포지션 상세
MotifDrive(모티프드라이브)는 2024년 10월 설립된 Physical AI 자율주행 소프트웨어 기업입니다. Pure End-to-End 주행 모델과 VLM 기반 의미 추론을 결합한 Dual-Loop 아키텍처, 그리고 수학 기반 Fail-Safety Layer로 구성된 3계층 구조를 통해 완성차(OEM)와 Tier-1 부품사의 양산 자율주행을 목표로 합니다.
카메라 기반 E2E 모델이 Scaling Law의 혜택을 받는 구조적으로 우월한 패러다임이라는 믿음 아래, 데이터를 빠르고 효율적으로 확보하고 정제하는 Data Engine을 회사의 핵심 경쟁력으로 구축하고 있습니다. 이번 채용은 그 Data Engine의 기반을 함께 만들어 갈 동료를 찾는 과정입니다.
[함께 일하는 방식]
• 작은 조직에서 수집부터 학습까지 전 과정을 직접 보고 개선합니다. 담당 영역의 결과가 회사의 실차 데모와 양산 성과로 바로 이어집니다.
• 측정 가능한 지표로 일합니다. 각 포지션은 입사 후 90일 기대 성과를 명시하고 있습니다.
• 연구 성과의 Top-Tier 학회·저널 게재를 장려합니다.
주행 데이터는 계속 쌓이지만, 그 안에 어떤 상황이 얼마나 담겨 있는지는 저절로 드러나지 않습니다. 여러 센서 데이터와 HD Map, 내비게이션 경로, 객체 인식 결과를 함께 읽어야 비로소 하나의 상황으로 보입니다. 그 해석을 설계해 데이터를 큐레이션하고, 학습과 평가에 필요한 시나리오를 뽑아냅니다.
[주요 업무]
• 데이터 현황 분석: 무엇이 얼마나 있고 어디가 비는지를 수치로 — 상황 분포 · 커버리지 · 중복
• 주행 상황 정의 체계 수립: 교차로 진입, 차선 변경, 컷인, 보행자 상호작용, 정체 등을 서로 구분 가능한 속성으로 정의
• 파생 속성 설계와 추출: 라벨에 직접 없는 개념을 HD Map·ego pose·객체 인식 결과·차량 신호의 조합으로 유도 (예: "이 교차로에서 자차가 선두였는가"는 정지선까지의 선행 차량 유무, 자차 위치, 신호 상태를 엮어야 산출됩니다)
• 상황과 모델 성능의 연결: 어떤 조건에서 성능이 떨어지는지 가설을 세우고, 해당 조건만 분리해 수치로 검증
• 테스트 주행 실패·개입 구간 및 모델 불확실성 기반 hard case 마이닝
• 학습·평가 데이터셋 구성: 시나리오 비율, 중복 제거, 커버리지 분석, 지리적 홀드아웃 평가셋 설계
• 무엇을 더 모으고 무엇을 먼저 라벨링할지 판단: 분석 결과를 근거로 학습셋 구성 · 라벨링 우선순위 · 추가 취득 대상을 정하고, 취득 · 라벨링 요청으로 연결
• Python, SQL 및 대용량 데이터 처리(Pandas, Spark 등) 역량
• 데이터로 가설을 세우고 검증해본 경험
• 여러 소스를 조인해 새로운 지표를 설계해본 경험
• 센서 · 시계열 · 영상 등 비정형 데이터를 직접 다뤄본 경험
카메라 기반 E2E 모델이 Scaling Law의 혜택을 받는 구조적으로 우월한 패러다임이라는 믿음 아래, 데이터를 빠르고 효율적으로 확보하고 정제하는 Data Engine을 회사의 핵심 경쟁력으로 구축하고 있습니다. 이번 채용은 그 Data Engine의 기반을 함께 만들어 갈 동료를 찾는 과정입니다.
[함께 일하는 방식]
• 작은 조직에서 수집부터 학습까지 전 과정을 직접 보고 개선합니다. 담당 영역의 결과가 회사의 실차 데모와 양산 성과로 바로 이어집니다.
• 측정 가능한 지표로 일합니다. 각 포지션은 입사 후 90일 기대 성과를 명시하고 있습니다.
• 연구 성과의 Top-Tier 학회·저널 게재를 장려합니다.
주요업무
[포지션 미션]주행 데이터는 계속 쌓이지만, 그 안에 어떤 상황이 얼마나 담겨 있는지는 저절로 드러나지 않습니다. 여러 센서 데이터와 HD Map, 내비게이션 경로, 객체 인식 결과를 함께 읽어야 비로소 하나의 상황으로 보입니다. 그 해석을 설계해 데이터를 큐레이션하고, 학습과 평가에 필요한 시나리오를 뽑아냅니다.
[주요 업무]
• 데이터 현황 분석: 무엇이 얼마나 있고 어디가 비는지를 수치로 — 상황 분포 · 커버리지 · 중복
• 주행 상황 정의 체계 수립: 교차로 진입, 차선 변경, 컷인, 보행자 상호작용, 정체 등을 서로 구분 가능한 속성으로 정의
• 파생 속성 설계와 추출: 라벨에 직접 없는 개념을 HD Map·ego pose·객체 인식 결과·차량 신호의 조합으로 유도 (예: "이 교차로에서 자차가 선두였는가"는 정지선까지의 선행 차량 유무, 자차 위치, 신호 상태를 엮어야 산출됩니다)
• 상황과 모델 성능의 연결: 어떤 조건에서 성능이 떨어지는지 가설을 세우고, 해당 조건만 분리해 수치로 검증
• 테스트 주행 실패·개입 구간 및 모델 불확실성 기반 hard case 마이닝
• 학습·평가 데이터셋 구성: 시나리오 비율, 중복 제거, 커버리지 분석, 지리적 홀드아웃 평가셋 설계
• 무엇을 더 모으고 무엇을 먼저 라벨링할지 판단: 분석 결과를 근거로 학습셋 구성 · 라벨링 우선순위 · 추가 취득 대상을 정하고, 취득 · 라벨링 요청으로 연결
자격요건
• 데이터 분석 실무 경력 3년 이상 — 분석 결과로 의사결정을 바꿔본 경험• Python, SQL 및 대용량 데이터 처리(Pandas, Spark 등) 역량
• 데이터로 가설을 세우고 검증해본 경험
• 여러 소스를 조인해 새로운 지표를 설계해본 경험
• 센서 · 시계열 · 영상 등 비정형 데이터를 직접 다뤄본 경험
