연차 요건이 하한이 아니라 상한입니다. 필수 자격 첫 줄이 'AI 모델 개발 및 서비스 적용 실무 경험 4년 미만'이라 경력이 길면 오히려 이 공고와 맞지 않습니다. 초중급 엔지니어를 찾는 자리로 읽어야 하고, 대신 뷰티 디바이스에 AI를 넣는 일이라 하드웨어 조직, 앱 조직과 함께 일하게 됩니다. 소속 조직은 인텔리전스팀 AI파트입니다.
이 공고 분석은 2026년 9월 14일에 이뤄졌습니다. 이후 채용이 종료되었을 수 있습니다.
이 공고는 소속 조직인 인텔리전스팀 AI파트를 '뷰티 디바이스에 AI 기술을 접목해 고객에게 개인화된 경험을 제공하는 조직'으로 소개하고, '부스터프로 X2 AI케어모드를 시작으로 제품화 중심의 AI 기술을 개발하고 있으며'라고 현재 단계를 밝힙니다. 에이피알은 2020년 11월 기업부설연구소를 세우고 2022년 9월 뷰티 디바이스 연구개발센터 ADC를 만든 뒤 2023년부터 디바이스를 직접 생산해 왔습니다. 하드웨어와 펌웨어, 앱 조직이 모두 회사 안에 있어서 이 공고도 '내재화된 자체 연구소의 하드웨어·펌웨어·앱 개발 조직과 협업하며 AI 연구 결과를 실제 제품과 서비스로 연결'한다고 적습니다. 모델을 만든 경험만큼 그 모델이 제품 안에서 어떻게 동작했는지가 중요해지는 구조이고, 지원 서류에서도 배포 이후의 이야기까지 쓰면 이 조직의 단계와 맞물립니다.
에이피알이 지금 어디에 힘을 싣고 있는지는 에이피알 채용 분석에 정리해 두었습니다.
LLM과 VLM, 컴퓨터 비전, 추천 시스템, 음성 에이전트, 머신러닝과 통계 모델을 활용해 AI 기능을 개발합니다.
이렇게 볼 수 있어요
다루는 모델 종류를 여섯 가지나 나열했습니다. 한 분야를 깊게 판 경력보다 여러 과제를 옮겨 다닌 경험이 이 자리와 맞고, 우대 사항도 LLM과 VLM, 컴퓨터 비전, 추천 시스템 가운데 하나 이상이면 된다고 적었습니다.
서비스 요구사항에 적합한 AI 모델과 알고리즘을 탐색하고 선정합니다.
이렇게 볼 수 있어요
모델을 만드는 일보다 고르는 일이 앞에 있습니다. 어떤 기준으로 후보를 좁혔고 무엇을 근거로 하나를 골랐는지가 이 항목의 답이므로, 비교 실험을 남겨 둔 기록이 있으면 쓸모가 큽니다.
데이터 분석을 기반으로 추천과 예측, 분류 모델 및 로직을 설계합니다.
이렇게 볼 수 있어요
모델링 앞에 데이터 분석이 붙어 있습니다. 주어진 데이터셋으로 학습만 돌린 경험과 직접 데이터를 살펴 문제를 정의한 경험은 다르게 평가됩니다.
LLM 기반 AI 시스템을 설계하고 고도화합니다.
이렇게 볼 수 있어요
모델 단위가 아니라 시스템 단위로 적었습니다. 우대 사항에 RAG와 임베딩, 벡터 데이터베이스가 함께 나오므로 검색을 붙인 구조를 만들어 본 경험이 있으면 이 항목에 대응합니다.
AI 모델 개발 및 서비스 적용 실무 경험이 4년 미만이어야 합니다.
이렇게 볼 수 있어요
연차를 위에서 자른 항목이라 경력이 많을수록 불리해집니다. 실무 경험 기간을 이력서에서 분명히 적어야 하고, 연구나 학위 과정 기간과 실무 기간이 섞여 있으면 나눠 쓰는 편이 정확합니다.
Python을 활용한 AI와 머신러닝 개발 경험, 그리고 PyTorch나 TensorFlow 같은 프레임워크 사용 경험을 요구합니다.
이렇게 볼 수 있어요
언어와 프레임워크를 지정한 기본 요건입니다. 둘 중 어느 프레임워크를 주로 썼는지 적고 다뤄 본 모델 규모를 함께 밝히면 수준이 전달됩니다.
AI와 머신러닝 모델을 직접 학습하고 평가해 보거나 실제 문제에 적용해 본 경험을 요구합니다.
이렇게 볼 수 있어요
'또는'으로 열어 두어 실무 적용 경험이 없어도 학습과 평가를 해 봤으면 지원할 수 있습니다. 연차 상한과 함께 보면 경력 초반 지원자를 받으려는 구성으로 읽힙니다.
데이터 전처리와 모델 평가 지표, 성능 분석에 대한 기본적인 이해를 요구합니다.
이렇게 볼 수 있어요
평가 지표를 필수에 넣은 점이 역량 항목과 이어집니다. 회사는 '판단 근거를 수치로 설명하고, 다른 관점의 기술적 피드백을 열린 태도로 받아들이는 분'을 중요 역량으로 적었습니다.
중요 역량으로 '주어진 요구사항을 그대로 받아들이지 않고, 해결할 문제가 무엇인지 함께 정의해나가며 결과를 데이터와 지표로 확인하는 분'을 첫 줄에 적었습니다.
이렇게 볼 수 있어요
요구사항을 받아 구현한 경험만 적으면 이 항목이 비어 보입니다. 문제 정의를 바꿔 결과가 달라진 사례가 있으면 처음 요구가 무엇이었고 어떻게 다시 정의했는지 적을 만합니다.
수학과 통계학, 컴퓨터사이언스 전공자를 우대합니다.
이렇게 볼 수 있어요
필수에서 전공을 걸지 않고 우대에서 언급합니다. 비전공자라면 평가 지표와 실험 설계를 다룬 경험으로 채우는 편이 현실적입니다.
LLM과 VLM, 컴퓨터 비전, 추천 시스템 가운데 하나 이상의 프로젝트 경험을 우대하고, RAG와 임베딩, 벡터 데이터베이스 기반 시스템 개발 경험을 따로 적었습니다.
이렇게 볼 수 있어요
세 분야 중 하나면 된다고 열어 두었습니다. 다만 업무 목록에 LLM 기반 시스템 설계가 별도로 있어 검색을 붙인 구조를 만들어 본 경험이 있으면 더 직접적인 근거가 됩니다.
이미지와 영상 기반 AI 모델 개발 경험을 우대합니다.
이렇게 볼 수 있어요
뷰티 디바이스에 AI를 넣는 조직이라 피부 이미지를 다루는 과제가 있을 수 있습니다. 이미지 모델 경험이 있으면 어떤 도메인의 이미지였고 데이터가 몇 장이었는지 적으면 됩니다.
실제 사용자 데이터로 모델 성능을 평가하고 개선한 경험, 그리고 Docker와 FastAPI, vLLM 같은 모델 서빙 환경에 대한 이해를 우대합니다.
이렇게 볼 수 있어요
만든 모델을 서비스에 올리는 구간까지 봅니다. 학습 결과만 있고 배포 경험이 없다면 서빙 도구를 익혀 두는 편이 이 항목에 대응합니다.
공고에 직접 적힌 것만 옮겼습니다.
실무 경험 기간이 4년 미만인지 먼저 확인하기
필수 자격 첫 줄이 상한입니다. AI 모델 개발과 서비스 적용에 쓴 기간이 기준이므로 다른 직무로 일한 기간이나 학위 과정은 구분해 적어야 합니다. 4년을 넘겼다면 에이피알의 다른 R&D 공고를 함께 보는 편이 낫습니다.
문제를 다시 정의한 사례 하나 준비하기
중요 역량 첫 줄이 요구사항을 그대로 받지 않는 태도입니다. 처음 요청이 무엇이었고 왜 다르게 정의했으며 그 결과 지표가 어떻게 달라졌는지를 한 문단으로 써 두면 면접에서 그대로 쓸 수 있습니다.
잘 안 된 실험을 설명할 준비하기
회사는 '한 번에 성능이 나오지 않아도 가설을 세워 조건을 바꿔가며 검증하고, 잘 안 된 결과에서 원인을 찾아 다음 시도에 반영하는 분'을 역량으로 적었습니다. 실패한 실험을 숨기기보다 가설과 다음 시도를 나란히 쓰는 쪽이 이 기준에 맞습니다.
모델을 서비스에 올려 본 경험 찾기
우대 사항에 Docker와 FastAPI, vLLM이 이름으로 적혀 있고 업무 목록도 제품화를 전제합니다. 학습까지만 해 봤다면 작게라도 직접 서빙해 본 결과를 만들어 두면 이 항목을 채울 수 있습니다.
지원 현황 관리에 등록해 두면 전형 단계와 결과를 한자리에서 볼 수 있습니다.
지원 현황에 추가하기