포지션 상세
ONJ Corporation은 용접 산업을 위한 AI OS를 만드는 스타트업입니다. 모기업 OTOS(국내 용접 장비 제조사)의 현장 접근성을 기반으로, 용접 교육· 로봇 용접 자동화· 용접 공정관리 세 축의 제품을 만들고 있습니다.
• Welding Training Solution : 용접 교육·평가
• WVS : 용접 로봇 자동화·비전
• WMS : 용접 통합 관리 플랫폼
WTS(Welding Training Solution)는 용접 실기 교육·평가를 실제 영상 기반으로 만드는 세계 최초 B2B 솔루션입니다.
동시에 WTS는 용접 특화 VLM(Vision Language Model) 훈련의 데이터 공장입니다.
"강사가 채점할수록 AI 훈련 데이터가 쌓인다" — 이 구조 자체가 경쟁사가 복제할 수 없는 데이터 해자(data moat)입니다. 이 역할은 그 구조를 설계하는 사람입니다.
현재 v1.0 필드 테스트 중이며, 출시 전이지만 국내 뿐 아니라 해외에서도 많은 고객의 문의를 받고 있습니다. 곧 다음 버전 제품의 개발을 준비하고자 이를 담당하실 분을 모시고 있습니다.
– v1.5 개발 — 유선 카메라 기반 Vision AI로 대상물 측정·자동 평가 기능 추가
– 데이터 파이프라인 정착 — 강사가 채점하는 과정에서 자연스럽게 쌓이는 (영상 구간 + STT 코멘트 + 루브릭 점수 + 타임스탬프) 삼중 구조 데이터를 AI 훈련 자산으로 체계화
v1.5 제품 개발 (헬멧 카메라 + Vision AI)
– 강사·교육생·관리자 각각의 워크플로우를 현장에서 직접 파악하고, 개발팀이 구현할 수 있는 스펙으로 변환
– Vision AI 기능(대상물 측정·자동 평가)을 교육 현장의 조건(조도·흄·카메라 각도·네트워크)에 맞게 기획
– AI 출력의 불확실성을 강사 UX에서 어떻게 표현하고 게이팅할지 판단
데이터 파이프라인 설계
– 강사 채점 행위에서 나오는 (영상 구간, STT 코멘트, 루브릭 점수, 타임스탬프) 데이터를 AI 훈련에 쓸 수 있는 스키마로 정의
– 레이블링 정책·저장 구조·수집 품질 기준을 AI팀과 함께 설계 — 단, 모델 훈련 자체는 AI팀이 담당
– "쓸수록 데이터가 쌓인다"는 플라이휠 구조가 제품 기능에 자연스럽게 녹아있도록 설계
고객 운영 & 루프
– 현재 파일럿 고객사와 직접 소통하여 VOC 수집 및 우선순위 반영
– 강사·훈련생·관리자 등 다른 역할의 사용자를 따로 관찰하고, 역할 별 요구 차이를 스펙에 명확히 분리
– 평가 리포트, 루브릭, 과제 배정 등 교육 운영 흐름 전반에 걸친 기능을 단계적으로 개선
· 기획서가 아닌, 고객이 실제로 쓴 버전 기준
– 데이터 수집 구조를 직접 설계해본 경험
· 레이블링 정책, 저장 스키마, 수집 품질 기준을 스스로 정의한 경험
– 현장 장비·IoT 연동 제품에서 물리적 제약을 전제로 스펙을 작성한 경험
· 네트워크 불안정, 현장 환경 변수, 장비 간 통신 등을 설계 전제로 삼아본 경험
– 도메인 전문가(비기술)의 언어를 듣고 개발팀 정의서로 변환해본 경험
– 20인 이하 소규모 팀에서 기획부터 릴리즈까지 직접 단독으로 책임진 경험
• Welding Training Solution : 용접 교육·평가
• WVS : 용접 로봇 자동화·비전
• WMS : 용접 통합 관리 플랫폼
WTS(Welding Training Solution)는 용접 실기 교육·평가를 실제 영상 기반으로 만드는 세계 최초 B2B 솔루션입니다.
동시에 WTS는 용접 특화 VLM(Vision Language Model) 훈련의 데이터 공장입니다.
"강사가 채점할수록 AI 훈련 데이터가 쌓인다" — 이 구조 자체가 경쟁사가 복제할 수 없는 데이터 해자(data moat)입니다. 이 역할은 그 구조를 설계하는 사람입니다.
현재 v1.0 필드 테스트 중이며, 출시 전이지만 국내 뿐 아니라 해외에서도 많은 고객의 문의를 받고 있습니다. 곧 다음 버전 제품의 개발을 준비하고자 이를 담당하실 분을 모시고 있습니다.
– v1.5 개발 — 유선 카메라 기반 Vision AI로 대상물 측정·자동 평가 기능 추가
– 데이터 파이프라인 정착 — 강사가 채점하는 과정에서 자연스럽게 쌓이는 (영상 구간 + STT 코멘트 + 루브릭 점수 + 타임스탬프) 삼중 구조 데이터를 AI 훈련 자산으로 체계화
주요업무
고객이 쓰는 평가 도구를 만들면서, 동시에 AI 훈련 파이프라인이 자연스럽게 쌓이는 구조를 설계합니다. 모든 기능 결정에서 이 두 목적을 동시에 의식합니다. (사내 및 사외 용접 엔지니어와 함께 만들어가게 됩니다)v1.5 제품 개발 (헬멧 카메라 + Vision AI)
– 강사·교육생·관리자 각각의 워크플로우를 현장에서 직접 파악하고, 개발팀이 구현할 수 있는 스펙으로 변환
– Vision AI 기능(대상물 측정·자동 평가)을 교육 현장의 조건(조도·흄·카메라 각도·네트워크)에 맞게 기획
– AI 출력의 불확실성을 강사 UX에서 어떻게 표현하고 게이팅할지 판단
데이터 파이프라인 설계
– 강사 채점 행위에서 나오는 (영상 구간, STT 코멘트, 루브릭 점수, 타임스탬프) 데이터를 AI 훈련에 쓸 수 있는 스키마로 정의
– 레이블링 정책·저장 구조·수집 품질 기준을 AI팀과 함께 설계 — 단, 모델 훈련 자체는 AI팀이 담당
– "쓸수록 데이터가 쌓인다"는 플라이휠 구조가 제품 기능에 자연스럽게 녹아있도록 설계
고객 운영 & 루프
– 현재 파일럿 고객사와 직접 소통하여 VOC 수집 및 우선순위 반영
– 강사·훈련생·관리자 등 다른 역할의 사용자를 따로 관찰하고, 역할 별 요구 차이를 스펙에 명확히 분리
– 평가 리포트, 루브릭, 과제 배정 등 교육 운영 흐름 전반에 걸친 기능을 단계적으로 개선
자격요건
– Industrial B2B SaaS 제품을 실제 출시 버전으로 만들어본 경험 (2회 이상)· 기획서가 아닌, 고객이 실제로 쓴 버전 기준
– 데이터 수집 구조를 직접 설계해본 경험
· 레이블링 정책, 저장 스키마, 수집 품질 기준을 스스로 정의한 경험
– 현장 장비·IoT 연동 제품에서 물리적 제약을 전제로 스펙을 작성한 경험
· 네트워크 불안정, 현장 환경 변수, 장비 간 통신 등을 설계 전제로 삼아본 경험
– 도메인 전문가(비기술)의 언어를 듣고 개발팀 정의서로 변환해본 경험
– 20인 이하 소규모 팀에서 기획부터 릴리즈까지 직접 단독으로 책임진 경험
