AI MLOps 엔지니어

우리는 이런 일을 합니다

우리는 문서를 이해하는 AI를 만듭니다. 영수증, 계약서, 신청서처럼 현장에서 쓰이는 문서에서 필요한 정보를 정확하게 꺼내는 일(Document AI / KIE)이 우리의 일입니다.

이 일을 해 보면 모델 성능표보다 현장이 더 많은 것을 알려준다는 걸 알게 됩니다. 스캔 품질이 들쭉날쭉한 문서, 양식이 조금씩 다른 서류, 사람마다 다르게 쓰는 필드명이 있습니다. 그리고 "정확도 95%"라는 숫자 뒤에 숨은 5%가 실제로는 가장 중요한 문서일 때도 있습니다.

그래서 우리는 가장 화려한 기술을 쓰는 사람보다 무엇이 실제로 일어나고 있는지 먼저 들여다보는 사람과 함께하고 싶습니다.

이런 분을 찾습니다

1. 지표가 나빠졌을 때 모델부터 바꾸기 전에 데이터와 로그, 실패 사례를 먼저 열어보는 분
2. "잘 돌아간다"는 말을 들으면 "어떤 조건에서요?"가 궁금해지는 분
3. 사용자나 현업 담당자가 실제로 어떻게 쓰는지 보고, 거기서 문제를 다시 정의해 본 경험이 있는 분
4. 한 번의 해결로 끝내지 않고, 같은 문제가 다시 생기지 않도록 구조를 바꿔 본 분
5. 모르는 것을 모른다고 말하고, 관찰한 것과 추측한 것을 구분해서 이야기하는 분

함께할 일

1. 모델 학습부터 서빙까지 이어지는 파이프라인 운영과 개선: VLM 기반 문서 이해 모델의 학습, 배포, 서빙, 재학습 흐름을 안정적으로 만듭니다.
2. 현장 데이터 관찰과 피드백 루프 설계: 프로덕션에서 들어오는 문서와 실패 사례를 수집하고 분류합니다. 이를 다음 학습과 평가에 반영하는 구조를 만듭니다.
3. 평가 체계 설계: 전체 정확도 하나로는 보이지 않는 문제를 드러내는 평가 방법을 고민합니다. 문서 유형별, 필드별, 입력 품질별로 나눠 봅니다.
4. 모니터링과 원인 추적: 추론 품질, 지연, 데이터 분포 변화를 추적합니다. 문제가 생기면 근본 원인까지 따라갑니다.
5. 서빙 최적화: vLLM, Triton 등을 활용해 GPU 자원 안에서 지연과 처리량의 균형을 찾습니다.
6. 배포 자동화와 재현성: 누가 배포해도 같은 결과가 나오는 환경을 만들고, 모델과 데이터 버전을 추적 가능하게 관리합니다.

1. MLOps, ML 엔지니어링, 백엔드/플랫폼 엔지니어링 분야 실무 경력 3~5년
2. 머신러닝 모델을 실제 서비스나 프로젝트에 올리고 운영해 본 경험
3. Python 활용 능력, PyTorch 등 ML 프레임워크 실무 경험
4. Docker 등 컨테이너 기반 배포 환경에 대한 이해
5. 문제 상황을 구조적으로 정리하고, 팀과 근거를 가지고 소통할 수 있는 분

지원 시 함께 보내주세요

이력서와 함께 아래 질문 중 하나 이상에 대한 답을 자유 형식으로 보내주세요. 분량 제한은 없고, 잘 정리된 글보다 실제 경험이 담긴 글을 더 반갑게 읽습니다.

1. 현장이나 프로젝트에서 처음 생각했던 문제와 실제 문제가 달랐던 경험이 있나요? 무엇을 보고 그 차이를 알게 되었나요?
2. 지표는 괜찮았는데 실제로는 무언가 잘못되고 있었던 경험을 들려주세요. 어떻게 알아챘나요?
3. 해결하지 못했거나 결과가 기대와 달랐던 문제가 있다면, 그 과정에서 무엇을 관찰했고 지금이라면 어떻게 다르게 접근할지 알려주세요.
4. 반복되는 장애나 오류를 한 번의 수정이 아니라 구조로 해결해 본 경험이 있나요?

→ 1차 실무 면접에서는 기술 지식을 확인하는 질문보다 위 경험을 함께 깊게 파고드는 대화를 나눌 예정입니다.

1. Document AI, OCR, KIE, VLM 관련 프로젝트 경험
2. 데이터 라벨링, 품질 관리, 오류 분석 체계를 직접 만들어 본 경험
3. 모델 성능 저하나 데이터 드리프트를 발견하고 원인을 찾아 해결한 경험
4. vLLM, Triton 등 모델 서빙 경험
5. 현업 사용자, 고객사와 직접 소통하며 요구사항을 정리해 본 경험
6. 온프레미스 또는 보안 제약이 있는 환경에서 일해 본 경험

서류전형-1차 면접(직무 적합성)-2차 면접(조직 적합성)-처우협의&입사일 조정