포지션 상세
[ 웨어러블에이아이 소개 ]
웨어러블에이아이는 공항, 리조트, 항만, 조선소, 공장 등 다양한 이동 주체가 얽혀 움직이는 SPM(Special-Purpose Mobility, 특수목적모빌리티) 환경에 맞춰,
AI 월드모델 기반 인식·예측, Proactive Driving, 독립적인 Safety Architecture, 자체 설계한 로봇을 하나로 결합해, Plug-and-Play 방식의 풀스택 로보틱스 플랫폼을 만듭니다.
[직무소개]
본 포지션은 SPM(Special Purpose Mobility) 환경을 포함한 자율주행 모빌리티의 Perception, 판단, 데이터 활용 성능을 높이기 위해 머신러닝 모델과 환경을 표현·예측하는 World Model을 설계·학습·검증·배포하는 역할입니다.
실제 차량의 센서 데이터와 임베디드 컴퓨팅 제약을 고려하여 모델이 안정적으로 동작하도록 데이터 Pipeline, 평가 지표, 최적화 전략을 함께 설계합니다.
문제 정의부터 모델 아키텍처, scene-centric implicit World Model 기반 action-conditioned 예측 모델링, 실험 설계, 배포 의사결정까지 주도하며, Perception, Localization, Motion Planning, MLOps 담당자와 긴밀하게 협업할 분을 찾고 있습니다.
• 자율주행 모빌리티의 Perception, 예측, 판단, 운영 데이터 문제와 scene 전체를 implicit하게 해석해 intention/trajectory를 예측하는 World Model 과제를 머신러닝 과제로 구조화
• 제품 성능에 미치는 영향도, 데이터 확보 가능성, 배포 난이도를 고려하여 모델 개발 우선순위 설정
• 현재 모델의 성능 한계와 실패 케이스를 분석하고 개선 로드맵 수립
• 연구 기법과 제품 적용 가능성 사이의 기술적 트레이드오프 판단
2. Dataset 및 SSL 학습 Pipeline 설계
• 차량 주행 로그, 센서 데이터, 시뮬레이션 데이터를 활용한 human-label-free SSL(자기지도학습) Dataset 설계
• 데이터 수집, 정제, 버전 관리, 품질 검수 기준 정의 (사람이 라벨링한 Dataset 의존 최소화)
• 실패 케이스와 장기 운영 데이터를 반영한 데이터 보강 및 샘플링 전략 수립
• MLOps 환경과 연동되는 실험 추적 및 재현 체계 구축
3. 모델 개발 및 성능 검증
• 자율주행 데이터에서 발생하는 Perception, 예측, 판단, 이상 상황 분석 문제와 discrete 4D occupancy prediction을 continuous implicit world representation(Query(x,y,z,t,ego_intention)Occupancy/Risk/Affordance/Counterfactual)으로 확장하는 World Model 과제를 위한 모델 설계 및 학습
• SSL 및 Contrastive Representation Learning 기반으로 planning에 유용한 latent representation을 학습하고, action-conditioned/counterfactual prediction 실험 설계
• 정확도, 지연 시간, 안정성, 일반화 성능을 함께 고려한 평가 지표 설계
• 모델 실패 케이스를 분석하고 데이터, 구조, 손실 함수, 학습 전략 관점에서 개선
• 제품 요구사항에 맞는 모델 성능 기준과 배포 가능 여부를 판단
4. 임베디드 추론 최적화 및 배포
• NVIDIA Jetson 등 임베디드 플랫폼에서 모델 추론 속도와 자원 사용량 최적화
• 양자화, 프루닝, GPU 가속 등을 활용한 모델 경량화 수행
• C++, Python, CUDA를 활용한 실시간 추론 Pipeline 구현
• 실차 환경에서 모델 배포 후 로그를 수집하고 성능 저하 원인을 분석
5. 기술 리딩 및 시스템 통합 협업
• Perception, Localization, Motion Planning, 하드웨어 팀과 모델 입력·출력 인터페이스 조율
• 모델 변경이 자율주행 시스템 전체에 미치는 영향을 검토하고 통합 테스트 계획 수립
• 동료 엔지니어의 실험 설계, 코드 리뷰, 성능 분석을 지원
• 고객 현장과 제품 일정에 맞춘 모델 개발 우선순위 및 리스크 관리
[주요 산출물]
• 제품 요구사항과 연결된 머신러닝 모델 개발 로드맵
• 학습 Dataset 정의서 및 데이터 품질 관리 기준
• 모델 학습·평가·실험 추적 리포트
• 임베디드 배포용 모델 및 추론 Pipeline
• 모델 성능 대시보드 및 배포 판단 기준 문서
[온보딩 로드맵]
[입사 후 1개월 | 모델·데이터·제품 요구사항 파악]
• 현재 사용 중인 모델, Dataset, 실험 기록, 배포 환경 파악
• 제품 성능에 큰 영향을 주는 모델 실패 케이스와 데이터 병목 정리
• 우선 개선할 모델 또는 데이터 과제를 선정하고 평가 지표 초안 작성
[입사 후 3개월 | 1차 모델 개선 및 평가 체계 구축]
• 우선순위가 높은 과제에 개선 모델 또는 데이터 보강 전략을 적용
• 현재 모델 대비 개선 효과를 정량 지표와 실패 케이스 기준으로 비교
• 배포 가능성을 판단할 수 있는 실험 추적 및 평가 리포트 체계 구성
[입사 후 6개월 | 임베디드 배포 및 운영 피드백 반영]
• 개선 모델을 임베디드 환경에 배포하고 지연 시간과 자원 사용량을 검증
• 실차 로그를 기반으로 배포 후 성능 저하 또는 실패 케이스를 분석
• 데이터 수집부터 모델 개선까지 이어지는 반복 학습 루프 구축
[입사 후 1년 | 모델 개발 체계 고도화 및 기술 리딩]
• 주요 모델의 개발·검증·배포 기준을 팀 표준으로 정착
• 제품 로드맵과 연결된 머신러닝 기술 전략 제안
• 동료 엔지니어와 협업하여 복수 모델 또는 데이터 과제를 병렬로 운영
• 머신러닝 또는 딥러닝 관련 5년 이상 실무 경험 또는 이에 준하는 프로젝트 역량
• 실제 제품 또는 서비스에 모델을 배포하고 성능을 개선할 수 있는 능력
• MLOps 도구를 활용해 실험을 추적하고, 데이터 수집부터 모델 학습·평가·배포까지 전체 흐름을 주도할 수 있는 역량
[모델 개발 및 평가 역량]
• 컴퓨터 비전, 센서 융합, 시계열 데이터, Scene-centric World Model(discrete/continuous occupancy prediction, implicit scene representation 등) 중 하나 이상의 영역에서 모델을 개발할 수 있는 역량
• SSL(자기지도학습) 및 Contrastive Representation Learning을 설계·구현할 수 있는 역량, human label 없이 planning에 유용한 latent representation을 학습해본 경험
• Action-conditioned/counterfactual prediction 개념을 이해하고, Vision Foundation Model distillation을 활용해본 경험
• 모델 성능을 정량 지표와 실제 실패 케이스 기준으로 분석할 수 있는 능력
• 데이터 품질, 모델 구조, 학습 전략 사이의 관계를 이해하고 개선안을 설계할 수 있는 역량
• 논문이나 최신 기법을 제품 환경에 맞게 해석하고 적용할 수 있는 능력
[소프트웨어 및 최적화 역량]
• Python, C++, CUDA를 활용해 개발할 수 있는 역량
• NVIDIA Jetson 등 임베디드 플랫폼에서 모델을 배포하고 GPU 기반 추론 최적화·경량화를 수행할 수 있는 역량
• Linux, Docker, Git을 활용해 개발하고 협업할 수 있는 역량
[자율주행 및 로봇 시스템 이해]
• 자율주행 차량 또는 로봇에서 Perception, 예측, 판단 등 ML 모델을 개발할 수 있는 역량
• 라이다, 카메라, IMU 등 센서 데이터 특성에 대한 이해
• Perception, Localization, Motion Planning, 제어 모듈 간 데이터 흐름에 대한 이해
• 임베디드 컴퓨팅 환경의 처리 지연, 전력, 메모리 제약을 고려해 모델을 설계할 수 있는 역량
• PEFT(매개변수 효율 미세조정)와 MoE(전문가 혼합) 구조를 활용해 현장 데이터 기반 지속 학습 및 fleet 모델 업그레이드 Pipeline을 설계할 수 있는 역량
[기술 리딩 및 협업 역량]
• 복잡한 기술 문제를 구조화하고 팀이 실행 가능한 계획으로 나눌 수 있는 능력
• 실험 결과, 리스크, 의사결정 근거를 동료가 이해할 수 있게 설명할 수 있는 커뮤니케이션 역량
• 코드 리뷰, 실험 리뷰, 기술 문서화를 통해 팀의 개발 품질을 높일 수 있는 역량
웨어러블에이아이는 공항, 리조트, 항만, 조선소, 공장 등 다양한 이동 주체가 얽혀 움직이는 SPM(Special-Purpose Mobility, 특수목적모빌리티) 환경에 맞춰,
AI 월드모델 기반 인식·예측, Proactive Driving, 독립적인 Safety Architecture, 자체 설계한 로봇을 하나로 결합해, Plug-and-Play 방식의 풀스택 로보틱스 플랫폼을 만듭니다.
[직무소개]
본 포지션은 SPM(Special Purpose Mobility) 환경을 포함한 자율주행 모빌리티의 Perception, 판단, 데이터 활용 성능을 높이기 위해 머신러닝 모델과 환경을 표현·예측하는 World Model을 설계·학습·검증·배포하는 역할입니다.
실제 차량의 센서 데이터와 임베디드 컴퓨팅 제약을 고려하여 모델이 안정적으로 동작하도록 데이터 Pipeline, 평가 지표, 최적화 전략을 함께 설계합니다.
문제 정의부터 모델 아키텍처, scene-centric implicit World Model 기반 action-conditioned 예측 모델링, 실험 설계, 배포 의사결정까지 주도하며, Perception, Localization, Motion Planning, MLOps 담당자와 긴밀하게 협업할 분을 찾고 있습니다.
주요업무
1. 머신러닝 문제 정의 및 기술 방향 수립• 자율주행 모빌리티의 Perception, 예측, 판단, 운영 데이터 문제와 scene 전체를 implicit하게 해석해 intention/trajectory를 예측하는 World Model 과제를 머신러닝 과제로 구조화
• 제품 성능에 미치는 영향도, 데이터 확보 가능성, 배포 난이도를 고려하여 모델 개발 우선순위 설정
• 현재 모델의 성능 한계와 실패 케이스를 분석하고 개선 로드맵 수립
• 연구 기법과 제품 적용 가능성 사이의 기술적 트레이드오프 판단
2. Dataset 및 SSL 학습 Pipeline 설계
• 차량 주행 로그, 센서 데이터, 시뮬레이션 데이터를 활용한 human-label-free SSL(자기지도학습) Dataset 설계
• 데이터 수집, 정제, 버전 관리, 품질 검수 기준 정의 (사람이 라벨링한 Dataset 의존 최소화)
• 실패 케이스와 장기 운영 데이터를 반영한 데이터 보강 및 샘플링 전략 수립
• MLOps 환경과 연동되는 실험 추적 및 재현 체계 구축
3. 모델 개발 및 성능 검증
• 자율주행 데이터에서 발생하는 Perception, 예측, 판단, 이상 상황 분석 문제와 discrete 4D occupancy prediction을 continuous implicit world representation(Query(x,y,z,t,ego_intention)Occupancy/Risk/Affordance/Counterfactual)으로 확장하는 World Model 과제를 위한 모델 설계 및 학습
• SSL 및 Contrastive Representation Learning 기반으로 planning에 유용한 latent representation을 학습하고, action-conditioned/counterfactual prediction 실험 설계
• 정확도, 지연 시간, 안정성, 일반화 성능을 함께 고려한 평가 지표 설계
• 모델 실패 케이스를 분석하고 데이터, 구조, 손실 함수, 학습 전략 관점에서 개선
• 제품 요구사항에 맞는 모델 성능 기준과 배포 가능 여부를 판단
4. 임베디드 추론 최적화 및 배포
• NVIDIA Jetson 등 임베디드 플랫폼에서 모델 추론 속도와 자원 사용량 최적화
• 양자화, 프루닝, GPU 가속 등을 활용한 모델 경량화 수행
• C++, Python, CUDA를 활용한 실시간 추론 Pipeline 구현
• 실차 환경에서 모델 배포 후 로그를 수집하고 성능 저하 원인을 분석
5. 기술 리딩 및 시스템 통합 협업
• Perception, Localization, Motion Planning, 하드웨어 팀과 모델 입력·출력 인터페이스 조율
• 모델 변경이 자율주행 시스템 전체에 미치는 영향을 검토하고 통합 테스트 계획 수립
• 동료 엔지니어의 실험 설계, 코드 리뷰, 성능 분석을 지원
• 고객 현장과 제품 일정에 맞춘 모델 개발 우선순위 및 리스크 관리
[주요 산출물]
• 제품 요구사항과 연결된 머신러닝 모델 개발 로드맵
• 학습 Dataset 정의서 및 데이터 품질 관리 기준
• 모델 학습·평가·실험 추적 리포트
• 임베디드 배포용 모델 및 추론 Pipeline
• 모델 성능 대시보드 및 배포 판단 기준 문서
[온보딩 로드맵]
[입사 후 1개월 | 모델·데이터·제품 요구사항 파악]
• 현재 사용 중인 모델, Dataset, 실험 기록, 배포 환경 파악
• 제품 성능에 큰 영향을 주는 모델 실패 케이스와 데이터 병목 정리
• 우선 개선할 모델 또는 데이터 과제를 선정하고 평가 지표 초안 작성
[입사 후 3개월 | 1차 모델 개선 및 평가 체계 구축]
• 우선순위가 높은 과제에 개선 모델 또는 데이터 보강 전략을 적용
• 현재 모델 대비 개선 효과를 정량 지표와 실패 케이스 기준으로 비교
• 배포 가능성을 판단할 수 있는 실험 추적 및 평가 리포트 체계 구성
[입사 후 6개월 | 임베디드 배포 및 운영 피드백 반영]
• 개선 모델을 임베디드 환경에 배포하고 지연 시간과 자원 사용량을 검증
• 실차 로그를 기반으로 배포 후 성능 저하 또는 실패 케이스를 분석
• 데이터 수집부터 모델 개선까지 이어지는 반복 학습 루프 구축
[입사 후 1년 | 모델 개발 체계 고도화 및 기술 리딩]
• 주요 모델의 개발·검증·배포 기준을 팀 표준으로 정착
• 제품 로드맵과 연결된 머신러닝 기술 전략 제안
• 동료 엔지니어와 협업하여 복수 모델 또는 데이터 과제를 병렬로 운영
자격요건
[머신러닝 실무 경험]• 머신러닝 또는 딥러닝 관련 5년 이상 실무 경험 또는 이에 준하는 프로젝트 역량
• 실제 제품 또는 서비스에 모델을 배포하고 성능을 개선할 수 있는 능력
• MLOps 도구를 활용해 실험을 추적하고, 데이터 수집부터 모델 학습·평가·배포까지 전체 흐름을 주도할 수 있는 역량
[모델 개발 및 평가 역량]
• 컴퓨터 비전, 센서 융합, 시계열 데이터, Scene-centric World Model(discrete/continuous occupancy prediction, implicit scene representation 등) 중 하나 이상의 영역에서 모델을 개발할 수 있는 역량
• SSL(자기지도학습) 및 Contrastive Representation Learning을 설계·구현할 수 있는 역량, human label 없이 planning에 유용한 latent representation을 학습해본 경험
• Action-conditioned/counterfactual prediction 개념을 이해하고, Vision Foundation Model distillation을 활용해본 경험
• 모델 성능을 정량 지표와 실제 실패 케이스 기준으로 분석할 수 있는 능력
• 데이터 품질, 모델 구조, 학습 전략 사이의 관계를 이해하고 개선안을 설계할 수 있는 역량
• 논문이나 최신 기법을 제품 환경에 맞게 해석하고 적용할 수 있는 능력
[소프트웨어 및 최적화 역량]
• Python, C++, CUDA를 활용해 개발할 수 있는 역량
• NVIDIA Jetson 등 임베디드 플랫폼에서 모델을 배포하고 GPU 기반 추론 최적화·경량화를 수행할 수 있는 역량
• Linux, Docker, Git을 활용해 개발하고 협업할 수 있는 역량
[자율주행 및 로봇 시스템 이해]
• 자율주행 차량 또는 로봇에서 Perception, 예측, 판단 등 ML 모델을 개발할 수 있는 역량
• 라이다, 카메라, IMU 등 센서 데이터 특성에 대한 이해
• Perception, Localization, Motion Planning, 제어 모듈 간 데이터 흐름에 대한 이해
• 임베디드 컴퓨팅 환경의 처리 지연, 전력, 메모리 제약을 고려해 모델을 설계할 수 있는 역량
• PEFT(매개변수 효율 미세조정)와 MoE(전문가 혼합) 구조를 활용해 현장 데이터 기반 지속 학습 및 fleet 모델 업그레이드 Pipeline을 설계할 수 있는 역량
[기술 리딩 및 협업 역량]
• 복잡한 기술 문제를 구조화하고 팀이 실행 가능한 계획으로 나눌 수 있는 능력
• 실험 결과, 리스크, 의사결정 근거를 동료가 이해할 수 있게 설명할 수 있는 커뮤니케이션 역량
• 코드 리뷰, 실험 리뷰, 기술 문서화를 통해 팀의 개발 품질을 높일 수 있는 역량
