포지션 상세
뷰노(VUNO)는 2014년 12월 창업한 의료인공지능 전문 기업으로 국내 1호 인공지능 의료기기를 선보였습니다. 생체신호(호흡, 맥박, 혈압, 심전도)와 의료영상(X-ray, MRI) 등 다양한 의료 데이터를 분석해 의료진의 진단을 돕는 소프트웨어를 개발합니다. 국내 최다 의료기관 도입으로 높은 임상 유효성을 입증했으며, 우수한 인공지능 기술력을 바탕으로 의료 현장의 혁신을 일으키고 있습니다. 2021년 코스닥 시장에 상장한 뷰노는 2025년 현재 글로벌 의료인공지능 선도 기업으로 입지를 다지고 있습니다.
뷰노의 PXI(Planary X-ray Imaging)팀은 Vuno-Med Chest X-ray 관련 제품 개발의 전 과정에 참여하여 다양한 업무 조직과 긴밀한 협조를 통해 제품 고도화 및 글로벌 시장에 진출하는데 기여합니다.
[About the Position]
Deep Learning/Machine Learning 기반 흉부 X-ray 모델을 제품(Product) 가치로 전환하는 역할입니다. 백엔드·RA/QA·PM과 협업해 정해진 릴리즈 기준을 충족하는 품질로 배포합니다. 임상 사용 환경(응급실·검진·입원/외래)과 목적(triage/screening, second reading)에 맞춰 사용 시나리오별 테스트 체계를 구축하고, 모듈 단위 성능 분석→개선으로 시스템 안정성을 높입니다.
이 과정에서 PyTorch → ONNX/OpenVINO 최적화를 수행하고 Docker로 안정 배포하며, 데이터 적재·라벨 품질·재현성/버저닝·추론 메모리 피크·지연 시간 등 핵심 병목을 찾아 지속적으로 최적화·운영합니다.
1. Roles & Responsibilities
· CXR 모델 최적화 및 배포
· PyTorch 모델을 ONNX/OpenVINO로 최적화하여 Time·memory 목표를 달성하고, Docker/CI로 안정 배포(정확도 손실 허용치 내 보전)
· 규제 준수를 위한 학습/검증 파이프라인 자동화와 재현성 확보
· Airflow 기반 데이터 -> 라벨링 -> 학습 -> 평가(검증)을 자동화하고, 데이터/모델 버저닝 및 재현성 보장
· MongoDB 기반 메타데이터 관리 및 DICOM 및 레이블 데이터 처리
· 코드 오류, 라이브러리 충돌 등 테스트/검증 체계 운영 (pytest, CI/CD)
2.Tech Stacks & Tool
· Framework: PyTorch → ONNX → OpenVINO
· Pipeline: Airflow, Docker, GHCR
· Data: MongoDB(pymongo), DICOM(pydicom)
· Quality: pytest, CI/CD
· ONNX 또는 OpenVINO를 활용한 추론 최적화 경험
· Docker 기반 서비스 배포 경험
· pytest·CI/CD 기반 테스트 작성 및 운영 경험
· Airflow 등 활용한 AutoML (Evaluation) 워크플로우 자동화 경험
· MongoDB(pymongo), DICOM 처리 경험
주요업무
[About the Team]뷰노의 PXI(Planary X-ray Imaging)팀은 Vuno-Med Chest X-ray 관련 제품 개발의 전 과정에 참여하여 다양한 업무 조직과 긴밀한 협조를 통해 제품 고도화 및 글로벌 시장에 진출하는데 기여합니다.
[About the Position]
Deep Learning/Machine Learning 기반 흉부 X-ray 모델을 제품(Product) 가치로 전환하는 역할입니다. 백엔드·RA/QA·PM과 협업해 정해진 릴리즈 기준을 충족하는 품질로 배포합니다. 임상 사용 환경(응급실·검진·입원/외래)과 목적(triage/screening, second reading)에 맞춰 사용 시나리오별 테스트 체계를 구축하고, 모듈 단위 성능 분석→개선으로 시스템 안정성을 높입니다.
이 과정에서 PyTorch → ONNX/OpenVINO 최적화를 수행하고 Docker로 안정 배포하며, 데이터 적재·라벨 품질·재현성/버저닝·추론 메모리 피크·지연 시간 등 핵심 병목을 찾아 지속적으로 최적화·운영합니다.
1. Roles & Responsibilities
· CXR 모델 최적화 및 배포
· PyTorch 모델을 ONNX/OpenVINO로 최적화하여 Time·memory 목표를 달성하고, Docker/CI로 안정 배포(정확도 손실 허용치 내 보전)
· 규제 준수를 위한 학습/검증 파이프라인 자동화와 재현성 확보
· Airflow 기반 데이터 -> 라벨링 -> 학습 -> 평가(검증)을 자동화하고, 데이터/모델 버저닝 및 재현성 보장
· MongoDB 기반 메타데이터 관리 및 DICOM 및 레이블 데이터 처리
· 코드 오류, 라이브러리 충돌 등 테스트/검증 체계 운영 (pytest, CI/CD)
2.Tech Stacks & Tool
· Framework: PyTorch → ONNX → OpenVINO
· Pipeline: Airflow, Docker, GHCR
· Data: MongoDB(pymongo), DICOM(pydicom)
· Quality: pytest, CI/CD
자격요건
· PyTorch 기반 모델 개발 경험· ONNX 또는 OpenVINO를 활용한 추론 최적화 경험
· Docker 기반 서비스 배포 경험
· pytest·CI/CD 기반 테스트 작성 및 운영 경험
· Airflow 등 활용한 AutoML (Evaluation) 워크플로우 자동화 경험
· MongoDB(pymongo), DICOM 처리 경험
