FewerJobs.
All jobs

Staff, Machine Learning Research Scientist (Azar)

Match Group - Seoul, South Korea

Posted Sep 10, 2026

Benefits

Parental leave
Not verified
Non-birth-parent leave
Not verified
Family-building benefits
  • Fertility benefits: Not verified
  • Adoption assistance: Not verified
  • Surrogacy assistance: Not verified
Mental health support
Not verified
Relocation assistance
Not verified
Childcare support
Not verified
Learning budget
Not verified
Verification
Not verified checked Nov 20, 2026
Salary
Not verified
401(k) match
Reported from DOL Form 5500 industry filing (not employer-specific)

Was this benefit information wrong? Tell us.

Market context

U.S. role benchmark (BLS OEWS)
$111,944 U.S. median for this role
Projected growth (BLS Employment Projections)
+13.7% - Much faster than average

Matched to SOC 15-1252 - Data and ML aggregate by role bucket.

Source:U.S. Bureau of Labor Statistics, OEWS, May 2024andEmployment Projections, 2024-2034.

Role

Role function
Data From the posting source checked Nov 16, 2026
Seniority
Staff Plus From the posting source checked Nov 16, 2026

Schedule

Shift type
Not verified
Weekend work
Not verified

Company

Equity
Offered Verified - SEC 10-K source checked Nov 16, 2026

Application

Cover letter
Not verified
Assessment
Not verified
Deadline
Not stated

Where they hire

State eligibility is not yet verified.

About this role

Staff, Machine Learning Research Scientist (Azar) Seoul, South Korea HYPERCONNECT AI 소개 HYPERCONNECT AI는 머신러닝 연구를 통해 실제 비즈니스 성과를 만들어내는 조직입니다. 비즈니스 문제를 ML 문제로 재정의하고, 제품의 핵심 지표를 개선하는 데 집중합니다. 외부 솔루션을 단순히 적용하는 것은 지양하고, 문제 설정부터 다시 고민하며 최선의 선택을 직접 만들어갑니다. 그 결과 HYPERCONNECT AI의 연구 성과는 실제 비즈니스 임팩트로 이어져 왔으며, 그 중 아주 일부 사례는 본사인 Match Group의 Earnings Letter를 통해 소개되기도 했습니다. HYPERCONNECT AI에서 연구는 목적이 아니라 수단이며, 목표는 명확한 비즈니스 임팩트입니다. HYPERCONNECT AI에서 풀고 있는 문제들의 예시는 다음과 같습니다. 추천 모델 스케일링: LLM에서는 스케일링 법칙이 널리 받아들여지지만, 추천 모델에서는 그렇지 않습니다. 우리는 모델과 데이터 규모가 커질수록 성능도 함께 개선되는 구조를 만드는 연구를 진행합니다. LLM을 포함한 대형 모델을 다루되, 추론 등 현실적인 제약사항을 고려하여 모델을 설계합니다. 추천 모델 정렬: 모든 추천 문제는 결국 "이 유저에게 이 콘텐츠를 보여줬을 때 비즈니스가 얼마나 성장할지"를 정량적으로 측정하는 문제입니다. 강화학습, 인과 추론, 게임 이론 등을 바탕으로 스케일링된 추천 모델을 포스트 프로세싱하여 비즈니스 목표와 정렬하는 방법을 연구합니다. 멀티모달 LLM을 활용한 모더레이션 ML 프로세스 자동화: 이미지, 음성, 텍스트 등 여러 모달리티에 걸친 Trust & Safety(모더레이션) ML 과정에서 사람이 수행하던 데이터 레이블링, 모델 개선, 평가 등의 단계를 LLM으로 자동화하고 고도화하는 연구를 진행합니다. LLM이 회사의 내부 데이터와 정책을 정확히 이해하고, 그 판단을 내부 전문가 수준으로 신뢰할 수 있도록 만드는 데 집중합니다. 연구 결과 중 의미 있는 성과는 논문이나 오픈소스 형태로 외부에 공개하기도 합니다. 논문 출판을 목표로 하지는 않지만, 제품 문제를 해결하는 과정에서 기존 연구로 충분히 설명되지 않는 부분이 있을 경우 이를 정리해 연구 성과로 남깁니다(참고). 지금까지 약 20여 건의

Read the full description at jobs.lever.co. FewerJobs shows a preview and links to the original posting.

Apply at jobs.lever.co

Apply link verified; last checked Nov 20, 2026.

What verified means

Verified means a displayed claim has field-level provenance to a source FewerJobs pulled: a government or employer source, or the original job posting. Posting-sourced facts are employer-stated and are labeled separately from government records.

Related jobs