AI 연구원 이력서 예시

• OpenAI에서 다단계 추론을 위한 6개월 연구 아젠다를 담당. 실패율·가용 연산량·과학적 가치를 비교해 영향력 있는 연구 문제를 선택하고, 주간 실험 기록과 진행·중단 검토로 장기 프로젝트를 자율적으로 수행
• 고정 토큰 예산의 검증기 기반 추론을 위한 머신러닝 기법을 개발해 균등 샘플링·불확실성 기반 배분·지도학습 기준선을 비교. 오염 검사·구성 요소 절제 실험으로 배분 방식의 효과와 단순히 연산량을 늘린 효과를 구분
• PyTorch로 딥러닝 알고리즘의 고성능 구현을 작성하고 활성값 메모리와 처리량을 측정한 뒤 배치 구성과 체크포인팅을 변경. 프롬프트·시드·품질 검사를 유지하면서 고정 평가 실행을 GPU 11.4시간에서 8.1시간으로 단축
• 평가·인프라 동료와 협업해 대규모에서도 일반화되는 아이디어를 검증. 세 모델 크기에 동일한 기준선을 적용하고 홀드아웃 도메인에서 사라진 개선은 채택하지 않아 근거 없는 대규모 실행을 방지
• 검증기 예산 연구의 제1저자 프로젝트 보고서를 작성하고 불확실한 답변에 추가 추론 단계를 배분하는 새로운 아이디어를 검증. 절제 실험에서 답변을 길게 생성하는 것보다 어려운 예제를 선택하는 것이 중요함을 확인했고 독립 검토자가 실행 목록으로 비교 결과를 재현
• 낯선 도메인의 확신에 찬 오답과 답변 보류를 검사해 AI 기술의 영향을 평가. 벤치마크 정확도 상승만으로 근거 없는 답변이 안정적으로 줄지 않아 검토자가 실패 사례 부록과 공개 범위 제한을 승인
• 고정 의존성과 홀드아웃 과제로 기준선 재현; 무작위 시드별 신뢰구간을 보고하고 최고 성능 실행뿐 아니라 실패한 절제실험도 포함
• 고정 시드·동료 검토 가정을 활용한 머신러닝 제거 실험 책임; 교란된 기준 모델 해결 및 부정적 결과 재현 보고서 완료
• 커널 프로파일링을 활용한 고성능 구현 구축; 동일 정확도에서 평가 실행 시간 28% 단축 및 연구 방향과 관련된 한계 발행

• Google Research에서 버전 관리 데이터셋·세 개의 무작위 시드·홀드아웃 도메인 분할을 사용해 지시 튜닝 연구를 재현. 개선으로 보였던 결과 하나가 중복 예제에서 비롯됐음을 확인해 팀의 다음 실험 선택 전에 비교 결과를 정정
• 데이터셋 해시·고정 디코딩 설정·도메인별 오류 라벨을 포함한 지시 튜닝 평가 도구를 구축. 연구팀이 다음 연구에 도구를 재사용했고 검토자는 회귀 오류를 바뀐 학습 데이터 구성까지 추적
• 발행 지표와 원천 기록의 차이를 조사해 모집단이 바뀐 변환 단계 추적; 재현 가능한 쿼리로 계산 수정
• 최근 정상 갱신과 실패 실행을 비교해 원천 누락·변환 오류 분리; 영향 기간만 재실행하고 검토용 원래 쿼리·수정 결과 함께 보관

• 1,200개의 합성 다단계 과제에서 추론 정확도와 답변 보류를 비교하는 재현 가능한 연구 프로젝트를 구축. 데이터 생성 코드·기준선·실패 결과와 함께 합성 과제의 개선이 현실의 안전성을 입증하지는 않는다는 한계를 내부 프로젝트 보고서에 기록
• 같은 홀드아웃 과제에서 세 추론 예산별 정확도·생성 토큰·GPU 시간을 기록. 추가 연산이 어려운 추론에는 도움이 됐지만 확신에 찬 오답은 해결하지 못해 답변 보류 규칙이 있는 제한적 적응형 예산을 제안
• 중복·지연 도착·정정 값을 가진 합성 원천 기록 생성; 행 수·키 고유성 검증식을 작성하고 사례별 보고 지표의 기대 변화 기록
• 분석 결과와 수기 계산 기준표 대사; 차이를 변환 단계까지 추적하고 정정 쿼리에 데이터 사전·재실행 안내 첨부
• 수기 계산 기준표를 활용한 합성 데이터 검증 책임; 중복 키에 따른 과대 집계 해결 및 정정 합계 재현 노트북 완료

관련 과목: 머신러닝, 최적화, 통계적 추론, 재현 가능한 실험; 모델 평가 주제 학위논문

머신러닝 · 연구 아젠다 · 딥러닝 알고리즘 · 통제 실험 · 일반화

• 재현 가능한 쿼리를 활용한 개인 분석 방법론 발행; 데이터 단위·제외 기록·분모 변경에 따른 결과 민감도 설명