포지션 상세
펫나우는 AI 생체인식 기술로 유실견 없는 세상을 만드는 펫테크 스타트업입니다. 반려견의 비문(Noseprint)과 반려묘의 얼굴을 분석해 보호자 정보와 안전하게 연결하는 "펫나우" 앱과 "Petify" SaaS 서비스를 개발·운영하고 있으며, 약 20만 명의 사용자를 확보했습니다. 99.992%의 인식 정확도, IEEE Access 논문 게재, 글로벌 특허 총 67건(등록 24건) 등으로 기술력을 입증하며, 반려동물 생체인식 분야에서 세계 최고 수준의 First-mover로 시장을 개척하고 있습니다.
펫나우가 해결하는 문제는 아직 전 세계적으로 표준화되지 않은 반려동물 신원확인 인프라를 만드는 일입니다. 사람에게 지문과 얼굴 인식이 있듯, 반려동물에게도 개체를 안전하고 정확하게 식별할 수 있는 기술이 필요합니다. 펫나우는 마이크로칩에 의존하던 기존 방식의 한계를 AI 생체인식으로 보완하며, 유실동물 보호, 보험, 공공 등록, 글로벌 펫케어 서비스 등 다양한 영역으로 기술 적용 범위를 넓혀가고 있습니다.
펫나우는 Pre-Series-A 단계에서 누적 78억 원의 투자를 유치했고, 2022년 국내 스타트업 최초로 CES 최고혁신상을 수상했습니다. 삼성 C-Lab, Google for Startups, 포스코 IMP, 중소벤처기업부 TIPS, 서울시 테스트베드 등을 통해 기술력과 사업성을 검증받았으며, 미국·영국·스위스·남아공·나이지리아 등 글로벌 고객 및 파트너와 함께 시장을 확장하고 있습니다.
펫나우는 빠른 실행과 열린 소통을 중요하게 생각합니다. 정기 타운홀과 1:1 미팅으로 회사의 방향과 개인의 성장을 함께 논의하고, 기획-디자인-개발-배포 주기를 앞당기는 스프린트 체제로 서비스를 개선합니다. 또한 최신 AI 및 SW 기술 동향을 적극적으로 팔로업하고, 실제 제품과 업무 방식에 신기술을 빠르게 적용하여 업무 비효율을 없애는 문화를 지향합니다.
Senior AI Researcher는 이 AI가 연구 성능에서 끝나지 않고 실제 등록 성공률, 인증 신뢰도, 운영 효율, 파트너 적용 가능성으로 증명되도록 만드는 역할입니다. 모델 구조, 데이터 품질, evaluation protocol, threshold, 제품 적용 방식, 파트너 요구사항을 하나의 품질 기준으로 연결해야 합니다.
반려동물 생체인식은 일반적인 이미지 분류 문제보다 훨씬 복잡합니다. 동물은 움직이고, 조명과 각도와 거리는 매번 달라지며, 품종과 연령, 털 상태, 카메라 기기, 네트워크 환경도 결과에 영향을 줍니다. 특히 유기･유실견의 보호자를 찾아주는 일은 국내외 존재하는 수백만, 수천만 개체 중 1마리를 찾아내야하는 굉장히 도전적인 과제입니다.
이 역할은 이런 복잡한 환경에서 가장 중요한 병목을 정의하고, 어떤 데이터를 더 봐야 하는지, 어떤 실패 케이스를 먼저 해결해야 하는지, 어떤 기준으로 파트너에게 신뢰 가능한 결과를 제공할지 결정합니다. 개인의 모델 개발 역량을 넘어 AI Research 팀의 실험 방향과 기술 로드맵을 리딩하는 포지션입니다.
펫나우는 반려견 비문과 반려묘 얼굴 중심 생체정보를 detection 하는 자동검출 모델, 생체정보가 선명하게 검출되었는지 판단하는 품질평가 모델, 통과된 생체정보 기반의 identification / verification 식별 모델 그리고 그 외 각종 Vision 기반 반려동물 정보(품종, 털색, 사이즈, fake detection 등)를 자동으로 추출하는 AI 모델들을 보유하고 있습니다. 이 모델들은 필요에 따라 서버가 아닌 모바일 기기에서 Edge-AI로 동작하기도 하고 Web에서 Browser-AI로 동작하기도 합니다.
이 AI 모델들은 실제 촬영 환경에서 발생하는 조명, 각도, 흔들림, 초점, 거리, 기기 차이, 품종 차이 등으로 인한 성능 저하를 줄이고 다양한 조건에서도 안정적으로 작동하는 구조를 필요로 합니다. 그래서 안정적인 성능을 보이는지 평가할 때는 단순히 accuracy 하나의 지표로 판단하지 않고, false accept rate, false reject rate, Rank-1 accuracy, embedding quality, 데이터셋별 성능 편차, inference latency, 모델 크기와 운영 비용까지 함께 고려합니다.
이 역할은 이 AI 모델들의 현재 수준을 냉정하게 판단하고 더 정교한 데이터셋 구축과 끊임없는 반복 실험을 통해 최고 성능 확보 및 고객에게 안정적인 서비스 품질을 제공해줄 수 있는 핵심 AI 인프라를 고도화할 수 있어야 합니다.
[02] 실제 서비스 기준의 평가 체계를 설계합니다.
펫나우에서 중요한 것은 benchmark score만이 아닙니다. 실제 서비스에서 등록이 얼마나 잘 완료되는지, 인증 실패율이 얼마나 줄어드는지, 사용자가 몇 번이나 재촬영하는지, 운영자가 수동으로 확인해야 하는 케이스가 얼마나 줄어드는지가 함께 중요합니다.
이 역할은 offline evaluation과 production metric 사이의 간극을 줄이는 평가 체계를 만듭니다. 모델이 좋아졌다는 것을 연구 지표와 제품 지표 양쪽에서 설명할 수 있어야 합니다.
예를 들어 다음과 같은 질문을 다룹니다.
• 어떤 촬영 이미지를 학습 데이터로 사용할 수 있는가?
• 어떤 이미지는 등록 단계에서 걸러야 하는가?
• identification과 verification의 threshold는 어떻게 설정해야 하는가?
• 파트너별 환경 차이를 평가에 어떻게 반영할 것인가?
• 모델 개선이 실제 등록 성공률과 인증 신뢰도에 어떤 영향을 주는가?
[03] 데이터 루프와 실험 체계를 구축합니다.
펫나우는 자체 앱과 글로벌 파트너 연동을 통해 실제 사용 환경의 데이터를 계속 축적하고 있으며, 이 데이터는 다시 모델 개선과 제품 개선으로 이어져야 합니다.
이 역할은 어떤 데이터를 학습과 검증에 반영할지, 어떤 실패 케이스를 우선적으로 분석할지, annotation 기준을 어떻게 정리할지, hard case를 어떻게 찾아낼지, 실험 결과를 어떻게 재현 가능하게 관리할지를 함께 설계합니다.
펫나우의 AI Research 팀은 지금 이 순간에도 고객사로부터 추가되는 데이터로 DB 가공, 업데이트, 신규 학습, 정량 성과 도출, 실패 분석, 다음 학습 계획 수립을 진행하며 모든 과정을 MLOps 파이프라인으로 내재화 하고 있습니다. 이 역할은 현재 연구 인프라 수준의 공백을 진단해내고 더 효율적인 데이터 품질 관리, 실험 관리, 모델 버전 관리, 평가 리포트, 성능 모니터링이 가능하도록 리딩하는 역할입니다.
[04] AI 모델을 실제 제품 환경에 연결합니다.
펫나우의 AI는 앱, SDK, API, Admin Console 안에서 작동합니다. 따라서 모델을 개발할 때는 실제 제품 환경에서의 사용 방식을 함께 고려해야 합니다.
모바일 촬영 경험, 서버 inference, SDK latency, confidence score, fallback logic, error handling, 재촬영 UX, 운영자 리뷰 화면까지 모델의 결과와 연결됩니다. AI 모델이 제품 안에서 어떻게 사용되는지 이해하고, AI Product 팀이 신뢰할 수 있는 기준을 제공하는 것이 중요합니다.
이 역할은 “모델이 맞췄는가”에서 한 걸음 더 나아가 “사용자가 성공했는가”, “파트너가 운영할 수 있는가”, “서비스가 안정적으로 확장될 수 있는가”를 함께 봅니다.
[05] 파트너 요구사항을 AI 문제로 번역합니다.
글로벌 파트너는 각자 다른 문제와 운영 환경을 가지고 있습니다. 어떤 파트너는 등록 과정의 정확도를 중요하게 보고, 어떤 파트너는 보험 청구나 인증 과정에서의 신뢰도를 중요하게 볼 수 있습니다. 어떤 파트너는 SDK 연동의 안정성을 보고, 어떤 파트너는 운영자가 결과를 확인할 수 있는 도구를 더 중요하게 볼 수 있습니다.
Senior AI Researcher는 Marketing, AI Product 팀과 함께 파트너 요구사항을 해석합니다. 어떤 요청이 모델 개선으로 풀어야 할 문제인지, 어떤 요청은 UX나 운영 도구로 해결해야 하는지, 어떤 요청은 데이터 수집과 평가 기준을 먼저 정리해야 하는지 함께 판단합니다.
이 과정에서 AI Research 팀은 단순히 내부 연구 조직이 아니라, 펫나우가 글로벌 시장에서 어떤 수준의 제품 신뢰도를 제공할 수 있는지 결정하는 핵심 조직이 됩니다.
[06] AI Research 멤버들의 실험과 로드맵을 리딩합니다.
이 포지션은 개인의 모델 개발 역량만으로 정의되지 않습니다. AI Research 멤버들과 함께 어떤 문제를 먼저 풀지 정하고, 전략적 실험 세팅, 결과 분석, 실패 회고, 다음 실험 우선순위, 기술 로드맵 설정을 리딩합니다.
실험이 일회성 개선으로 끝나지 않도록 가설과 지표를 정리하고, 결과를 팀이 재사용할 수 있는 기준으로 남기며, 연구 방향이 제품과 파트너 임팩트로 연결되도록 팀의 판단 기준을 세웁니다.
• AI 모델을 연구 단계에서 끝내지 않고 실제 서비스, SDK, API, 모바일 또는 서버 inference 환경에 적용해본 경험이 있는 분
• identification / verification 문제에서 enrollment, matching, duplicate detection, threshold, embedding quality, 데이터셋 편향과 같은 이슈를 명확히 정의할 수 있는 분
• FAR, FRR, EER, ROC/DET curve, top-k retrieval accuracy 등 생체인식·검색 문제의 평가 지표를 이해하고, 제품 상황에 맞는 evaluation protocol을 설계할 수 있는 분
• 데이터셋 설계, annotation 기준, error analysis, hard case mining, model/data versioning의 중요성을 알고 실제로 결과를 개선해본 분
• 학습·평가·배포·모니터링이 반복 가능하도록 MLOps 파이프라인을 설계하거나 고도화해본 분
• offline metric과 production metric이 다를 수 있다는 것을 경험적으로 이해하고, 그 간극을 줄여본 분
• latency, 모델 크기, inference cost, 정확도, 사용자 성공률 사이의 trade-off를 고려해 제품 수준의 의사결정을 해본 분
• 정답이 정리되지 않은 문제에서 스스로 가설을 세우고 실험을 설계하며, 실패 케이스를 구조적으로 분석할 수 있는 분
• Product, Marketing 팀과 함께 AI 우선순위를 논의하고 기술적 판단을 쉽고 직관적인 언어로 설명할 수 있는 분
• 시니어 연구자로서 코드 리뷰, 실험 리뷰, 모델 평가 기준 정리, 주니어/미들 연구자 멘토링을 통해 팀의 기술 기준을 높여본 분
학위나 논문 수보다 중요한 것은 실제 문제를 끝까지 풀어보고 고객에게 전달해본 경험입니다. 연구 성능을 높이는 것과 제품 성능을 높이는 것 사이의 차이를 이해하고, 그 간극을 줄이는 데 흥미를 느끼는 분을 찾고 있습니다.
펫나우가 해결하는 문제는 아직 전 세계적으로 표준화되지 않은 반려동물 신원확인 인프라를 만드는 일입니다. 사람에게 지문과 얼굴 인식이 있듯, 반려동물에게도 개체를 안전하고 정확하게 식별할 수 있는 기술이 필요합니다. 펫나우는 마이크로칩에 의존하던 기존 방식의 한계를 AI 생체인식으로 보완하며, 유실동물 보호, 보험, 공공 등록, 글로벌 펫케어 서비스 등 다양한 영역으로 기술 적용 범위를 넓혀가고 있습니다.
펫나우는 Pre-Series-A 단계에서 누적 78억 원의 투자를 유치했고, 2022년 국내 스타트업 최초로 CES 최고혁신상을 수상했습니다. 삼성 C-Lab, Google for Startups, 포스코 IMP, 중소벤처기업부 TIPS, 서울시 테스트베드 등을 통해 기술력과 사업성을 검증받았으며, 미국·영국·스위스·남아공·나이지리아 등 글로벌 고객 및 파트너와 함께 시장을 확장하고 있습니다.
펫나우는 빠른 실행과 열린 소통을 중요하게 생각합니다. 정기 타운홀과 1:1 미팅으로 회사의 방향과 개인의 성장을 함께 논의하고, 기획-디자인-개발-배포 주기를 앞당기는 스프린트 체제로 서비스를 개선합니다. 또한 최신 AI 및 SW 기술 동향을 적극적으로 팔로업하고, 실제 제품과 업무 방식에 신기술을 빠르게 적용하여 업무 비효율을 없애는 문화를 지향합니다.
Senior AI Researcher는 이 AI가 연구 성능에서 끝나지 않고 실제 등록 성공률, 인증 신뢰도, 운영 효율, 파트너 적용 가능성으로 증명되도록 만드는 역할입니다. 모델 구조, 데이터 품질, evaluation protocol, threshold, 제품 적용 방식, 파트너 요구사항을 하나의 품질 기준으로 연결해야 합니다.
반려동물 생체인식은 일반적인 이미지 분류 문제보다 훨씬 복잡합니다. 동물은 움직이고, 조명과 각도와 거리는 매번 달라지며, 품종과 연령, 털 상태, 카메라 기기, 네트워크 환경도 결과에 영향을 줍니다. 특히 유기･유실견의 보호자를 찾아주는 일은 국내외 존재하는 수백만, 수천만 개체 중 1마리를 찾아내야하는 굉장히 도전적인 과제입니다.
이 역할은 이런 복잡한 환경에서 가장 중요한 병목을 정의하고, 어떤 데이터를 더 봐야 하는지, 어떤 실패 케이스를 먼저 해결해야 하는지, 어떤 기준으로 파트너에게 신뢰 가능한 결과를 제공할지 결정합니다. 개인의 모델 개발 역량을 넘어 AI Research 팀의 실험 방향과 기술 로드맵을 리딩하는 포지션입니다.
주요업무
[01] 반려동물 생체인식 모델을 고도화합니다.펫나우는 반려견 비문과 반려묘 얼굴 중심 생체정보를 detection 하는 자동검출 모델, 생체정보가 선명하게 검출되었는지 판단하는 품질평가 모델, 통과된 생체정보 기반의 identification / verification 식별 모델 그리고 그 외 각종 Vision 기반 반려동물 정보(품종, 털색, 사이즈, fake detection 등)를 자동으로 추출하는 AI 모델들을 보유하고 있습니다. 이 모델들은 필요에 따라 서버가 아닌 모바일 기기에서 Edge-AI로 동작하기도 하고 Web에서 Browser-AI로 동작하기도 합니다.
이 AI 모델들은 실제 촬영 환경에서 발생하는 조명, 각도, 흔들림, 초점, 거리, 기기 차이, 품종 차이 등으로 인한 성능 저하를 줄이고 다양한 조건에서도 안정적으로 작동하는 구조를 필요로 합니다. 그래서 안정적인 성능을 보이는지 평가할 때는 단순히 accuracy 하나의 지표로 판단하지 않고, false accept rate, false reject rate, Rank-1 accuracy, embedding quality, 데이터셋별 성능 편차, inference latency, 모델 크기와 운영 비용까지 함께 고려합니다.
이 역할은 이 AI 모델들의 현재 수준을 냉정하게 판단하고 더 정교한 데이터셋 구축과 끊임없는 반복 실험을 통해 최고 성능 확보 및 고객에게 안정적인 서비스 품질을 제공해줄 수 있는 핵심 AI 인프라를 고도화할 수 있어야 합니다.
[02] 실제 서비스 기준의 평가 체계를 설계합니다.
펫나우에서 중요한 것은 benchmark score만이 아닙니다. 실제 서비스에서 등록이 얼마나 잘 완료되는지, 인증 실패율이 얼마나 줄어드는지, 사용자가 몇 번이나 재촬영하는지, 운영자가 수동으로 확인해야 하는 케이스가 얼마나 줄어드는지가 함께 중요합니다.
이 역할은 offline evaluation과 production metric 사이의 간극을 줄이는 평가 체계를 만듭니다. 모델이 좋아졌다는 것을 연구 지표와 제품 지표 양쪽에서 설명할 수 있어야 합니다.
예를 들어 다음과 같은 질문을 다룹니다.
• 어떤 촬영 이미지를 학습 데이터로 사용할 수 있는가?
• 어떤 이미지는 등록 단계에서 걸러야 하는가?
• identification과 verification의 threshold는 어떻게 설정해야 하는가?
• 파트너별 환경 차이를 평가에 어떻게 반영할 것인가?
• 모델 개선이 실제 등록 성공률과 인증 신뢰도에 어떤 영향을 주는가?
[03] 데이터 루프와 실험 체계를 구축합니다.
펫나우는 자체 앱과 글로벌 파트너 연동을 통해 실제 사용 환경의 데이터를 계속 축적하고 있으며, 이 데이터는 다시 모델 개선과 제품 개선으로 이어져야 합니다.
이 역할은 어떤 데이터를 학습과 검증에 반영할지, 어떤 실패 케이스를 우선적으로 분석할지, annotation 기준을 어떻게 정리할지, hard case를 어떻게 찾아낼지, 실험 결과를 어떻게 재현 가능하게 관리할지를 함께 설계합니다.
펫나우의 AI Research 팀은 지금 이 순간에도 고객사로부터 추가되는 데이터로 DB 가공, 업데이트, 신규 학습, 정량 성과 도출, 실패 분석, 다음 학습 계획 수립을 진행하며 모든 과정을 MLOps 파이프라인으로 내재화 하고 있습니다. 이 역할은 현재 연구 인프라 수준의 공백을 진단해내고 더 효율적인 데이터 품질 관리, 실험 관리, 모델 버전 관리, 평가 리포트, 성능 모니터링이 가능하도록 리딩하는 역할입니다.
[04] AI 모델을 실제 제품 환경에 연결합니다.
펫나우의 AI는 앱, SDK, API, Admin Console 안에서 작동합니다. 따라서 모델을 개발할 때는 실제 제품 환경에서의 사용 방식을 함께 고려해야 합니다.
모바일 촬영 경험, 서버 inference, SDK latency, confidence score, fallback logic, error handling, 재촬영 UX, 운영자 리뷰 화면까지 모델의 결과와 연결됩니다. AI 모델이 제품 안에서 어떻게 사용되는지 이해하고, AI Product 팀이 신뢰할 수 있는 기준을 제공하는 것이 중요합니다.
이 역할은 “모델이 맞췄는가”에서 한 걸음 더 나아가 “사용자가 성공했는가”, “파트너가 운영할 수 있는가”, “서비스가 안정적으로 확장될 수 있는가”를 함께 봅니다.
[05] 파트너 요구사항을 AI 문제로 번역합니다.
글로벌 파트너는 각자 다른 문제와 운영 환경을 가지고 있습니다. 어떤 파트너는 등록 과정의 정확도를 중요하게 보고, 어떤 파트너는 보험 청구나 인증 과정에서의 신뢰도를 중요하게 볼 수 있습니다. 어떤 파트너는 SDK 연동의 안정성을 보고, 어떤 파트너는 운영자가 결과를 확인할 수 있는 도구를 더 중요하게 볼 수 있습니다.
Senior AI Researcher는 Marketing, AI Product 팀과 함께 파트너 요구사항을 해석합니다. 어떤 요청이 모델 개선으로 풀어야 할 문제인지, 어떤 요청은 UX나 운영 도구로 해결해야 하는지, 어떤 요청은 데이터 수집과 평가 기준을 먼저 정리해야 하는지 함께 판단합니다.
이 과정에서 AI Research 팀은 단순히 내부 연구 조직이 아니라, 펫나우가 글로벌 시장에서 어떤 수준의 제품 신뢰도를 제공할 수 있는지 결정하는 핵심 조직이 됩니다.
[06] AI Research 멤버들의 실험과 로드맵을 리딩합니다.
이 포지션은 개인의 모델 개발 역량만으로 정의되지 않습니다. AI Research 멤버들과 함께 어떤 문제를 먼저 풀지 정하고, 전략적 실험 세팅, 결과 분석, 실패 회고, 다음 실험 우선순위, 기술 로드맵 설정을 리딩합니다.
실험이 일회성 개선으로 끝나지 않도록 가설과 지표를 정리하고, 결과를 팀이 재사용할 수 있는 기준으로 남기며, 연구 방향이 제품과 파트너 임팩트로 연결되도록 팀의 판단 기준을 세웁니다.
자격요건
• Computer Vision, biometric identification, face recognition, re-identification, visual retrieval, metric learning 중 하나 이상의 문제를 7년 이상 깊게 다뤄본 분• AI 모델을 연구 단계에서 끝내지 않고 실제 서비스, SDK, API, 모바일 또는 서버 inference 환경에 적용해본 경험이 있는 분
• identification / verification 문제에서 enrollment, matching, duplicate detection, threshold, embedding quality, 데이터셋 편향과 같은 이슈를 명확히 정의할 수 있는 분
• FAR, FRR, EER, ROC/DET curve, top-k retrieval accuracy 등 생체인식·검색 문제의 평가 지표를 이해하고, 제품 상황에 맞는 evaluation protocol을 설계할 수 있는 분
• 데이터셋 설계, annotation 기준, error analysis, hard case mining, model/data versioning의 중요성을 알고 실제로 결과를 개선해본 분
• 학습·평가·배포·모니터링이 반복 가능하도록 MLOps 파이프라인을 설계하거나 고도화해본 분
• offline metric과 production metric이 다를 수 있다는 것을 경험적으로 이해하고, 그 간극을 줄여본 분
• latency, 모델 크기, inference cost, 정확도, 사용자 성공률 사이의 trade-off를 고려해 제품 수준의 의사결정을 해본 분
• 정답이 정리되지 않은 문제에서 스스로 가설을 세우고 실험을 설계하며, 실패 케이스를 구조적으로 분석할 수 있는 분
• Product, Marketing 팀과 함께 AI 우선순위를 논의하고 기술적 판단을 쉽고 직관적인 언어로 설명할 수 있는 분
• 시니어 연구자로서 코드 리뷰, 실험 리뷰, 모델 평가 기준 정리, 주니어/미들 연구자 멘토링을 통해 팀의 기술 기준을 높여본 분
학위나 논문 수보다 중요한 것은 실제 문제를 끝까지 풀어보고 고객에게 전달해본 경험입니다. 연구 성능을 높이는 것과 제품 성능을 높이는 것 사이의 차이를 이해하고, 그 간극을 줄이는 데 흥미를 느끼는 분을 찾고 있습니다.
