포지션 상세
뷰노(VUNO)는 2014년 12월 창업한 의료인공지능 전문 기업으로 국내 1호 인공지능 의료기기를 선보였습니다. 의료영상(X-ray, CT, MRI)과 생체신호(호흡, 맥박, 혈압, 심전도) 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 이제 글로벌 의료인공지능 선도 기업으로 입지를 다지고 있습니다.
뷰노 PXI팀은 Vuno-Med Chest X-ray 관련 제품 개발의 전 과정을 책임집니다. 분류(classification), 세그멘테이션(segmentation), semi-supervised learning을 포함한 여러 CXR task를 다루며, 백엔드·RA/QA·PM·임상 의료진과 긴밀히 협업해 제품 고도화와 글로벌 시장 진출에 기여합니다.
[About the Position]
흉부 X-ray AI 제품에서 마주치는 의료 영상 AI 연구 challenge — 데이터 부족, label noise, inter/intra-rater inconsistency, domain shift — 를 정의하고, 최신 연구 방법론을 우리 데이터·제품 맥락에 적용해 제품 성능 개선으로 연결하는 AI Research Engineer 포지션입니다.
본인이 발견한 문제를 연구 동향 탐색 → 적용 → 검증 → 측정 가능한 성과로 풀어내는 end-to-end 실행을 합니다. 동시에 연구 결과가 실제 제품으로 이어지도록, 모델 개발부터 재현 가능한 학습·평가 체계 구축까지 함께 책임지며, RA/QA·임상의료진과 협업해 임상·규제 평가에 필요한 근거를 고려합니다.
[How we work]
• 제품과 연결되는 연구: 모델 metric만이 아니라 실제 임상·제품 환경에서 의미 있는 성능 개선을 목표로 합니다.
• 실험 추적 표준화: 모든 실험은 W&B로 추적·버저닝되며, run-level lineage가 product release까지 연결되도록 운영합니다.
• Git 기반 협업: PR 리뷰가 일상적이며, 코드 품질에 대한 팀 컨벤션을 함께 유지합니다.
• 다학제 협업: 백엔드·RA/QA·PM·임상의료진과 협업하며, 의료 AI의 임상·규제 맥락을 함께 고려합니다.
• 워크플로우 병목 개선: 반복되는 병목은 도구화·자동화를 통해 개선합니다.
• AI coding assistant 활용: Claude Code 등 AI coding assistant를 생산성 도구로 활용하되, 생성 코드는 비판적으로 검토합니다.
• 성과 공유와 확장: 제품 문제 해결 과정에서 얻은 연구 결과와 인사이트를 팀 내에 공유하며, 성과에 따라 논문·유관 학회 발표 등으로 확장할 수 있습니다.
[Role & Responsibilities]
1. 연구 문제 정의 및 모델 개발
• CXR 제품에서 마주하는 데이터 부족, label noise, rater agreement, 도메인 시프트 등 연구 문제를 정의
• Foundation model, self-/semi-supervised learning, domain adaptation 등 최신 연구 방법론을 탐색·비교하고 우리 문제에 적용
• 실험 설계·검증을 통해 측정 가능한 성능 개선으로 연결
• 실험 결과와 인사이트를 제품 성능 개선 여부를 판단할 수 있는 형태로 정리하고, 검증된 개선사항을 배포용 제품에 반영
2) 연구 결과의 제품화 및 재현 가능한 개발 체계 구축
• 개발한 모델이 실제 제품 환경에서 활용될 수 있도록 inference time, memory, 성능 안정성을 고려해 개선
• 검증된 모델 개선사항을 배포용 제품에 반영하고, 제품 릴리즈 과정에서 필요한 기술적 근거를 정리
• 실험 추적, 데이터·모델 버저닝을 통해 학습·평가 결과의 재현성을 확보
• RA/QA·임상·의학 팀과 협업하여 임상·규제 평가에 활용 가능한 근거를 모델 개발 과정에 반영
• 연구 코드와 실험 결과가 팀 내에서 유지·검증·재현 가능하도록 기본적인 코드 품질과 테스트 가능성을 확보
[Tech Stacks & Tools]
• 모델 개발: PyTorch, Weights & Biases (W&B)
• 데이터·메타데이터: MongoDB, DICOM 등 의료영상 도메인 도구
• 배포·운영: ONNX/OpenVINO 등 추론 최적화 프레임워크, Docker, Airflow, GitHub
• 품질: pytest, CI/CD
• 협업: Git/PR review, Claude Code 등 AI coding assistant
• 본인이 직면한 문제를 명확히 정의하고, 해결 방향을 스스로 설계해 끝까지 실행해 본 경험
• 본인이 풀고 있는 문제에 대한 최신 연구 동향을 탐색·비교하고, 실제 데이터·시스템에 적용해 본 경험
• PyTorch 기반 딥러닝 모델 개발 경험 (학습, fine-tuning, active learning, continuous learning 등)
• 모델 학습·평가의 재현성을 확보해 본 경험 (실험 추적, 버저닝 등)
• Git 기반 협업(PR review) 경험
주요업무
[About the Team - PXI (Planar X-Ray Imaging) 팀]뷰노 PXI팀은 Vuno-Med Chest X-ray 관련 제품 개발의 전 과정을 책임집니다. 분류(classification), 세그멘테이션(segmentation), semi-supervised learning을 포함한 여러 CXR task를 다루며, 백엔드·RA/QA·PM·임상 의료진과 긴밀히 협업해 제품 고도화와 글로벌 시장 진출에 기여합니다.
[About the Position]
흉부 X-ray AI 제품에서 마주치는 의료 영상 AI 연구 challenge — 데이터 부족, label noise, inter/intra-rater inconsistency, domain shift — 를 정의하고, 최신 연구 방법론을 우리 데이터·제품 맥락에 적용해 제품 성능 개선으로 연결하는 AI Research Engineer 포지션입니다.
본인이 발견한 문제를 연구 동향 탐색 → 적용 → 검증 → 측정 가능한 성과로 풀어내는 end-to-end 실행을 합니다. 동시에 연구 결과가 실제 제품으로 이어지도록, 모델 개발부터 재현 가능한 학습·평가 체계 구축까지 함께 책임지며, RA/QA·임상의료진과 협업해 임상·규제 평가에 필요한 근거를 고려합니다.
[How we work]
• 제품과 연결되는 연구: 모델 metric만이 아니라 실제 임상·제품 환경에서 의미 있는 성능 개선을 목표로 합니다.
• 실험 추적 표준화: 모든 실험은 W&B로 추적·버저닝되며, run-level lineage가 product release까지 연결되도록 운영합니다.
• Git 기반 협업: PR 리뷰가 일상적이며, 코드 품질에 대한 팀 컨벤션을 함께 유지합니다.
• 다학제 협업: 백엔드·RA/QA·PM·임상의료진과 협업하며, 의료 AI의 임상·규제 맥락을 함께 고려합니다.
• 워크플로우 병목 개선: 반복되는 병목은 도구화·자동화를 통해 개선합니다.
• AI coding assistant 활용: Claude Code 등 AI coding assistant를 생산성 도구로 활용하되, 생성 코드는 비판적으로 검토합니다.
• 성과 공유와 확장: 제품 문제 해결 과정에서 얻은 연구 결과와 인사이트를 팀 내에 공유하며, 성과에 따라 논문·유관 학회 발표 등으로 확장할 수 있습니다.
[Role & Responsibilities]
1. 연구 문제 정의 및 모델 개발
• CXR 제품에서 마주하는 데이터 부족, label noise, rater agreement, 도메인 시프트 등 연구 문제를 정의
• Foundation model, self-/semi-supervised learning, domain adaptation 등 최신 연구 방법론을 탐색·비교하고 우리 문제에 적용
• 실험 설계·검증을 통해 측정 가능한 성능 개선으로 연결
• 실험 결과와 인사이트를 제품 성능 개선 여부를 판단할 수 있는 형태로 정리하고, 검증된 개선사항을 배포용 제품에 반영
2) 연구 결과의 제품화 및 재현 가능한 개발 체계 구축
• 개발한 모델이 실제 제품 환경에서 활용될 수 있도록 inference time, memory, 성능 안정성을 고려해 개선
• 검증된 모델 개선사항을 배포용 제품에 반영하고, 제품 릴리즈 과정에서 필요한 기술적 근거를 정리
• 실험 추적, 데이터·모델 버저닝을 통해 학습·평가 결과의 재현성을 확보
• RA/QA·임상·의학 팀과 협업하여 임상·규제 평가에 활용 가능한 근거를 모델 개발 과정에 반영
• 연구 코드와 실험 결과가 팀 내에서 유지·검증·재현 가능하도록 기본적인 코드 품질과 테스트 가능성을 확보
[Tech Stacks & Tools]
• 모델 개발: PyTorch, Weights & Biases (W&B)
• 데이터·메타데이터: MongoDB, DICOM 등 의료영상 도메인 도구
• 배포·운영: ONNX/OpenVINO 등 추론 최적화 프레임워크, Docker, Airflow, GitHub
• 품질: pytest, CI/CD
• 협업: Git/PR review, Claude Code 등 AI coding assistant
자격요건
• 석사 + 산업체 경력 1년 이상 또는 산업체 경력 3년 이상• 본인이 직면한 문제를 명확히 정의하고, 해결 방향을 스스로 설계해 끝까지 실행해 본 경험
• 본인이 풀고 있는 문제에 대한 최신 연구 동향을 탐색·비교하고, 실제 데이터·시스템에 적용해 본 경험
• PyTorch 기반 딥러닝 모델 개발 경험 (학습, fine-tuning, active learning, continuous learning 등)
• 모델 학습·평가의 재현성을 확보해 본 경험 (실험 추적, 버저닝 등)
• Git 기반 협업(PR review) 경험
