포지션 상세
[채용팀 Talk]
대시보드에서 끝나지 않는 데이터 사이언스
대부분의 데이터 사이언티스트가 만든 모델은 리포트나 대시보드에서 멈춥니다. 예측값을 내놓고 그 다음 판단은 사람이 합니다. 인터엑스의 알고리즘은 거기서 한 단계 더 갑니다. 불량을 예측하면 그 결과가 IoT를 통해 설비로 되돌아가고, 공정 조건이 실제로 바뀝니다. 모델의 출력이 사람의 참고자료가 아니라 공장을 움직이는 입력값이 되는 구조입니다.
이 차이는 일하는 방식을 통째로 바꿉니다. 모델이 틀리면 지표가 나빠지는 게 아니라 라인이 섭니다. 그래서 정확도만큼 왜 그렇게 예측했는지 설명할 수 있는가, 현장 조건이 바뀌어도 버티는가가 똑같이 중요합니다.
고객사의 공정 데이터를 다루고, 알고리즘은 사내 플랫폼에 탑재되어 실제 라인에서 돌아갑니다. 이를 위해 인터엑스에서 문제를 정의하고 알고리즘 방향을 결정할 시니어와, 논문을 빠르게 구현해 검증할 주니어 동료를 함께 찾고 있습니다. 제조 데이터는 적고 계속 변합니다. 그래서 더 재미있다고 생각하는 분이라면 환영합니다!
[담당 업무]
시계열·이상탐지 알고리즘 연구 및 개발
설비 센서, 공정 파라미터, 검사 결과 등 제조 시계열 데이터를 대상으로 이상탐지·불량예측·품질예측 모델을 설계하고 개발합니다. 정상 데이터만으로 학습하는 unsupervised/self-supervised 접근을 주로 다룹니다.
최신 논문의 현장 적용
시계열 딥러닝, Anomaly detection, Domain adaptation 분야 최신 논문을 검토하고, 자사 데이터에 재현한 뒤 적용 가능성을 판단합니다.
알고리즘 고도화 및 운영 대응
배포된 모델의 성능 저하(data drift, concept drift)를 감지하고 재학습 전략을 설계합니다. 설비 교체·라인 증설 등 현장 변화에 모델이 어떻게 대응할지 정합니다
문제 정의 — 고객사의 불량률이 분류 문제인지, 이상탐지 문제인지, 데이터로 풀 수 없는 문제인지 판단합니다.
알고리즘 표준화 — 도메인별로 흩어진 모델에서 재사용 가능한 구조를 뽑아 사내 표준 파이프라인으로 만듭니다.
기술 리뷰 — 연구원의 실험 설계와 코드를 리뷰하고, 막힌 실험의 가설을 함께 좁힙니다.
Junior Track
실험 설계와 수행 — 가설을 세우고 비교군을 정해 재현 가능한 형태로 실험합니다.
데이터 전처리·피처 설계 — 결측과 이상치, 비동기 샘플링이 섞인 원본 센서 데이터를 학습 가능한 형태로 만듭니다.
프레임워크: PyTorch 또는 TensorFlow로 모델을 직접 구현하고 학습시킨 경험 (API 호출과 더불어 모델 구조를 수정해본 수준)
논문 구현: 논문을 읽고 코드로 옮겨 결과를 재현해본 경험
실험 설계: 성능 차이가 우연인지 실제인지 구분할 수 있는 실험을 설계하고 결과를 문서로 남긴 경험
협업: 다른 직군(개발, PM, 현장 엔지니어)과 문제를 정의하고 해결책을 찾아본 경험
대시보드에서 끝나지 않는 데이터 사이언스
대부분의 데이터 사이언티스트가 만든 모델은 리포트나 대시보드에서 멈춥니다. 예측값을 내놓고 그 다음 판단은 사람이 합니다. 인터엑스의 알고리즘은 거기서 한 단계 더 갑니다. 불량을 예측하면 그 결과가 IoT를 통해 설비로 되돌아가고, 공정 조건이 실제로 바뀝니다. 모델의 출력이 사람의 참고자료가 아니라 공장을 움직이는 입력값이 되는 구조입니다.
이 차이는 일하는 방식을 통째로 바꿉니다. 모델이 틀리면 지표가 나빠지는 게 아니라 라인이 섭니다. 그래서 정확도만큼 왜 그렇게 예측했는지 설명할 수 있는가, 현장 조건이 바뀌어도 버티는가가 똑같이 중요합니다.
고객사의 공정 데이터를 다루고, 알고리즘은 사내 플랫폼에 탑재되어 실제 라인에서 돌아갑니다. 이를 위해 인터엑스에서 문제를 정의하고 알고리즘 방향을 결정할 시니어와, 논문을 빠르게 구현해 검증할 주니어 동료를 함께 찾고 있습니다. 제조 데이터는 적고 계속 변합니다. 그래서 더 재미있다고 생각하는 분이라면 환영합니다!
[담당 업무]
시계열·이상탐지 알고리즘 연구 및 개발
설비 센서, 공정 파라미터, 검사 결과 등 제조 시계열 데이터를 대상으로 이상탐지·불량예측·품질예측 모델을 설계하고 개발합니다. 정상 데이터만으로 학습하는 unsupervised/self-supervised 접근을 주로 다룹니다.
최신 논문의 현장 적용
시계열 딥러닝, Anomaly detection, Domain adaptation 분야 최신 논문을 검토하고, 자사 데이터에 재현한 뒤 적용 가능성을 판단합니다.
알고리즘 고도화 및 운영 대응
배포된 모델의 성능 저하(data drift, concept drift)를 감지하고 재학습 전략을 설계합니다. 설비 교체·라인 증설 등 현장 변화에 모델이 어떻게 대응할지 정합니다
주요업무
Senior Track문제 정의 — 고객사의 불량률이 분류 문제인지, 이상탐지 문제인지, 데이터로 풀 수 없는 문제인지 판단합니다.
알고리즘 표준화 — 도메인별로 흩어진 모델에서 재사용 가능한 구조를 뽑아 사내 표준 파이프라인으로 만듭니다.
기술 리뷰 — 연구원의 실험 설계와 코드를 리뷰하고, 막힌 실험의 가설을 함께 좁힙니다.
Junior Track
실험 설계와 수행 — 가설을 세우고 비교군을 정해 재현 가능한 형태로 실험합니다.
데이터 전처리·피처 설계 — 결측과 이상치, 비동기 샘플링이 섞인 원본 센서 데이터를 학습 가능한 형태로 만듭니다.
자격요건
프로젝트 경험 : Prediction, Anomaly detection, Classification 중 하나 이상의 ML/DL 프로젝트를 처음부터 끝까지 수행한 경험프레임워크: PyTorch 또는 TensorFlow로 모델을 직접 구현하고 학습시킨 경험 (API 호출과 더불어 모델 구조를 수정해본 수준)
논문 구현: 논문을 읽고 코드로 옮겨 결과를 재현해본 경험
실험 설계: 성능 차이가 우연인지 실제인지 구분할 수 있는 실험을 설계하고 결과를 문서로 남긴 경험
협업: 다른 직군(개발, PM, 현장 엔지니어)과 문제를 정의하고 해결책을 찾아본 경험
