포지션 상세
㈜시옷은 다양한 정보보호 분야에서 축적한 기술력과 AI 경량 설계 경험을 바탕으로, 보안 솔루션과 AI 플랫폼을 개발하는 AI 보안 전문 기업입니다.
이번 포지션은 BODMAS(악성코드 정적 피처) 및 CERT(내부자 위협 행위 로그) 등 실전 보안 데이터를 기반으로, AE(Autoencoder) 및 VAE(Variational Autoencoder) 기반 표현 학습과 MC Dropout 등 불확실성 정량화(UQ) 기법을 융합하여 고신뢰성 이상 징후 탐지 파이프라인을 구축하는 시니어/리드급 R&D 포지션입니다.
정확도 중심의 기존 모델 한계를 극복하고, OOD(Out-of-Distribution) 및 Zero-day 공격에 대응하기 위한 확률론적 딥러닝 아키텍처 연구를 주도할 시니어 AI/ML 연구원(불확실성 정량화 & 보안 이상 징후 탐지)을 모집합니다.
보안 도메인의 탐지 모델은 `예측의 정확도`뿐만 아니라 `자신의 판단을 얼마나 확신하는가`를 측정할 수 있어야 합니다.
특히 Zero-day 공격이나 변종 악성코드, 신종 내부자 위협처럼 학습 단계에서 접하지 못한 미지의 패턴(Out-of-Distribution, OOD)을 마주했을 때 모델의 예측 불확실성과 신뢰도를 정량화하는 것이 중요합니다.
본 연구팀에서는 Autoencoder(AE)와 잠재 공간을 확률 분포로 모델링하는 Variational Autoencoder(VAE) 구조를 기반으로, MC Dropout, 앙상블 기법 등 다양한 확률론적 방법론을 융합합니다. 이를 통해 복원 오차(Reconstruction Error)와 예측 불확실성(Epistemic/Aleatoric Uncertainty)을 동시에 산출하는 고성능·고신뢰성 보안 AI 모델을 설계합니다.
[주요업무]
ㆍAE/VAE 기반 표현 학습 및 이상 징후 탐지 모델 개발: 정상 행위 패턴 압축 및 복원을 위한 Autoencoder 설계, 변분 추론(Variational Inference) 기반 잠재 공간 확률 분포 모델링(VAE), 복원 오차와 잠재 우도(Likelihood) 결합한 이상치 스코어링 고도화
ㆍ불확실성 정량화(UQ) 및 OOD 탐지 파이프라인 연구: MC Dropout(Monte Carlo Dropout) 및 베이지안 근사 기반 모델의 예측 불확실성 추정, VAE 잠재 분산과 UQ 기법을 융합한 Zero-day/Unknown 위협(OOD) 선별 알고리즘 개발
ㆍ보안 실전 벤치마크 검증 및 파이프라인 구축: BODMAS 데이터셋(대규모 PE 악성코드 정적 피처) 및 CERT Insider Threat 데이터셋(시계열·이벤트 시퀀스 로그) 전처리, 고차원 희소 데이터 잠재 표현 추출 및 개념 드리프트(Concept Drift) 대응
ㆍ신뢰도 평가 및 실시간 서빙 최적화: ECE(Expected Calibration Error), AUROC, AUPRC 기반 신뢰도 정량 평가, 다중 포워드 패스(MC Inference) 연산 지연 최소화를 위한 모델 경량화 및 프로덕션 파이프라인 최적화
ㆍ이론적 전문성: Autoencoder 및 Variational Autoencoder(ELBO 유도, Reparameterization Trick 등)에 대한 수식적·이론적 이해를 보유한 자, 확률론적 딥러닝 및 불확실성 추정 방법론 (MC Dropout, Deep Ensembles 등)에 대한 명확한 이해
ㆍ엔지니어링 역량: Python 및 PyTorch(또는 PyTorch Lightning) 프레임워크 기반 딥러닝 아키텍쳐 설계 및 구현 능숙자, 정형(Tabular) 및 시계열/로그 데이터 처리 파이프라인 구축 경험
ㆍ실험 및 협업: Git, Docker, MLOps 툴(MLflow, WandB)을 이용한 재현 가능한 실험 및 형상 관리 역량, 최신 논문 알고리즘을 코드로 직접 재현(Paper-to-Code)하는 역량
이번 포지션은 BODMAS(악성코드 정적 피처) 및 CERT(내부자 위협 행위 로그) 등 실전 보안 데이터를 기반으로, AE(Autoencoder) 및 VAE(Variational Autoencoder) 기반 표현 학습과 MC Dropout 등 불확실성 정량화(UQ) 기법을 융합하여 고신뢰성 이상 징후 탐지 파이프라인을 구축하는 시니어/리드급 R&D 포지션입니다.
정확도 중심의 기존 모델 한계를 극복하고, OOD(Out-of-Distribution) 및 Zero-day 공격에 대응하기 위한 확률론적 딥러닝 아키텍처 연구를 주도할 시니어 AI/ML 연구원(불확실성 정량화 & 보안 이상 징후 탐지)을 모집합니다.
주요업무
[포지션 개요 및 연구방향]보안 도메인의 탐지 모델은 `예측의 정확도`뿐만 아니라 `자신의 판단을 얼마나 확신하는가`를 측정할 수 있어야 합니다.
특히 Zero-day 공격이나 변종 악성코드, 신종 내부자 위협처럼 학습 단계에서 접하지 못한 미지의 패턴(Out-of-Distribution, OOD)을 마주했을 때 모델의 예측 불확실성과 신뢰도를 정량화하는 것이 중요합니다.
본 연구팀에서는 Autoencoder(AE)와 잠재 공간을 확률 분포로 모델링하는 Variational Autoencoder(VAE) 구조를 기반으로, MC Dropout, 앙상블 기법 등 다양한 확률론적 방법론을 융합합니다. 이를 통해 복원 오차(Reconstruction Error)와 예측 불확실성(Epistemic/Aleatoric Uncertainty)을 동시에 산출하는 고성능·고신뢰성 보안 AI 모델을 설계합니다.
[주요업무]
ㆍAE/VAE 기반 표현 학습 및 이상 징후 탐지 모델 개발: 정상 행위 패턴 압축 및 복원을 위한 Autoencoder 설계, 변분 추론(Variational Inference) 기반 잠재 공간 확률 분포 모델링(VAE), 복원 오차와 잠재 우도(Likelihood) 결합한 이상치 스코어링 고도화
ㆍ불확실성 정량화(UQ) 및 OOD 탐지 파이프라인 연구: MC Dropout(Monte Carlo Dropout) 및 베이지안 근사 기반 모델의 예측 불확실성 추정, VAE 잠재 분산과 UQ 기법을 융합한 Zero-day/Unknown 위협(OOD) 선별 알고리즘 개발
ㆍ보안 실전 벤치마크 검증 및 파이프라인 구축: BODMAS 데이터셋(대규모 PE 악성코드 정적 피처) 및 CERT Insider Threat 데이터셋(시계열·이벤트 시퀀스 로그) 전처리, 고차원 희소 데이터 잠재 표현 추출 및 개념 드리프트(Concept Drift) 대응
ㆍ신뢰도 평가 및 실시간 서빙 최적화: ECE(Expected Calibration Error), AUROC, AUPRC 기반 신뢰도 정량 평가, 다중 포워드 패스(MC Inference) 연산 지연 최소화를 위한 모델 경량화 및 프로덕션 파이프라인 최적화
자격요건
ㆍ경력 기준: 머신러닝/딥러닝 연구 개발 경력 5년 이상 (또는 컴퓨터공학/통계학/인공지능 등 관련 석·박사 학위 소지자로서 유관 연구개발 경력 3년 이상)ㆍ이론적 전문성: Autoencoder 및 Variational Autoencoder(ELBO 유도, Reparameterization Trick 등)에 대한 수식적·이론적 이해를 보유한 자, 확률론적 딥러닝 및 불확실성 추정 방법론 (MC Dropout, Deep Ensembles 등)에 대한 명확한 이해
ㆍ엔지니어링 역량: Python 및 PyTorch(또는 PyTorch Lightning) 프레임워크 기반 딥러닝 아키텍쳐 설계 및 구현 능숙자, 정형(Tabular) 및 시계열/로그 데이터 처리 파이프라인 구축 경험
ㆍ실험 및 협업: Git, Docker, MLOps 툴(MLflow, WandB)을 이용한 재현 가능한 실험 및 형상 관리 역량, 최신 논문 알고리즘을 코드로 직접 재현(Paper-to-Code)하는 역량
