주요 업무

AI 바이브 코딩으로 제품에 직접 기여

AI Researcher는 Cursor, Claude Code 등 AI 코딩 툴을 적극 활용해 연구 코드뿐 아니라 데이터 파이프라인과 제품 기능까지 직접 만들어 배포합니다. 모델이 실제 제품 안에서 유저 경험으로 이어지는 지점까지 직접 책임지며, 한 영역에 한정되지 않고 제품 전체에 임팩트를 만듭니다.

AI 코딩 툴로 학습 파이프라인 · 평가 도구 · 제품 통합 코드를 직접 작성합니다.
뾰족한 ML 강점을 기반으로 백엔드 · 프런트 · 데스크톱 앱 영역에도 코드로 기여합니다.

이 포지션은 도르의 녹화와 편집 기능을 직접 고쳐 학습에 쓸 데이터를 만드는 일에서 시작하고, 데이터가 갖춰지는 만큼 월드 모델 학습과 그 위의 실험으로 무게가 옮겨갑니다.
도르의 녹화와 편집 기능을 직접 고쳐, 어떤 신호를 어떤 주기로 남길지 제품 단에서 정하고 실험에 필요한 데이터를 직접 만듭니다.
화면과 키 입력, 음성이 서로 다른 클럭에서 수집되어 생기는 프레임 드롭과 타임스탬프 오차를 다루는 정렬 기준을 정하고, 매월 2억개 규모로 쌓이는 영상 가운데 행동이 함께 기록된 데이터를 학습 가능한 시퀀스로 만듭니다.
관측과 행동을 받아 다음 상태를 예측하는 게임 월드 모델을 설계하고 학습합니다.
화면처럼 정보량이 큰 신호를 압축한 잠재 상태 표현을 설계하고 그 상태에 키 입력을 조건으로 붙여 전이를 학습하며, 음성처럼 환경의 상태가 아니라 플레이어의 의도에 가까운 신호는 어디에 넣을지 함께 실험합니다.
학습한 모델 안에서 여러 단계 앞의 상황까지 미리 돌려보고, 같은 상황에서 다른 행동을 넣었다면 어떻게 달라졌을지도 되짚어봅니다.
예측이 어디까지 믿을 만한지 측정할 기준을 직접 정의하고, 정답 궤적이 없는 반사실 예측을 무엇으로 검증할지도 함께 정합니다.
실제 게임 없이 모델 안에서 미래를 미리 돌려 행동을 계획하거나 정책을 학습하는 에이전트를 실험하고, 게임 내 요소와 NPC 생성처럼 학습한 동역학이 있어야 가능해지는 응용을 탐색합니다.

이 포지션에서 특히 중요한 문제

제품에 탑재되는 온디바이스 감지 모델은 AI/ML Engineer 포지션이 맡고, 이 포지션은 그 앞단에서 게임의 동역학 자체를 학습하는 연구를 하기 때문에 아래 문제들이 특히 중요합니다.

화면은 게임 상태 전체가 아니라 한 플레이어의 시야이고, 화면 밖에서 일어난 일은 관측에 남지 않는 조건에서 동역학을 학습해야 하는 문제
다음 화면을 결정하는 것이 내 키 입력만이 아니고, 그 변화를 만든 다른 플레이어의 행동은 데이터에 남지 않는 조건에서 전이를 학습해야 하는 문제
패치와 메타가 바뀌면 동역학과 화면이 함께 바뀌기 때문에, 한 번 학습한 모델이 언제까지 유효한지 판단해야 하는 문제
예측을 여러 단계 이어 붙일수록 오차가 쌓이는 상황에서, 어디까지를 믿을 만한 예측으로 볼지 기준부터 정의해야 하는 문제
다음 화면을 맞히는 일 자체는 라벨 없이도 학습 신호가 생기지만, 픽셀을 그대로 맞히면 손실의 대부분이 배경과 UI에 쓰이기 때문에 무엇을 어느 공간에서 예측할지부터 정해야 하는 문제
화면과 키 입력이 서로 다른 클럭에서 수집되는 탓에, 무엇을 한 스텝으로 볼지 정하는 일부터가 모델 설계 결정이 되는 문제

팀에서 만들어갈 서비스

플레이 기록과 편집 (Record · Edit)

유저가 놓치고 싶지 않은 순간이 더 정확하게 기록되도록 녹화 경험을 개선합니다.
편집 경험을 개선해 유저가 자신의 플레이를 더 자주, 더 깊이 다루도록 만듭니다.
이 과정에서 화면과 키 입력, 음성이 시간축으로 맞물린 채 남도록 수집 방식을 설계합니다.

게임 월드 모델 (World Model)

게임마다 규칙과 화면이 다른 조건에서도 동역학이 공유되는 층위가 어디인지 찾습니다.
제품에서 이미 쓰이고 있는 감지 모델이 놓치는 맥락을, 학습한 표현이 설명할 수 있는지 검증합니다.
모델이 좋아질수록 어떤 순간이 중요한지 제품이 더 잘 판단하도록 만듭니다.

예측과 생성 (Predict · Generate)

다음에 무슨 일이 벌어질지 미리 아는 것이 유저 경험을 어떻게 바꾸는지 제품으로 확인합니다.
게임 내 요소와 NPC처럼 학습한 동역학이 있어야 가능해지는 새로운 제품 경험을 탐색합니다.
연구 결과가 도르 안에서 유저가 실제로 쓰는 기능으로 이어지도록 만듭니다.

연구를 남기는 방식

연구 결과를 밖으로 내는 것을 장려합니다. 학회 발표와 논문 투고, 오픈소스 공개를 회사가 지원하고, 제품 경쟁력과 직접 부딪히는 부분이 있으면 그 범위만 함께 조정합니다.

실험에 필요한 컴퓨팅 자원은 회사가 제공하며, 규모는 진행 중인 연구에 맞춰 조정합니다.

우리 팀이 일하는 방식

도르팀은 대표가 원하는 제품이 아니라 고객이 원하는 제품을 만듭니다.
1~2주의 짧은 이터레이션 안에서 문제 정의, 가설 수립, 실행, 측정, 학습을 반복합니다.
AI Researcher도 논문에서 끝나는 연구가 아니라, 학습한 모델이 실제 유저의 플레이에 닿는 지점까지 함께 보는 역할입니다.
빠르게 만들고, 빠르게 검증하고, 빠르게 방향을 조정합니다.
데이터와 유저의 목소리를 바탕으로 실제 임팩트를 만드는 데 집중합니다.
성능 수치뿐 아니라 사용자 경험까지 연결되는 결과를 중요하게 봅니다.

기술 스택

모든 스택에 대한 경험을 기대하지 않습니다. 다만 빨리 배우고 습득이 가능하기를 기대합니다.

AI / Research

Python
PyTorch
World Model
Action-Conditioned Prediction
Latent Dynamics / State Space Model
Sequence / Video Modeling
Model-based RL / Planning
Counterfactual Reasoning
Generative Model

Data / Infra

Data Pipeline
Large-scale Video / Audio Processing
Multimodal Data Alignment
Distributed Training
Experiment Tracking

자격 요건

학교 연구, 수업 프로젝트, 개인 프로젝트 어디에서든 딥러닝 모델을 직접 설계하고 학습시켜본 분
Python과 PyTorch로 실험을 스스로 설계하고 결과를 해석해본 분
논문이나 공개된 코드를 읽고 직접 구현해 돌려본 경험이 있는 분
정리되지 않은 데이터를 학습 가능한 형태로 만들어본 경험이 있는 분
AI 코딩 툴(Cursor, Claude Code 등)을 실험 파이프라인과 코드 작성에 적극 활용하는 분
연구 코드에 머무르지 않고 데이터가 만들어지는 제품 코드까지 직접 고칠 수 있는 분

우대 사항

[최우선 우대] AI 툴을 활용해 실험 파이프라인이나 연구 프로토타입을 직접 구축해본 분
world model, latent dynamics, sequence modeling, video generation, 강화학습(특히 model-based RL)이나 planning 관련 연구 경험이 있는 분
world model이나 sequence · video 모델 논문을 직접 재현 구현해보고, 무엇이 재현되고 무엇이 안 되었는지 정리해본 분
논문 게재 또는 투고 경험이 있거나, 오픈소스 프로젝트에 기여해본 분
머신러닝 관련 석사 · 박사 과정에 재학 중이거나 연구실에서 연구를 수행해본 분
게이머이거나 게임 플레이 맥락에 대한 이해가 높은 분

이런 분과 잘 맞아요

아직 정답이 없는 문제를 스스로 정의하고 끝까지 파고드는 사람
학교에서는 구하기 어려운 데이터 위에서 자기 연구 주제를 밀어붙이고 싶은 사람
모델을 만드는 일과 그 데이터를 만드는 일을 나누지 않는 사람
연구 결과를 논문과 공개된 코드로 남기고 싶은 사람
전 세계 게이머의 플레이 데이터 위에서 게임 월드 모델을 만들고 싶은 사람

이력서에서 이런 점을 알려주세요

지금까지 어떤 문제를 풀었고 왜 그 문제를 골랐는지 알려주세요. 수업 프로젝트나 개인 연구도 좋습니다.
직접 설계하고 학습시킨 모델이 있다면 문제 정의와 접근 방법, 실패한 시도까지 함께 적어주세요.
논문이나 공개된 코드를 재현해본 경험이 있다면 무엇이 재현되고 무엇이 안 되었는지 적어주세요.
정리되지 않은 데이터를 학습 가능한 형태로 만들어본 경험이 있다면 구체적으로 적어주세요.
논문, 오픈소스 기여, 캐글, 연구실 인턴, 개인 프로젝트처럼 결과물을 확인할 수 있는 링크를 남겨주세요.
업무와 경력의 나열보다 지원자님의 문제 정의, 고민, 액션, 학습, 성과가 드러나면 좋습니다.

채용 절차

지원서 접수

이력서 및 포트폴리오 제출

직무 / 컬처핏 인터뷰

팀과의 가치관 및 업무 방식 확인

과제 인터뷰

필요 시 진행 · 레퍼런스 체크 포함

처우 협의

연봉 및 스톡옵션 조건 협의 후 최종 합류

모든 채용 과정은 7일 이내에 완료됩니다. 집중 채용기간 중에는 단계마다 빠르게 연락드립니다.

채용공고 확인하기 →