1. 2026 무신사 MUSINSA ROOKIE AI NATIVE.hwp
2. 2026 무신사 MUSINSA ROOKIE AI NATIVE.pdf

모델 성능"과 "서비스 성과"가다를 때, 무엇을 기준으로 의사결정하겠습니까
AINativeE ngineer는 모델을 만드는 엔지니어가 아니라, 제품이 AI를 중심으로 동작하도록 전체 시스템을 설계하는 엔지니어입니다.
추천 은 성능이 아니라 시스템입니다.
비용과 지연입니다.
이 때 중요한 건 "모델이 틀렸는지, 제품 설계가 틀렸는지"를 분해하는 것입니다.
중요한 건 자동화입니다.
즉, LLM을 쓰는 건 기술 선택이 아니라 운영 선택입니다.
AI 실무에서 데이터 품질은 늘 현실입니다.

무신사 같은 커머스에서 AI가 가장 큰 가치를 내는 지점 3가지를 우선순위로 말해보세요
압박 : 인턴인데"AINative"를 말할 수준이 됩니까.
저는 AI를 "기능하나 추가하는 기술"이 아니라 "제품을 만드는 방식 자체를 바꾸는 운영 언어"라고 봅니다.
단순히 모델을 잘 만드는 사람은 어디에나 있지만, 비즈니스 지표 를 바꾸는 모델을 설계하고, 안정적으로 운영하고, 실험과 학습을 반복하는 사람은 드뭅니다.
AINativeE ngineer는 모델을 만드는 엔지니어가 아니라, 제품이 AI를 중심으로 동작하도록 전체 시스템을 설계하는 엔지니어입니다.
MLE ngineer가 모델 학습과 성능 개선에 집중한다면, AINative는 데이터 수집부터 피처, 학습, 배포, 모니터링, 실험, 폴백, 비용 통제까지 "서비스의 생애주기"를 책임집니다.
DataE ngineer가 안정적 파이프라인을 만든다면, AINative는 그 파이프라인이 학습과 추 론에 최적화되도록 스키마와 이벤트 정의, 피처 재사용, 품질지표를 설계합니다.
개인화 추천과 피드 경험입니다. 고객의 취향과 맥락에 맞는 노출이 늘면 체류와 재방문이 올라가고 장기적으로 LTV가 커집니다.
후보 생성은 대규모 아이템 중 가능성이 있는 세트를 빠르게 뽑는 단계이고, 랭킹은 그 후보를 개인화로 정렬하는 단계입니다.
검색은 사용자가 통제감을 느껴야 하므로 개인화는 노출 순서의 미세조정 정도로 제한하고, 필터·정렬 UI와 함께 설계합니다.
모델 성능이 높아도, 노출 정책, UI, 가격, 재고, 배송 같은 현실 변수 때문에 성과가 안 날 수 있습니다.
신규/기존, 고관여/저관여, 카테고리별로 성과가 다르면 모델보다는 정책이나 UI 문제일 가능성이 큽니다.
필요하면 실험을 중단하고 다시 설계합니다.
실시간이 필요한 건 사용자의 즉시 행동이 반영돼야 하는 영역입니다.
저는 실시간을 "멋있어서 "쓰지 않습니다.
개인화는 개인정보를 많이 쓰는 게 아니라, 필요한 것만 안전하게 쓰는 게 실력입니다.
저는 AI를 만능처럼 팔지 않겠습니다.
단순 모델 개발이 아니라, 이벤트 정의, 피처 품질 체크, 오프라인 평가 리포트, 온라인 실험설계, 운영 모니터링, 장애 폴백까지 포함된 운영 가능한 산출물을 만들겠습니다.
예를 들어 상품 요약, 스타일 코디 제안, CS 자동응답 중 하나를 택해, 근거 데이터 제한(RAG), 금칙어 / 환각 방지, 비용 통제(캐싱/배치), 품질평가 기준까지 명확히 한 PoC로 보여드리겠습니다.
인턴 성과는 발표 자료가 아니라, 팀이 다음달에도 계속 쓰는 결과물이어야 합니다.
커머스에서 AI는 매출을 올리기도 하지만, 더 중요한 건 실패 비용을 줄입니다.
저는 이 누적을 만드는 것이 진짜 AI의 가치라고 봅니다.만약 AI가 숫자 를 못 바꾸면, 그건 기술이 아니라 취미입니다.
저는 "조건부로 "쓰겠습니다.
커머스에서 틀린 정보는 치명적이니, LLM을 '답' 생성기가 아니라 '정리/요약/추천 설명'처럼 통제 가능한 역할에 먼저 씁니다.
즉, LLM을 쓰는 건 기술 선택이 아니라 운영 선택입니다.
통제할 수 있으면 씁니다.
다만 책임진다는 건 "혼자 다 하겠다"가 아니라, 문제를 해결 가능한 형태로 바꾸겠다는 뜻입니다.라벨이 부족하면 약지도, 자기 지도, 로그 기반의 암묵적 피드백을 활용할 수 있습니다.
AI 실무에서 데이터 품질은 늘 현실입니다.
즉, 저는 모델만 만지는 인턴이아 니라, 운영 가능한 형태로 만드는 인턴이 되겠습니다.
인턴 기간에는 추천 또는 검색 중 한 영역에서 운영 가능한 MVP를 만들고, 지표대시보드와 폴백까지 포함한 산출물을 남기겠습니다.

이다, 가다, 모델, 추천, ai, 검색, 만들다, 늘다, 데이터, 지표, 설계, 통제, 폴, 운영, 피처, 기반, 품질, 백, 가능하다, 배치