도르는 6명이 2년 만에 월간 활성 사용자(MAU) 200만 명을 만든 게이머 소셜 미디어입니다. 도르팀의 AI Researcher는 관측과 행동으로부터 다음 상태를 예측하고, 실제 게임을 실행하지 않고도 여러 단계 앞의 미래를 시뮬레이션하는 게임 월드 모델을 만드는 역할입니다. 도르에 쌓이는 플레이 화면과 이를 만들어낸 키 입력을 바탕으로, 게임의 동역학을 학습하고 새로운 제품 경험으로 연결합니다. 정규직과 연구 인턴을 함께 모집하며, 경력 연차나 학위 요건은 없습니다. 재학생도 지원할 수 있습니다. 도르팀은 이렇게 일합니다. • 대표가 원하는 제품이 아니라 고객이 원하는 제품을 만듭니다. • 1~2주의 짧은 주기로 문제 정의, 가설 수립, 실행, 측정, 학습을 반복합니다. • 데이터와 유저의 목소리를 바탕으로 판단하고, 실제 성과를 만드는 데 집중합니다. • 빠르게 만들고 검증하며, 학습한 내용을 바탕으로 방향을 조정합니다. • 논문에서 끝나는 연구가 아니라, 학습한 모델이 실제 유저의 플레이와 제품 경험으로 이어지는 결과를 중요하게 봅니다.

이 포지션은 도르의 녹화와 편집 기능을 직접 개선해 학습에 필요한 데이터를 만드는 일에서 시작합니다. 데이터가 갖춰지는 만큼 월드 모델 학습과 이를 활용한 실험으로 업무의 무게중심이 옮겨갑니다. 제품 개선과 학습 데이터 구축 • 유저가 놓치고 싶지 않은 순간을 더 정확하게 기록하고, 자신의 플레이를 더 자주, 더 깊이 다룰 수 있도록 녹화와 편집 경험을 개선합니다. • 제품 코드를 직접 수정해 어떤 신호를 어떤 주기로 수집할지 정하고, 화면과 키 입력, 음성이 시간축에 맞춰 기록되도록 설계합니다. • 서로 다른 클럭에서 수집되는 데이터의 프레임 드롭과 타임스탬프 오차를 다룰 정렬 기준을 정의합니다. • 매월 2억 개 규모로 쌓이는 영상 가운데 행동이 함께 기록된 데이터를 학습 가능한 시퀀스로 가공합니다. 게임 월드 모델 설계와 학습 • 관측과 행동을 입력받아 다음 상태를 예측하는 게임 월드 모델을 설계하고 학습합니다. • 화면처럼 정보량이 큰 신호를 압축한 잠재 상태 표현을 설계하고, 키 입력을 조건으로 상태 전이를 학습합니다. • 음성처럼 환경 상태보다 플레이어의 의도에 가까운 신호를 모델의 어디에 반영할지 실험합니다. • 게임마다 규칙과 화면이 다른 조건에서도 동역학이 공유되는 층위를 찾습니다. • 학습한 표현이 기존 감지 모델이 놓치는 맥락을 설명할 수 있는지 검증하고, 제품이 중요한 순간을 더 잘 판단하도록 만듭니다. 예측, 계획과 생성 실험 • 학습한 모델 안에서 여러 단계 앞의 상황을 예측하고, 같은 상황에서 다른 행동을 했다면 결과가 어떻게 달라졌을지 탐색합니다. • 예측의 신뢰도를 측정할 기준을 정의하고, 정답 궤적이 없는 반사실 예측을 검증할 방법을 설계합니다. • 실제 게임 없이 모델 안에서 미래를 시뮬레이션하며 행동을 계획하거나 정책을 학습하는 에이전트를 실험합니다. • 미래 예측이 유저 경험을 어떻게 바꾸는지 제품으로 확인하고, 학습한 동역학을 활용한 게임 내 요소와 NPC 생성 등의 응용을 탐색합니다. • 연구 결과가 도르 안에서 유저가 실제로 사용하는 기능으로 이어지도록 만듭니다. AI 코딩 툴을 활용한 연구와 제품 구현 • Cursor, Claude Code 등 AI 코딩 툴을 적극 활용해 학습 파이프라인, 평가 도구, 데이터 파이프라인과 제품 통합 코드를 직접 작성하고 배포합니다. • 자신만의 뚜렷한 ML 강점을 바탕으로 연구 코드에 머무르지 않고 백엔드, 프런트엔드, 데스크톱 앱 영역에도 코드로 기여합니다. • 모델이 실제 제품 안에서 유저 경험으로 이어지는 지점까지 함께 책임집니다. 이 포지션에서 특히 중요한 연구 문제 제품에 탑재되는 온디바이스 감지 모델은 AI/ML Engineer 포지션이 담당합니다. AI Researcher는 게임의 동역학 자체를 학습하며, 다음과 같은 문제를 다룹니다. • 부분 관측: 화면은 게임 상태 전체가 아니라 한 플레이어의 시야입니다. 화면 밖에서 일어난 일이 관측되지 않는 조건에서 동역학을 학습합니다. • 관측되지 않는 다른 플레이어의 행동: 다음 화면은 내 키 입력만으로 결정되지 않습니다. 다른 플레이어의 행동이 데이터에 남지 않는 조건에서 상태 전이를 학습합니다. • 패치와 메타 변화: 동역학과 화면이 함께 바뀌는 환경에서, 학습한 모델이 언제까지 유효한지 판단합니다. • 다단계 예측의 오차 누적: 예측을 여러 단계 이어갈수록 오차가 쌓이는 상황에서, 어디까지를 신뢰할 수 있는 예측으로 볼지 정의합니다. • 예측 대상과 표현 공간: 다음 화면 예측은 별도 라벨 없이도 학습 신호를 얻을 수 있지만, 픽셀을 그대로 맞히면 손실 대부분이 배경과 UI에 쓰입니다. 무엇을 어느 공간에서 예측할지 설계합니다. • 시간 단위 정의: 화면과 키 입력이 서로 다른 클럭에서 수집되는 조건에서, 무엇을 한 스텝으로 볼지부터 모델 설계의 일부로 결정합니다.

• 학교 연구, 수업 프로젝트, 개인 프로젝트 등에서 딥러닝 모델을 직접 설계하고 학습시켜본 분 • Python과 PyTorch로 실험을 스스로 설계하고 결과를 해석해본 분 • 논문이나 공개된 코드를 읽고 직접 구현해 실행해본 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 수정할 수 있는 분 기술 스택 및 연구 분야 • Python, PyTorch • World Model, Action-Conditioned Prediction • Latent Dynamics, State Space Model • Sequence Modeling, Video Modeling • Model-based RL, Planning • Counterfactual Reasoning, Generative Model 데이터 및 인프라 • Data Pipeline • Large-scale Video / Audio Processing • Multimodal Data Alignment • Distributed Training • Experiment Tracking 모든 기술 스택에 대한 경험을 기대하지는 않습니다. 다만 새로운 기술을 빠르게 배우고 활용할 수 있는 분을 기대합니다.

• World Model, Latent Dynamics, Sequence Modeling, Video Generation, 강화학습, 특히 Model-based RL이나 Planning 관련 연구 경험이 있는 분 • 월드 모델이나 시퀀스 및 비디오 모델 논문을 직접 재현 구현하고, 무엇이 재현되고 무엇이 재현되지 않았는지 정리해본 분 • 논문 게재 또는 투고 경험이 있거나 오픈소스 프로젝트에 기여해본 분 • 머신러닝 관련 석사 또는 박사 과정에 재학 중이거나 연구실에서 연구를 수행해본 분 • 게이머이거나 게임 플레이 맥락에 대한 이해도가 높은 분 이런 분과 잘 맞아요 • 아직 정답이 없는 문제를 스스로 정의하고 끝까지 파고드는 분 • 학교에서는 구하기 어려운 데이터 위에서 자신의 연구 주제를 밀고 나가고 싶은 분 • 모델을 만드는 일과 그 데이터를 만드는 일을 나누지 않는 분 • 연구 결과를 논문과 공개된 코드로 남기고 싶은 분 • 전 세계 게이머의 플레이 데이터 위에서 게임 월드 모델을 만들고 싶은 분 지원서 작성 안내 • 지금까지 어떤 문제를 풀었고 왜 그 문제를 선택했는지 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 재현되지 않았는지 적어주세요. • 정리되지 않은 데이터를 학습 가능한 형태로 만들어본 경험이 있다면 구체적으로 적어주세요. • 논문, 오픈소스 기여, 캐글, 연구실 인턴, 개인 프로젝트 등 결과물을 확인할 수 있는 링크를 남겨주세요. • 업무와 경력을 나열하기보다 지원자님의 문제 정의, 고민, 실행, 학습, 성과가 드러나도록 작성해주세요. 지원 전 커피챗을 통해 팀과 포지션에 대해 먼저 이야기 나눌 수도 있습니다.

• 지원서 접수: 이력서 및 포트폴리오 제출 • 직무 및 컬처핏 인터뷰: 팀과의 가치관 및 업무 방식 확인 • 과제 인터뷰: 필요 시 진행하며, 레퍼런스 체크 포함 • 처우 협의: 연봉 및 스톡옵션 조건 협의 후 최종 합류

근무 조건 • 고용 형태: 정규직, 연구 인턴 • 경력 및 학력: 경력 무관, 학위 요건 없음, 재학생 지원 가능 • 근무지: San Francisco, 서울 마포 • 근무 방식: 대면 근무, 자율 출퇴근 • 연봉: 협의(현재 연봉 대비 +20%~) 연구 지원 • 연구 결과를 외부에 공개하는 것을 장려하며, 학회 발표와 논문 투고, 오픈소스 공개를 회사가 지원합니다. • 제품 경쟁력과 직접 충돌하는 부분이 있다면 해당 범위만 함께 조정합니다. • 실험에 필요한 컴퓨팅 자원은 회사가 제공하며, 규모는 진행 중인 연구에 맞춰 조정합니다.