이 자리가 왜 생겼을까요
공고는 GPU클라우드팀을 초거대 AI 모델의 학습과 서빙을 위한 GPU 클러스터 아키텍처부터 GPUaaS와 AI 플랫폼까지 개발하는 조직으로 소개합니다. 2026년 반기보고서의 연구개발 과제에는 사내 GPU로 sLLM을 학습·서빙하는 체계의 파일럿 구축(2026년 1월~12월)이 있고, 2024년 8월~2025년 4월에는 SDF 실현을 위한 LLMOps 기반 플랫폼 PoC도 수행했습니다. 이 업무는 K8s GPU 스케줄링, MLOps, 모델 서빙을 한 아키텍처로 설계하고 쿼터 정책과 제품 로드맵까지 정하는 일입니다. 여러 팀이 GPU를 나눠 쓰는 환경에서 자원 정책과 서빙 구조를 직접 설계한 경험이 있다면 그 정책의 기준과 결과를 구체적으로 말할 수 있어야 이 업무와 이어집니다.
현대오토에버가 지금 어떤 사업에 집중하고 있는지는 현대오토에버 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
GPU Cloud 기반 엔터프라이즈 AI 플랫폼의 전체 아키텍처를 설계, 개발, 검증하고 솔루션화하는 일을 리드합니다.
이렇게 볼 수 있어요
이 업무는 설계에서 그치지 않고 검증과 솔루션화까지 이끕니다. 팀 소개는 GPU 클러스터에서 GPUaaS와 AI 플랫폼까지 엔드투엔드 풀스택을 연구·개발한다고 적었습니다. 그래서 한 층만 맡은 경험보다 인프라부터 플랫폼까지 이어서 설계한 경험이 이 업무를 설명하는 사례로 더 직접적입니다.
GPU 오케스트레이션(K8s 기반 GPU 스케줄링·리소스 관리), MLOps(학습·배포 파이프라인), 모델 서빙(추론 인프라)을 아우르는 플랫폼 아키텍처를 통합 설계합니다.
이렇게 볼 수 있어요
스케줄링, 학습·배포 파이프라인, 추론 인프라는 흔히 서로 다른 팀이 운영하는 층입니다. 이 업무는 세 층의 경계에서 GPU를 어떻게 나누고 모델을 어떻게 내보낼지를 한 구조로 정하므로, 한 층의 운영 경험에 더해 층 사이를 연결한 설계 결정을 말할 수 있어야 합니다.
Multi-tenancy, 리소스 쿼터/스케줄링 정책 등 플랫폼 공통 기능을 설계하고 제품 로드맵을 수립합니다.
이렇게 볼 수 있어요
팀 소개가 밝힌 사용자는 그룹 내 연구진과 개발자입니다. 여러 팀이 한 GPU 클러스터를 나눠 쓰려면 팀별 쿼터와 우선순위 규칙이 필요합니다. 이 항목은 그 규칙의 설계와 제품 로드맵까지 포함합니다. 쿼터를 어떤 기준으로 나눴고 그 뒤 사용률이나 대기 시간이 어떻게 달라졌는지 말할 수 있으면 이 업무의 사례가 됩니다.
MLOps·서빙 오픈소스와 상용 프레임워크(Kubeflow, Ray, KServe, Triton, MLflow 등)의 기술을 검증하고 도입합니다.
이렇게 볼 수 있어요
Kubeflow는 파이프라인, KServe와 Triton은 서빙, MLflow는 실험과 모델 관리, Ray는 분산 처리를 맡는 도구입니다. 그중 무엇을 채택했고 무엇을 걷어 냈는지를 말하면 도입 검증 경험이 드러납니다. 우대 사항에서도 이 가운데 Kubeflow, KServe, MLflow, Triton의 실무 경험을 따로 우대합니다.
2자격 요건
AI/ML 플랫폼과 클라우드 네이티브 플랫폼의 아키텍처를 설계하는 역량이 필요합니다.
이렇게 볼 수 있어요
업무는 GPU 스케줄링, MLOps, 모델 서빙 세 층을 한 구조로 설계하는 일입니다. 그래서 이 항목에는 한 층의 구현 경험보다 층 사이의 결정을 이유와 함께 말하는 사례가 맞습니다. 쿼터 정책과 서빙 구조 중 무엇을 먼저 정했고 어떤 안을 버렸는지를 적을 수 있습니다.
Kubernetes 기반 컨테이너 오케스트레이션과 GPU 리소스 스케줄링을 이해하고 사용한 경험이 필요합니다.
이렇게 볼 수 있어요
GPU는 한 장을 통째로 할당할지 나눠 쓸지부터 정해야 하는 자원이라 CPU 스케줄링과 사정이 다릅니다. 업무의 오케스트레이션 항목이 K8s 기반 GPU 스케줄링과 리소스 관리이므로, 클러스터에서 GPU를 팀과 작업에 어떻게 배분했는지가 이 요건과 이어지는 경험입니다.
MLOps 파이프라인(학습-배포-모니터링 전주기)을 설계하고 운영한 경험이 필요합니다.
이렇게 볼 수 있어요
학습과 배포 파이프라인은 업무 목록에도 있지만 모니터링은 이 요건에만 나옵니다. MLOps에서 모니터링은 서빙 지연 시간과 GPU 사용률에 더해 입력 데이터와 예측 분포가 달라졌는지를 보고 재학습으로 되돌리는 고리입니다. 업무의 리소스 쿼터·스케줄링 정책을 설계할 때 필요한 사용률 수치도 이 모니터링에서 얻을 수 있습니다. 배포한 모델을 어떤 지표로 지켜보다 무엇을 바꿨는지가 전주기 경험입니다.
모델 서빙·추론 인프라(Triton, TorchServe, KServe 등)를 이해해야 합니다. 공고 해시태그는 AI플랫폼컴포넌트, 개발기술, 클라우드인프라기술입니다.
이렇게 볼 수 있어요
필수는 이해까지이고 KServe·Triton 실무 경험과 vLLM·TensorRT-LLM 최적화는 우대 사항에 따로 있습니다. TorchServe는 이 항목에만 나오는 이름입니다. Triton과 TorchServe는 모델을 띄워 요청에 응답하는 추론 서버이고 KServe는 그 서버를 쿠버네티스 위에 배포하고 늘리고 줄이는 계층입니다. 직접 운영하지 않았더라도 요청이 서버를 거쳐 GPU에서 응답으로 나오기까지의 경로를 이 역할 구분으로 설명할 수 있으면 이 항목에 답이 됩니다.
해외여행에 결격 사유가 없어야 하고, 남성은 회사가 지정한 입사일까지 병역을 마쳤거나 면제받아야 합니다.
이렇게 볼 수 있어요
근무지가 서울 강남이라 업무에 해외 일정은 나오지 않습니다. 이 문구는 형사재판 중이거나 출국금지·여권 발급 제한으로 출국이 법적으로 막힌 사정이 있는지를 확인하는 데 쓰입니다. 어긋나면 합격이 취소되거나 전형에서 불이익을 받을 수 있다고 공고가 함께 안내합니다.
3우대 사항
엔터프라이즈급 AI 플랫폼을 설계, 개발, 구축, 운영한 경험을 우대합니다.
이렇게 볼 수 있어요
필수 요건의 아키텍처 항목은 설계 역량을 묻고, 엔터프라이즈급 플랫폼을 구축하고 운영한 경험은 이 우대 항목에 있습니다. 필수 요건에서 운영까지 묻는 항목은 MLOps 파이프라인입니다. 여러 팀이 쓰는 환경에서 업무의 Multi-tenancy와 쿼터 정책이 실제로 돌아간 경험이 가장 직접적입니다. 장애와 변경 요청을 받으며 운영한 플랫폼이 있다면 사용 팀 수, 노드·GPU 규모, 쿼터를 바꾼 사례를 함께 적을 수 있습니다.
NVIDIA AI Enterprise, Kubeflow, Kserve, MLFlow, Triton 등을 실무에서 써 본 경험을 우대합니다.
이렇게 볼 수 있어요
Kubeflow, KServe, MLflow, Triton은 업무의 기술 검증 항목에도 이름이 나옵니다. 이 항목에서만 새로 나오는 이름은 NVIDIA AI Enterprise이므로 NVIDIA 소프트웨어 스택으로 GPU 클러스터를 운영한 경험이 있으면 제품 이름과 함께 밝힐 수 있습니다.
대규모 GPU 클러스터 기반 분산학습(Distributed Training) 경험을 우대합니다.
이렇게 볼 수 있어요
팀 소개에 따르면 팀은 초거대 AI 모델의 학습과 서빙을 위한 고성능 GPU 클러스터를 설계·구축합니다. 분산학습은 이 플랫폼의 대표적인 사용처입니다. 분산학습을 직접 돌려 본 경험은 스케줄링 정책을 설계할 때 연구진 쪽 요구를 아는 바탕입니다. 몇 개 노드 규모에서 어떤 병목을 만나 어떻게 풀었는지 말할 수 있으면 더 구체적입니다.
LLM 서빙·추론 최적화(vLLM, TensorRT-LLM 등) 및 운영 경험을 우대합니다.
이렇게 볼 수 있어요
같은 회사의 [Tech] AI Engineer - LLM 엔지니어 공고도 vLLM, sglang, TRT-LLM, Triton을 모델 서빙 우대로 적었습니다. LLM 엔지니어 공고는 모델 학습과 에이전트를 만드는 쪽에서 서빙을 우대하고, 이 공고는 서빙을 받치는 GPU 플랫폼을 설계하는 쪽에서 우대합니다. 같은 도구를 썼더라도 모델 쪽 최적화였는지 클러스터 자원 효율이었는지를 구분해 적습니다.
관련 자격증(CKA, CKAD, AWS/GCP/Azure ML 관련 자격증) 보유를 우대합니다.
이렇게 볼 수 있어요
CKA와 CKAD는 Kubernetes를 실습 시험으로 확인하는 자격증입니다. 우대 자격 가운데 업무의 K8s 기반 GPU 스케줄링 항목과 가장 가까운 것이 이 둘입니다. AWS, GCP, Azure의 ML 자격증은 각 클라우드의 ML 서비스를 다루는 지식을 확인하는 자격입니다.
4기타 사항
- 게시일 : 2026년 11월 3일
- 고용형태 : 정규직
- 근무지 : 서울 강남
- 경력 조건 : 경력 5년 이상
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- GPU Cloud
- Kubernetes
- K8s
- MLOps
- Kubeflow
- Ray
- KServe
- Triton
- MLflow
- TorchServe
- NVIDIA AI Enterprise
- vLLM
- TensorRT-LLM
전형과 지원
현대오토에버 경력 공고는 직무역량테스트의 종류만 공고마다 다르고 나머지 단계는 같습니다. 분석한 공고는 직무에 따라 이 테스트를 코딩이나 과제로 적었습니다. 법무 공고, Canias ERP FCM 컨설팅 공고, 북미 기술 보안 주재원 공고 두 건(Endpoint, 네트웍 보안)에는 '코딩 또는 과제테스트'로 적혀 있습니다.
공고에 적힌 단계
분석한 공고는 모두 '서류 접수 → 서류 검토 → 직무역량테스트 및 인성검사 → 1차면접 → 2차면접 → 처우협의 및 채용검진 → 최종 합격' 순서로 적었습니다. 경력 전형 페이지는 테스트 단계를 'ACT, 온라인 역량테스트'로 부르고, 역량테스트는 포지션에 따라 코딩테스트 또는 과제테스트가 마련되어 있다고 설명합니다.
이렇게 볼 수 있어요
서류 검토를 통과하면 온라인 테스트가 바로 이어집니다. 코딩 포지션이라면 지원과 동시에 테스트 준비를 시작해야 일정이 빠듯하지 않습니다.
ACT는 인재 가치에 맞춘 인성검사
FAQ는 ACT(Autoever Culture-fit Test)를 '현대오토에버 인재 가치에 부합하는 최적의 인재를 선발하기 위해 기존 인성검사를 컬처핏 관점으로 고도화한 온라인 기반의 인성검사'라고 설명합니다. 선택형으로 답하고 정답이 정해진 시험이 아니며, 경력 지원자는 최근 6개월 안에 이 회사 인성검사를 본 이력이 있으면 결과가 반영돼 재응시가 면제될 수 있습니다.
이렇게 볼 수 있어요
인재 가치에 맞춘 검사라고 밝혔으므로 Talent Value 여섯 가지를 먼저 읽어 두면 회사가 어떤 성향을 찾는지 미리 알 수 있습니다. 여러 공고에 차례로 지원한다면 6개월 안에는 다시 보지 않아도 될 수 있습니다.
1차는 함께 일할 동료, 2차는 리더
경력 전형 페이지에 따르면 1차 면접의 인터뷰어는 '앞으로 지원자님과 가장 많이 소통하며 가깝게 일하게 될 동료들'이고, 코딩테스트 리뷰 또는 과제테스트 발표를 포함해 기술 역량을 봅니다. 2차 면접은 리더와 채용담당자가 참여해 성장가능성과 컬처핏을 보고, 필요하면 레퍼런스 체크를 진행합니다.
이렇게 볼 수 있어요
1차에서는 내가 낸 테스트 결과를 다시 설명하게 되므로 제출한 풀이나 과제를 다시 볼 수 있게 남겨 두는 게 좋습니다. 2차 면접에서는 성장 가능성과 컬처핏을 보므로 인재상 여섯 가지에 맞춘 사례를 미리 준비해 두는 게 좋습니다.
추가 평가와 지원 분야 변경
분석한 공고는 모두 '모집 분야 및 담당 업무에 따라 영어 구술평가, 레퍼런스 체크, 또는 기타 전형이 실시될 수 있어요'라고 적었고, 경험과 역량에 따라 다른 포지션이 더 적합하면 지원 분야가 변경될 수 있다고 안내합니다. 절반이 넘는 공고에는 직무역량테스트 외에 추가 역량평가가 진행될 수 있다는 문구도 있습니다.
이렇게 볼 수 있어요
공고에 적힌 단계 밖의 평가가 더해질 수 있고, 결과에 따라 다른 공고로 옮겨 진행될 수도 있습니다. 지원서에는 지원 공고와 맞는 경험을 중심으로 쓰되 가까운 다른 직무에도 쓰일 경험은 지우지 않는 편이 낫습니다.
자율양식 이력서와 상시 채용 안내
분석한 공고는 모두 맨 앞에 '1분 컷 지원'과 '이력서 자율양식'을 적었고, 끝에는 '채용 시 마감되는 상시 채용 공고로 운영'된다고 안내합니다. 분석 시점 채용 사이트 기준으로 접수 마감일은 HR 공고와 Canias ERP FCM 컨설팅 공고를 빼면 10월 29일이었습니다. 11월에 분석한 AI플랫폼 연구개발 아키텍트 공고의 마감일은 11월 26일이었고, 북미·인도 주재원 공고 세 건은 마감일 없이 게시돼 있었습니다. FAQ는 공고 마감 기한 전까지 지원서를 수정할 수 있고 마감 뒤에는 어떤 사유로도 수정할 수 없다고 밝혔습니다.
이렇게 볼 수 있어요
마감일이 적혀 있어도 채용이 되면 그 전에 마감될 수 있으므로 준비가 끝나면 일찍 내는 편이 안전합니다. 자율양식이라 가지고 있는 이력서를 그대로 낼 수 있지만, 공고의 자격 요건에 맞는 경험이 잘 보이도록 고쳐서 내는 게 좋습니다.
중복 지원은 순서대로 진행됩니다
FAQ에 따르면 경력 공고에 중복 지원하면 '먼저 지원하신 공고의 전형 결과가 확정된 후' 다음 공고의 서류 검토와 전형이 시작됩니다. 과거에 불합격했어도 재지원에 영향이나 불이익은 없고, 현대자동차그룹의 다른 회사에 지원했어도 현대오토에버에 지원할 수 있습니다.
이렇게 볼 수 있어요
여러 공고에 함께 내면 뒤에 낸 공고는 앞 공고의 결과가 나올 때까지 검토가 시작되지 않습니다. 가장 원하는 공고를 먼저 내야 그 공고의 전형이 먼저 진행됩니다.
이 공고만 다른 점
직무역량테스트를 과제로 적었습니다.
경력 전형 페이지에 따르면 1차 면접은 과제테스트 발표나 코딩테스트 리뷰를 포함해 기술 역량을 봅니다. 아키텍처 설계를 맡는 자리이므로 과제 결과물에서 선택한 구조와 포기한 대안을 설명하는 발표를 준비해야 합니다.
지원 전 준비할 것
- 1
플랫폼 구조를 세 층으로 설명하기
업무가 오케스트레이션, MLOps, 모델 서빙을 하나의 아키텍처로 통합 설계하는 일입니다. 맡았던 플랫폼을 세 층으로 나눠 그리고 층 사이의 연결(스케줄러와 파이프라인, 파이프라인과 서빙)을 구조 선택마다 대안과 함께 한 줄씩 정리합니다.
- 2
도구 도입 판단을 사례로 만들기
업무에 Kubeflow, Ray, KServe, Triton, MLflow의 검증과 도입이 있습니다. 후보 도구를 어떤 기준으로 비교해 무엇을 채택하고 무엇을 채택하지 않았는지 사례 하나로 만듭니다.
- 3
GPU 배분 규칙의 근거 숫자 모으기
Multi-tenancy와 리소스 쿼터 정책이 업무에 있습니다. 팀별 쿼터를 정한 기준과 적용 전후의 GPU 사용률이나 작업 대기 시간을 숫자로 모읍니다.