엘박스 LBOX

엘박스의 Machine ​Learning ​Engineer를 ​소개해요.

엘박스는 국내 ​최고의 법률 AI Agent, ​엘박스 ​AI를 통해 ​법률 시장을 혁신하는 ​팀이에요. 법률 ​리서치, ​문서 분석, ​문서 ​작성 ​등 다양한 실무 ​영역에서 ​유의미한 수준의 답변을 ​제공하기 ​위해 ​노력하고 있어요. 국내 ​최대 법률 ​문서 ​데이터베이스를 기반으로 ​동작하는 Agentic ​AI를 ​구축해 수만 명의 ​법률 전문가가 ​매일 사용하는 서비스로 거듭나는 중이에요.

엘박스의 Machine Learning Engineer는 Core AI 스쿼드에서 엘박스 AI 제품 개발을 담당해요. 모델에 대한 연구보다는 LLM·RAG·Agentic AI 기반의 프로덕트를 안정적으로 운영하고, 품질·성능·비용을 지표로 관리하며 개선 사이클을 주도적으로 수행해요. 특히, 법률 도메인에서 필요한 높은 수준의 신뢰성과 정확도를 확보하기 위해 빠르게 실험하고, 검증 가능한 평가 체계를 기반으로 제품을 개선하고 있어요.

[엘박스의 Machine Learning Engineer는 이런 문제를 풀고 있어요.]

• 검색, 추론, 생성으로 이어지는 복잡한 연쇄 과정은 외부 요인의 변화에도 끊김 없이 동작해야 해요. 이를 위해 Fallback, Circuit Breaker, Retry 전략 등을 적재적소에 배치해 resilientg한(또는 견고한) 아키텍처를 구축하고 있어요.
• "그럴듯한 답변"은 오답보다 위험해요. 복잡한 법률 질의를 처리하기 위한 RAG 파이프라인을 고도화하고, 쿼리 분석·리랭킹·Fact-Checking 모듈을 통해 답변의 정확도를 엔지니어링 레벨에서 보장해요.
• "왜 답변이 이렇게 나왔을까?"를 감으로 추측하지 않아요. 복잡한 Agent의 추론 과정과 Tool 실행 흐름을 시각화할 수 있는 Tracing 시스템을 구축해 내부를 들여다보고 근본 원인을 규명해요.
• LLM-as-a-judge, Golden Set 기반의 자동화된 평가 시스템을 구축해 코드 한 줄의 변경이 성능에 미치는 영향을 정량적으로 측정하고 배포해요.

어떤 일을 하나요?

• LLM, RAG, Agentic AI 기반 시스템의 설계부터 구현, 배포, 그리고 운영까지 제품의 전체 수명주기를 책임지고 주도해요.
• Agent의 핵심 컴포넌트를 제품 요구사항에 맞춰 최적으로 구성하고, 트래픽 증가에도 유연하게 대응할 수 있는 스케일링 전략을 수립해요.
• 검색과 생성 파이프라인을 프로덕션 기준으로 설계하며, Fallback, Retry, Circuit Breaker, Rate Limit 등 다양한 안전장치를 통해 장애와 품질 저하를 사전에 방지해요.
• 캐싱과 배치 처리, 모델 라우팅 기술 등을 활용하여 응답 지연시간과 인퍼런스 비용을 최적화하고 시스템 효율을 극대화해요.
• 단순한 로그 수집을 넘어 메트릭과 트레이싱이 통합된 Observability 체계를 구축하여, 복잡한 에이전트 동작 과정을 투명하게 시각화해요.
• 환각(Hallucination), 근거 누락, 도구 오작동 등 품질 이슈가 발생했을 때 가설과 실험을 통해 근본 원인을 규명하고, 이를 바탕으로 모델과 인덱스를 개선해요.
• LLM-as-a-judge, A/B 테스트, 온/오프라인 평가 등 검증 가능한 체계를 설계하여, 프롬프트나 룰 변경이 서비스에 미치는 영향을 정량적으로 통제해요.
• 데이터 기반의 릴리즈 전략을 통해 리스크를 최소화하며, 지속적으로 개선되는 모델을 사용자에게 안전하게 배포해요.

이런 능력을 가진 분과 함께 하고 싶어요.

• 소프트웨어 엔지니어링 경력 5년 이상(또는 그에 준하는 역량)을 바탕으로, 단순 기능 구현을 넘어 유지보수성과 확장성을 고려한 코드를 작성하시는 분
• 요구사항을 검증하고 시스템 안정성을 지키는 의미 있는 테스트를 작성하시는 분
• LLM 및 RAG 기반 상용 서비스 End-to-End 경험을 1년 이상 해보신 분
• 단순히 프레임워크의 API를 호출하는 것에 그치지 않고, 사용하는 기술의 내부 동작 원리를 깊이 이해하여 성능 한계와 사이드 이펙트를 명확히 예측할 수 있는 분
• AWS/GCP 등 Public Cloud 환경에서의 서비스 운영 경험과 백엔드 전반에 대한 이해를 바탕으로, AI 모델을 독립된 기능이 아닌 완성된 제품으로 통합할 수 있는 분
• 검색과 기록에서 멈추지 않고, 실험과 직접 구현을 통해 가설을 검증하고 지식을 내재화하시는 분
• 목표 달성을 위해 단일 솔루션에 고착되지 않고 다양한 기술적 전략을 고민하며, 장애를 대비하는 견고한 설계를 하시는 분

이런 경험이 있다면 더욱 좋아요.

• Agentic AI를 구성하는 핵심 컴포넌트들을 실험을 넘어 아닌 실제 제품 맥락에서 설계하거나 운영해 본 경험
• RAG 품질을 체계적으로 관리하기 위해 E2E 평가 프레임워크(LLM-as-a-judge 등)를 구축하고, 정량적 지표를 기반으로 모델을 개선해 본 경험
• Elasticsearch 등을 활용한 하이브리드 검색, Re-ranking, 쿼리 분석 등 IR(Information Retrieval) 파이프라인 고도화 경험
• Kubernetes, ArgoCD, Helm 등을 활용해 배포 파이프라인을 표준화하거나, 데이터 품질 관리(검증, Drift) 및 재학습, 재색인 과정을 자동화해 본 경험
• 애플리케이션 레벨을 넘어 쿼리 실행 계획 분석이나 인프라 리소스 최적화, 부하 테스트 등을 통해 시스템 성능을 극한으로 튜닝해 본 경험
• 기술 스택 선정 시 명확한 근거 없이 유행을 따르지 않고, 문제의 본질과 조직의 상황을 고려하여 합리적인 Trade-off 판단을 내리시는 분
• 최신 기술을 빠르게 프로토타이핑하여 가능성을 검증하거나, 코드 리뷰와 기술 공유를 통해 개발 환경과 조직 문화의 발전에 능동적으로 기여해 본 경험

엘박스 Machine Learning Engineer의 기술 스택

• Serving & Agent Framework
• FastAPI, LangChain, LangGraph, Pydantic AI
• Search & Knowledge Store
• Elasticsearch, Milvus, Qdrant, Neo4j, PostgreSQL, Redis
• Observability
• Langfuse, OpenTelemetry, Datadog
• Infrastructure & Cloud
• AWS (EKS, ECS, Lambda, etc), GCP, Azure
• Kubernetes, Docker
• DevOps & CI/CD
• ArgoCD, Helm, GitHub, Jenkins

엘박스팀 합류 여정

서류 지원 > 1차 직무역량 인터뷰 > 2차 조직문화 인터뷰 > 3차 CEO 인터뷰 및 레퍼런스 체크 > 최종합격

• 프로세스는 상황에 따라 사전 안내 후 일부 변경될 수 있어요.
• 1차 직무역량 인터뷰는 1시간 30분 정도 소요돼요.
• 2차 조직문화 인터뷰는 1시간 정도 소요돼요.

엘박스 다큐멘터리

▶️ 엘박스 다큐멘터리ㅣThe Bridge

Contact

위 포지션과 관련하여 궁금한 사항은 언제든지 편하게 말씀해 주세요.

채용 문의 : [email protected]