자율주행 Data Flywheel을 구동하는 데이터와 소프트웨어 기반을 구축할 Senior ML Engineer를 찾습니다. AI/ML workflow, 도메인 지식, 확장 가능한 시스템을 연결하여 고품질 데이터를 더 쉽게 탐색하고 준비하며 활용할 수 있는 환경을 만듭니다.
공통 데이터 모델 및 인터페이스 개발: AD Data Ontology, canonical data model, SDK/API를 개발하여 다양한 데이터 플랫폼과 ML workflow에서 일관된 semantics와 데이터 접근 방식을 제공합니다.
AI/ML 기반 Data Intelligence 및 자동화: Semantic retrieval, LLM/VLM, AI Agent를 활용하여 데이터 업무를 자동화하고, production 환경에서 신뢰할 수 있는 AI workflow를 구축합니다.
AI/ML 데이터 처리 및 학습 성능 최적화: Distributed processing, dataset preparation, storage access, training data loading 전반의 병목을 분석하고, 처리량·자원 활용률·비용 효율성을 개선합니다.
AI/ML 시스템 아키텍처 설계: 데이터 수집부터 Auto-labeling, 모델 학습까지 이어지는 AI/ML workflow를 이해하고, 이를 지원하는 시스템 아키텍처를 설계합니다. 기술적 요구사항에 맞는 컴포넌트와 인터페이스를 정의하고, 재사용성과 확장성을 고려합니다.
Production-level ML/Data 시스템 구축 및 운영: Cloud-native 환경에서 데이터·ML workload를 위한 시스템을 구축·운영하고, orchestration, reproducibility, monitoring 및 failure recovery를 통해 안정성과 운영 효율성을 확보합니다.
컴퓨터공학, 전기전자공학, Robotics 등 관련 분야의 학사 이상 학위 또는 이에 준하는 실무 경험을 갖추고, AI/ML systems, data engineering, software architecture, distributed processing 관련 분야에서 7년 이상의 경력을 보유하신 분
Python, C++ 등 프로그래밍 언어를 활용하여 AI/ML·Data workflow 및 시스템을 개발한 경험이 있으며, 재사용 가능한 SDK·API·library를 설계하고 개발한 경험이 있으신 분
PyTorch, TensorFlow 등 ML framework 기반의 모델 학습 및 평가 workflow에 대한 이해를 갖추고, distributed training 또는 대규모 데이터셋 처리와 학습 데이터 로딩 시스템을 개발한 경험이 있으신 분
ML/Data infrastructure와 end-to-end data flow에 대한 이해를 바탕으로, storage I/O, CPU/GPU utilization, memory usage 등의 성능 병목을 분석하고 최적화한 경험이 있으신 분
다양한 Data/ML workload를 연결하는 시스템 아키텍처를 설계한 경험이 있으며, 분산 환경에서의 데이터 흐름과 시스템 간 인터페이스를 정의한 경험이 있으신 분
AWS/GCP/Azure 등 클라우드 환경에서 Docker, Kubernetes 기반의 ML/Data workload를 배포·운영하고, workflow orchestration 및 monitoring을 적용한 경험이 있으신 분
Autonomous Driving, ADAS, Robotics 등 Physical AI 분야에서 multimodal sensor data 및 map data를 활용한 데이터 처리 기술을 개발한 경험이 있으신 분
Computer Vision, 3D Geometry 및 Spatial Computing 분야에서 coordinate transformation, camera geometry, point cloud processing 등 관련 기술을 활용한 경험이 있으신 분
Ontology, knowledge graph 또는 embedding-based retrieval을 활용하여 복잡한 도메인 데이터의 모델링과 검색 시스템을 개발한 경험이 있으신 분
LLM/VLM 또는 AI Agent 기반의 agentic workflow를 개발하고 운영한 경험이 있으며, tool calling, MCP 기반 데이터 서비스 연동, agent orchestration, evaluation 및 tracing 등을 적용한 경험이 있으신 분
대규모 분산 학습 환경에서 data loading, prefetching, caching, data sharding 등의 기술을 활용하여 데이터 공급 성능을 최적화한 경험이 있으며, Ray, Dask 등 distributed computing framework를 활용한 경험이 있으신 분
대규모 storage architecture, dataset lifecycle management, data lineage, privacy 또는 cross-region data governance 관련 시스템을 설계·운영한 경험이 있으신 분
서류 전형
온라인 기술 테스트
1차 면접 (화상, 1시간 내외)
2차 면접 (대면 혹은 화상, 3시간 내외)
처우 협의·입사
전형 절차는 일정 및 진행 상황에 따라 일부 변경될 수 있으며, 각 전형 결과는 등록하신 이메일로 개별 안내드립니다.
지원서 제출 시 주민등록번호, 가족관계, 혼인 여부, 연봉, 사진, 신체조건, 출신 지역 등 채용절차법상 요구 금지된 정보는 제외 부탁드립니다.
지원서 접수 중 오류가 발생하거나 기타 문의 사항이 있을 경우, recruit@42dot.ai로 문의해 주시기 바랍니다.
국가보훈대상자 및 취업보호 대상자는 관계법령에 따라 우대합니다.
장애인 고용 촉진 및 직업재활법에 따라 장애인 등록증 소지자를 우대합니다.
42dot은 의뢰하지 않은 서치펌의 이력서를 받지 않으며, 요청하지 않은 이력서에 대해 수수료를 지불하지 않습니다.
지원서 내용 중 허위 사실이 발견될 경우, 입사가 취소될 수 있습니다.
인터뷰 프로세스 종료 후 지원자의 동의하에 평판조회가 진행될 수 있습니다.
3개월의 수습기간이 적용될 수 있습니다.
대규모 자율주행 데이터와 분산 학습 인프라를 기반으로, 데이터의 탐색과 활용을 지능화하는 Data Intelligence 시스템을 개발하고 있습니다. 대규모 데이터 처리 및 ML 시스템의 성능 최적화부터 Data Ontology, Semantic Retrieval, AI Agent를 활용한 데이터 탐색·자동화 시스템 구축까지 다양한 기술적 도전에 참여할 수 있습니다. Data Engineering, ML Systems, Applied AI를 아우르는 엔지니어링 경험과 전문성을 쌓으며, 자율주행 AI 모델 개발의 효율성과 확장성을 함께 높여갈 엔지니어를 기다립니다.
Build and scale the machine learning platform behind risk decisioning, developing reliable model and data infrastructure that helps teams deploy, monitor, and improve models protecting transactions across the platform.
Design and deliver scalable machine learning systems, from infrastructure and pipelines to model deployment and monitoring, while guiding technical work, collaborating with stakeholders, and mentoring engineers.
Lead the development and deployment of production-grade machine learning systems, shaping architecture and engineering standards while advising clients and mentoring engineers.
Lead the design and production deployment of agentic AI systems, translating advances in LLM research into scalable, secure clinical applications and guiding evaluation, data, and engineering practices.
Own inference-stack cost and performance by optimizing model serving, routing, and GPU workloads to improve throughput and latency while maintaining reliability and model quality.
