로벌 시장에서 함께 도전할 분을 찾습니다.
2. What we do
LLM의 성능을 올리는 데이터구조와 학습(트레이닝)에 관한 proprietary technology를 개발합니다.
당사의 전처리 데이터를 기반으로 continued pre-training, post-training, RL 연구와 computational power를 줄이는 데이터 인프라를 진행하고 있습니다.
3. Service
https://lucydata.ai
4. US Expansion
Lucy는 이미 매출의 60% 이상이 미국에서 발생하고 있습니다.
BEP를 넘어 2026년 1 & 2분기 모두 흑자를 기록했습니다.
2026년 3 & 4분기에 본사를 미국으로 이전중입니다.
5. Goals
LLM 생태계의 더 깊숙한 곳으로 들어가서 더 큰 문제를 해결하고자 합니다.
LLM의 성능을 올리는 데이터 인프라에 대한 수요는 이미 미국에서도 폭발적으로 성장하고 그 가치를 인정 받고 있습니다.
Scale AI, Surge AI, Mercor, AfterQuery, Invisible Technologies 등 LLM training 기업들이 앞으로도 더욱 성장하리라 확신하며 그 중심에 서고자 합니다.
6. Culture
가장 중요한 가치
높은 인재밀도, 낮은 의사소통비용, 그리고 미친 속도로 결과물 만들기.
위 3가지가 본인과 맞다면 인생 최고의 성장과 도전을 할 수 있는 회사입니다.
자율적으로 일하는 프로(professional)들이 모인 곳.
사내 정치는 없음. 오직 결과물로 평가받는 곳
공정한 평가, 그에 맞는 보상
말은 쉽다. 사람을 평가할 때는 말이 아닌 '행동'과 '결과'로
7. 혜택 및 지원
성과에 따라 최고 수준의 보상 지급
원팀으로 미친 성과를 내기 위해 전폭적인 지원
ㆍGRPO, DPO, SFT, RL, Continual Pre-training 등 다양한 학습 방법의 구현 및 성능 비교
ㆍFinancial Reasoning Dataset 및 Evaluation / Private Benchmark 구축
ㆍ모델 학습 -＞ Evaluation -＞ Error Analysis -＞ 데이터 개선 사이클 자동화
ㆍ데이터 구조와 학습 방식에 따른 Accuracy, Reasoning, Hallucination, Cost 변화 분석
ㆍ새로운 금융 데이터를 지속적으로 반영하기 위한 Continual Learning Pipeline 개발
ㆍGRPO, DPO, SFT, RL, Continual Learning 중 하나 이상의 방법론을 직접 구현한 경험이 있는 분
ㆍLlama, Qwen, Gemma 등 Open-source LLM을 활용한 Fine-tuning 또는 Post-traning 경험이 있는 분
ㆍLLM Traning용 Dataset을 직접 설계·생성·전처리하거나, 대규모 Dataset / Data Pipeline을 구축한 경험이 있는 분
ㆍLLM Evaluation / Benchmark를 직접 구축하거나 운영한 경험이 있는 분
ㆍSEC EDGAR, DART 또는 금융 데이터를 활용한 경험이 있는 분
ㆍAI / NLP 관련 논문이나 최신 기술을 읽는데 그치지 않고 직접 구현하고 실험해 결과를 확인하는 분
ㆍ정해진 업무를 기다리기보다 문제를 발견하고 스스로 해결하며, 빠르게 실행하고 개선할 수 있는 분
* 모든 항목을 충족할 필요는 없습니다. 학력·논문 실적보다 실제로 무엇을 만들었고, 어떤 문제를 해결했으며, 모델 성능을 얼마나 개선했는지를 더 중요하게 봅니다.
1. Vision
Lucy는 금융 AI의 성능을 높이기 위해 미국 SEC EDGAR와 국내 DART를 비롯한 수백만 건의 금융 공시 데이터를 AI가 정확하게 이해하고 활용할 수 있는 형태로 구조화하는 Financial AI Data Infrastructure를 구축하고 있습니다.
구축한 데이터를 바탕으로 LLM Training / Post-training 영역으로 확장하며, 글로벌 시장에서 함께 도전할 분을 찾습니다.
2. What we do
LLM의 성능을 올리는 데이터구조와 학습(트레이닝)에 관한 proprietary technology를 개발합니다.
당사의 전처리 데이터를 기반으로 continued pre-training, post-training, RL 연구와 computational power를 줄이는 데이터 인프라를 진행하고 있습니다.
3. Service
https://lucydata.ai
4. US Expansion
Lucy는 이미 매출의 60% 이상이 미국에서 발생하고 있습니다.
BEP를 넘어 2026년 1 & 2분기 모두 흑자를 기록했습니다.
2026년 3 & 4분기에 본사를 미국으로 이전중입니다.
5. Goals
LLM 생태계의 더 깊숙한 곳으로 들어가서 더 큰 문제를 해결하고자 합니다.
LLM의 성능을 올리는 데이터 인프라에 대한 수요는 이미 미국에서도 폭발적으로 성장하고 그 가치를 인정 받고 있습니다.
Scale AI, Surge AI, Mercor, AfterQuery, Invisible Technologies 등 LLM training 기업들이 앞으로도 더욱 성장하리라 확신하며 그 중심에 서고자 합니다.
6. Culture
가장 중요한 가치
높은 인재밀도, 낮은 의사소통비용, 그리고 미친 속도로 결과물 만들기.
위 3가지가 본인과 맞다면 인생 최고의 성장과 도전을 할 수 있는 회사입니다.
자율적으로 일하는 프로(professional)들이 모인 곳.
사내 정치는 없음. 오직 결과물로 평가받는 곳
공정한 평가, 그에 맞는 보상
말은 쉽다. 사람을 평가할 때는 말이 아닌 '행동'과 '결과'로
7. 혜택 및 지원
성과에 따라 최고 수준의 보상 지급
원팀으로 미친 성과를 내기 위해 전폭적인 지원
주요업무
ㆍLucy의 SEC EDGAR / DART 금융 데이터를 활용한 LLM Training 및 Post-trainingㆍGRPO, DPO, SFT, RL, Continual Pre-training 등 다양한 학습 방법의 구현 및 성능 비교
ㆍFinancial Reasoning Dataset 및 Evaluation / Private Benchmark 구축
ㆍ모델 학습 -＞ Evaluation -＞ Error Analysis -＞ 데이터 개선 사이클 자동화
ㆍ데이터 구조와 학습 방식에 따른 Accuracy, Reasoning, Hallucination, Cost 변화 분석
ㆍ새로운 금융 데이터를 지속적으로 반영하기 위한 Continual Learning Pipeline 개발
자격요건
ㆍTransformer와 LLM의 Pre-training / Fine-tuning / Post-training 구조를 이해하고, 실제 모델을 학습하거나 Fine-tuning한 경험이 있는 분ㆍGRPO, DPO, SFT, RL, Continual Learning 중 하나 이상의 방법론을 직접 구현한 경험이 있는 분
ㆍLlama, Qwen, Gemma 등 Open-source LLM을 활용한 Fine-tuning 또는 Post-traning 경험이 있는 분
ㆍLLM Traning용 Dataset을 직접 설계·생성·전처리하거나, 대규모 Dataset / Data Pipeline을 구축한 경험이 있는 분
ㆍLLM Evaluation / Benchmark를 직접 구축하거나 운영한 경험이 있는 분
ㆍSEC EDGAR, DART 또는 금융 데이터를 활용한 경험이 있는 분
ㆍAI / NLP 관련 논문이나 최신 기술을 읽는데 그치지 않고 직접 구현하고 실험해 결과를 확인하는 분
ㆍ정해진 업무를 기다리기보다 문제를 발견하고 스스로 해결하며, 빠르게 실행하고 개선할 수 있는 분
* 모든 항목을 충족할 필요는 없습니다. 학력·논문 실적보다 실제로 무엇을 만들었고, 어떤 문제를 해결했으며, 모델 성능을 얼마나 개선했는지를 더 중요하게 봅니다.
