Machine Learning Engineer / Research Engineer
Machine Learning Engineer는 제품에 들어갈 모델을 만들고 배포하는 엔지니어이고, Research Engineer는 새 모델을 만드는 연구가 대규모로 돌아가게 하는 엔지니어입니다. 둘 다 모델을 만드는 쪽의 자리이고, 고객을 직접 만나지 않습니다. 제품 회사는 주로 Machine Learning Engineer를, AI 랩과 연구 조직은 Research Engineer를 뽑으며, 연구자(Research Scientist)와 한 공고로 묶어 뽑는 곳도 많습니다.
주요 업무
- 데이터를 모으고 다듬습니다. 학습에 쓸 데이터를 수집하고 정제하고 걸러냅니다. 대규모 모델에서는 이 단계만 맡는 팀이 따로 있을 정도입니다.
- 모델을 학습시키고 조정합니다. Machine Learning Engineer는 추천, 검색, 랭킹처럼 제품에 들어갈 모델을, Research Engineer는 대규모 분산 학습과 사후학습(post-training, 기본 학습을 마친 모델을 추가로 다듬는 단계)을 맡습니다.
- 학습·평가 파이프라인과 인프라를 만듭니다. Research Engineer 업무의 중심입니다. OpenAI는 이 자리의 요건을 "대규모 분산 머신러닝 시스템을 설계하고 구현하고 개선하는 탄탄한 엔지니어링 기술"이라고 적습니다.
- 모델을 배포하고 추론을 최적화합니다. Machine Learning Engineer 업무의 중심입니다. 양자화·증류로 모델을 가볍게 만들고 추론을 최적화해, 모델이 실제 서비스에서 요청을 처리하게(서빙) 합니다.
- 실험과 지표로 검증합니다. 결과를 재현할 수 있는 실험으로 확인하고, Research Engineer는 논문과 연구 성과에도 기여합니다.
Research Scientist와의 차이
연구 조직에서는 Research Scientist와 나란히 일해서 같은 자리로 보이지만, 맡는 것과 요구하는 학위가 다르고, 둘의 경계는 회사마다 다릅니다.
- 맡는 것이 다릅니다. 머신러닝 시스템 설계에 관한 책을 쓴 Chip Huyen은 "Research Scientist가 독창적인 아이디어를 낸다면, Research Engineer는 엔지니어링 기술로 그 아이디어의 실험을 준비하고 돌린다"고 씁니다.
- 요구하는 학위가 다릅니다. Research Scientist는 박사나 1저자 논문을 요구하는 것이 보통이고, Research Engineer는 그렇지 않습니다.
- 둘의 경계는 회사마다 다릅니다. Anthropic은 채용 페이지에 "엔지니어가 연구를 많이 하고, 연구자가 엔지니어링을 많이 한다"고 쓰고, 두 직무를 한 공고로 뽑는 회사도 많습니다.
유사 직무와의 차이
- Applied AI Engineer와는 모델을 만드는지 활용하는지가 다릅니다. Applied AI Engineer는 만들어진 모델로 고객이나 제품의 시스템을 만들고, 대부분 고객을 만납니다. Machine Learning Engineer와 Research Engineer는 모델을 만들고, 고객을 만나지 않습니다.
- Research Scientist와는 맡는 것이 다릅니다. Research Scientist가 아이디어와 실험 설계를 맡는다면, Research Engineer는 그것이 대규모로 돌아가게 하는 것을 맡습니다.
- Data Scientist와는 산출물이 다릅니다. Data Scientist는 데이터를 분석해 의사결정의 근거를 만들고, 이 두 자리는 실제로 돌아가는 모델과 시스템을 만듭니다.
요구 역량
학위 요구는 조직의 종류에 따라 갈립니다. 제품 회사의 Machine Learning Engineer는 학위보다 경력과 배포 실적을 봅니다. 한국의 대기업 연구 조직과 AI 반도체·통신사의 Research Engineer는 석사를 필수로, 박사와 논문을 우대로 적는 것이 일반적입니다. 글로벌 AI 랩의 Research Engineer는 학사를 최소 요건으로 두는 곳이 많습니다. Anthropic은 "약 절반이 박사지만 대학을 안 간 뛰어난 동료도 많다"고 씁니다. 공개된 Machine Learning Engineer·Research Engineer 공고 수십 건을 겹쳐 보면 세 가지가 공통입니다.
- 머신러닝·딥러닝 이론과 PyTorch로 직접 구현하는 능력. 모델을 직접 만들고 고치는 자리라 이론이 필요합니다.
- 대규모 학습·서빙 시스템 경험. 분산 학습 프레임워크, 추론 엔진, GPU 자원을 다뤄 본 경험입니다. Research Engineer 공고는 이 항목의 비중이 가장 큽니다.
- 실험을 설계하고 지표로 검증하는 능력. 바뀐 것이 실제로 나아졌는지 재현 가능한 방법으로 확인합니다.
FAQ
Machine Learning Engineer와 Research Engineer는 같은 자리인가요? 아닙니다. Machine Learning Engineer는 제품에 들어갈 모델을 만들고 배포하고, Research Engineer는 새 모델을 만드는 연구의 인프라와 실험을 맡습니다. 다만 스타트업에서는 한 사람이 학습과 배포, 활용까지 섞어 맡는 채용공고도 있습니다.
학위가 필수인가요? 조직의 종류에 따라 다릅니다. 제품 회사의 Machine Learning Engineer는 학위를 요구하지 않는 곳이 대부분입니다. 한국 연구 조직의 Research Engineer는 석사가 일반적이고, 글로벌 AI 랩은 학사를 최소 요건으로 두는 곳이 많습니다. Research Scientist는 박사가 보통입니다.
AI 회사에서 이 자리는 어느 조직에 속하나요? Machine Learning Engineer는 제품 조직에, Research Engineer는 연구 조직이나 모델 플랫폼 조직에 속합니다. 고객을 만나는 조직에는 Applied AI Engineer가 따로 있습니다.
