포지션 상세
AI가 아직 풀지 못하는 제조 문제를 찾아, 풀 수 있게 만드는 사람을 찾습니다.
SECA는 LG전자 사내벤처에서 스핀오프하고, LG전자와 블루포인트파트너스로부터 시드 투자를 유치한 딥테크 AI 스타트업입니다. 전자·반도체·자동차·제조 산업의 복잡한 설계 문제를 해결하는 AI Agent를 개발합니다.
현재 LG전자, 현대자동차, HL로보틱스, 한국전력공사, DB글로벌칩, BOS반도체 등의 실제 설계 데이터와 현장 과제를 다루고 있습니다. 요구사항 문서, 회로도, 데이터시트, BOM을 Ontology와 Knowledge Graph로 구조화하고, LLM·Multimodal AI를 결합해 설계 자동화와 오류 검증 기술을 만듭니다.
이 경험을 바탕으로 제조 특화 파운데이션 모델 개발에 필요한 데이터셋·벤치마크와 학습·평가 방법을 연구하고 있습니다. 국가·방산 관련 연구 협력과 LG AI Research·LG 계열사 등과의 논의를 이어가며, 국내 제조 현장의 데이터와 과제를 바탕으로 빅테크·프론티어랩과의 벤치마크 및 모델 연구 연계도 추진하고 있습니다.
이 포지션에서는 모델의 실패를 구체적인 연구 문제로 바꾸고, 데이터·검색·학습·검증 방법을 설계해 성능을 개선합니다. 무엇을 학습시키고 어떻게 평가할지부터 실제 고객 환경에서의 검증까지 직접 다룹니다. 논문 구현과 모델 실험을 제품으로 연결하며, 초기 핵심 개발자로서 기술 방향과 제품 아키텍처를 함께 만들어갑니다.
Requirements, Datasheet, Drawing, Schematic, BOM에서 텍스트·표·도형·기호를 추출합니다. VLM·OCR·Layout 분석을 조합해 배치와 연결 관계가 중요한 문서를 구조화합니다.
• 근거를 추적할 수 있는 데이터 구축
추출한 값마다 단위·조건·원문 위치를 보존합니다. 후처리와 검증 로직을 설계해 검색과 설계 검증에 활용할 수 있는 데이터 품질을 확보합니다.
• Ontology·Knowledge Graph 설계
요구사항·부품·설계 블록 사이의 관계를 정의하고 실제 데이터로 구축합니다. 산업 지식과 설계 규칙을 모델이 활용할 수 있는 구조로 만듭니다.
• Retrieval·Graph RAG 구현
Retrieval·Reranking·Graph RAG 파이프라인을 구현합니다. 의미 검색, 속성 필터, 수치·범위 조건을 과제에 맞게 결합하고 성능을 검증합니다.
• 제조 도메인 벤치마크 설계
문서 유형과 설계 과제별 실패 사례를 평가셋으로 만듭니다. 정확도뿐 아니라 근거의 신뢰성, 설계 제약·안전 요구사항 준수, 추론 비용을 함께 평가하고 모델·파이프라인 변경 전후를 비교합니다.
• 모델 학습 및 개선 실험
제조 특화 모델을 위한 학습·평가 데이터를 설계합니다. 벤치마크에서 드러난 실패를 데이터 개선과 Fine-tuning 실험으로 연결하고, 설계 규칙과 검증 결과를 학습 신호로 활용하는 방법을 연구합니다.
• 논문이나 새로운 방법론을 빠르게 구현하고, 기준 모델·방법과 비교 실험할 수 있는 분
• AI Coding Tool을 적극 활용하면서도 생성된 코드의 구조·품질·실행 결과를 직접 검증할 수 있는 분
• 처음 접하는 산업과 문서를 빠르게 이해하고, 해결할 문제와 평가 기준을 구체화할 수 있는 분
• 기대한 성능이 나오지 않을 때 실패 사례를 분석하고, 데이터·모델·파이프라인에서 원인을 끝까지 추적하는 분
SECA는 LG전자 사내벤처에서 스핀오프하고, LG전자와 블루포인트파트너스로부터 시드 투자를 유치한 딥테크 AI 스타트업입니다. 전자·반도체·자동차·제조 산업의 복잡한 설계 문제를 해결하는 AI Agent를 개발합니다.
현재 LG전자, 현대자동차, HL로보틱스, 한국전력공사, DB글로벌칩, BOS반도체 등의 실제 설계 데이터와 현장 과제를 다루고 있습니다. 요구사항 문서, 회로도, 데이터시트, BOM을 Ontology와 Knowledge Graph로 구조화하고, LLM·Multimodal AI를 결합해 설계 자동화와 오류 검증 기술을 만듭니다.
이 경험을 바탕으로 제조 특화 파운데이션 모델 개발에 필요한 데이터셋·벤치마크와 학습·평가 방법을 연구하고 있습니다. 국가·방산 관련 연구 협력과 LG AI Research·LG 계열사 등과의 논의를 이어가며, 국내 제조 현장의 데이터와 과제를 바탕으로 빅테크·프론티어랩과의 벤치마크 및 모델 연구 연계도 추진하고 있습니다.
이 포지션에서는 모델의 실패를 구체적인 연구 문제로 바꾸고, 데이터·검색·학습·검증 방법을 설계해 성능을 개선합니다. 무엇을 학습시키고 어떻게 평가할지부터 실제 고객 환경에서의 검증까지 직접 다룹니다. 논문 구현과 모델 실험을 제품으로 연결하며, 초기 핵심 개발자로서 기술 방향과 제품 아키텍처를 함께 만들어갑니다.
주요업무
• 엔지니어링 문서 이해 및 구조화Requirements, Datasheet, Drawing, Schematic, BOM에서 텍스트·표·도형·기호를 추출합니다. VLM·OCR·Layout 분석을 조합해 배치와 연결 관계가 중요한 문서를 구조화합니다.
• 근거를 추적할 수 있는 데이터 구축
추출한 값마다 단위·조건·원문 위치를 보존합니다. 후처리와 검증 로직을 설계해 검색과 설계 검증에 활용할 수 있는 데이터 품질을 확보합니다.
• Ontology·Knowledge Graph 설계
요구사항·부품·설계 블록 사이의 관계를 정의하고 실제 데이터로 구축합니다. 산업 지식과 설계 규칙을 모델이 활용할 수 있는 구조로 만듭니다.
• Retrieval·Graph RAG 구현
Retrieval·Reranking·Graph RAG 파이프라인을 구현합니다. 의미 검색, 속성 필터, 수치·범위 조건을 과제에 맞게 결합하고 성능을 검증합니다.
• 제조 도메인 벤치마크 설계
문서 유형과 설계 과제별 실패 사례를 평가셋으로 만듭니다. 정확도뿐 아니라 근거의 신뢰성, 설계 제약·안전 요구사항 준수, 추론 비용을 함께 평가하고 모델·파이프라인 변경 전후를 비교합니다.
• 모델 학습 및 개선 실험
제조 특화 모델을 위한 학습·평가 데이터를 설계합니다. 벤치마크에서 드러난 실패를 데이터 개선과 Fine-tuning 실험으로 연결하고, 설계 규칙과 검증 결과를 학습 신호로 활용하는 방법을 연구합니다.
자격요건
• 문제에 맞는 아키텍처와 데이터 흐름을 직접 설계하고, 기술 선택의 근거와 한계를 설명할 수 있는 분• 논문이나 새로운 방법론을 빠르게 구현하고, 기준 모델·방법과 비교 실험할 수 있는 분
• AI Coding Tool을 적극 활용하면서도 생성된 코드의 구조·품질·실행 결과를 직접 검증할 수 있는 분
• 처음 접하는 산업과 문서를 빠르게 이해하고, 해결할 문제와 평가 기준을 구체화할 수 있는 분
• 기대한 성능이 나오지 않을 때 실패 사례를 분석하고, 데이터·모델·파이프라인에서 원인을 끝까지 추적하는 분
