AI Transformation Dept. 산하 Data Foundation 팀이 여는 자리입니다. 사내 데이터를 LLM과 AI 에이전트가 바로 쓸 수 있는 형태로 바꾸는 일을 맡습니다. 리포트용 파이프라인을 만들어 온 경력이 여기에 그대로 통하는지 먼저 가늠해 볼 수 있습니다. 고용형태는 전문계약직입니다.
이 공고 분석은 2026년 9월 13일에 이뤄졌습니다. 이후 채용이 종료되었을 수 있습니다.
크래프톤은 2025년 10월 AI First 전환을 선언하면서 구성원 AI 도구 예산을 기존의 열 배 이상인 연 약 300억 원으로 올리고 2026년 하반기까지 전사 AI 운영 인프라를 갖추겠다고 밝혔습니다. 이 공고가 속한 AI Transformation Dept.는 이 계획을 실행하는 조직이며, 지금 본사 보드에 열린 63건 중 21건이 이 부서를 포함한 AI 조직 소속입니다. 공고는 팀이 하는 일을 파편화된 전사 데이터를 통합해 AI가 즉시 학습하고 활용할 수 있는 파이프라인을 설계하는 것이라고 적습니다. 전사에 AI를 들이겠다고 선언한 회사가 그 AI가 읽을 데이터부터 정리하고 있습니다. 따라서 이 자리에서는 데이터 규모보다 그 데이터를 실제로 누가 어떻게 쓰도록 만들었는지가 더 중요합니다.
크래프톤이 지금 어디에 힘을 싣고 있는지는 크래프톤 채용 분석에 정리해 두었습니다.
전사 데이터 소스를 분석하고 LLM과 RAG 시스템이 활용할 수 있는 데이터 파이프라인 구조를 설계합니다.
이렇게 볼 수 있어요
기존 데이터 웨어하우스를 옮기는 일이 아닙니다. 사람이 읽는 리포트용 파이프라인과 모델이 학습에 쓰는 파이프라인은 요구가 다릅니다. 두 파이프라인의 차이를 설명할 수 있어야 합니다.
사내 위키와 Slack, 문서 같은 비정형 데이터를 분석하고 Vector DB 서빙을 위한 전처리 방법을 세웁니다.
이렇게 볼 수 있어요
정형 테이블이 아니라 사람이 쓴 문서가 원재료입니다. 텍스트를 수집하고 정제해 본 경험이 있다면 어떤 소스에서 몇 건을 다뤘는지까지 적어 두는 편이 좋습니다.
데이터 정합성과 완결성을 정량적으로 분석하고 품질 모니터링 지표와 거버넌스 기준을 세웁니다.
이렇게 볼 수 있어요
파이프라인을 만드는 것에서 끝나지 않고 품질을 재는 기준 자체를 만듭니다. 품질 지표를 직접 정의해 본 적이 있다면 그 지표가 어떤 오류나 문제를 예방했는지까지 적습니다.
담당 영역의 ETL과 ELT 파이프라인 아키텍처를 독자적으로 판단해 설계하고 Data Warehouse와 Data Lake에 반영합니다.
이렇게 볼 수 있어요
'독자적으로'라는 말이 업무와 자격 요건 여러 곳에 반복됩니다. 정해진 설계를 구현한 경력보다 설계를 스스로 정한 경력을 앞에 두어야 합니다.
파이프라인 안정성을 위한 자동화 방안을 설계하고 장애 대응 체계를 세웁니다.
이렇게 볼 수 있어요
데이터 직무인데도 장애 대응이 업무 목록에 들어 있습니다. 파이프라인이 멈췄을 때 무엇으로 알아챘고 어떻게 되돌렸는지가 이 항목의 증거가 됩니다.
데이터 엔지니어링 분야 7년 이상의 경력을 요구합니다.
이렇게 볼 수 있어요
7년이라는 숫자보다 그 기간에 파이프라인을 몇 번 처음부터 설계해 봤는지가 실제 심사 대상에 가깝습니다. 운영만 이어 온 기간이 길면 설계 경험을 따로 꺼내 적어야 합니다.
Python과 SQL로 데이터를 다루면서 파이프라인 아키텍처를 스스로 분석하고 설계할 수 있는 역량을 요구합니다.
이렇게 볼 수 있어요
언어보다 '독자적으로 설계'라는 조건이 무게를 가집니다. 주어진 스키마를 채운 경험보다 스키마를 새로 짠 경험을 앞에 두는 편이 낫습니다.
AWS와 GCP 같은 클라우드 환경의 데이터 시스템을 깊이 이해할 것을 요구합니다.
이렇게 볼 수 있어요
특정 클라우드 하나로 한정하지 않습니다. 어느 쪽이든 실제 운영 규모에서 터진 문제를 다뤄 본 경험이면 이 항목에 대응됩니다.
Airflow, Spark, Kafka 같은 분산 처리와 오케스트레이션 도구를 능숙하게 다룰 수 있어야 합니다.
이렇게 볼 수 있어요
공고가 세 도구를 이름까지 지정하고 있습니다. 다른 오케스트레이션 도구를 썼다면 무엇이 같고 무엇이 다른지 한 줄로 짚어 주는 편이 읽는 사람에게 친절합니다.
RDBMS와 NoSQL, DW 구조를 이해하고 비즈니스 요구에 맞는 해결책을 스스로 내놓을 수 있어야 합니다.
이렇게 볼 수 있어요
저장소별 장단점을 아는 것과 실제로 비교해서 골라 본 것은 다릅니다. 왜 그 저장소를 택했고 무엇을 포기했는지 설명할 수 있어야 이 항목을 통과합니다.
LLM과 RAG 시스템을 위한 데이터 전처리 역량, Milvus나 Pinecone 같은 Vector DB 활용 경험을 강력 우대한다고 적습니다.
이렇게 볼 수 있어요
우대 사항 중 유일하게 강력 우대라는 표현이 붙은 항목입니다. Vector DB를 다뤄 본 적이 있다면 이력서 요약 문단에서부터 언급하는 편이 공고가 그 경험을 중요하게 본다는 점과 맞습니다.
Confluence와 Slack, 사내 문서 같은 대규모 비정형 데이터의 수집과 텍스트 파싱 경험을 우대합니다.
이렇게 볼 수 있어요
자격 요건의 비정형 데이터 항목과 같은 축을 다시 짚습니다. 어떤 도구에서 데이터를 뽑아냈는지 밝히면 자격 요건과 우대 사항에 모두 대응할 수 있습니다.
스타트업 환경이나 신규 데이터 플랫폼을 0에서 1로 만들어 본 경험을 우대합니다.
이렇게 볼 수 있어요
물려받은 체계를 개선한 경험과 아무것도 없는 상태에서 시작한 경험은 읽는 쪽에서 전혀 다르게 받아들입니다. 두 경험을 구분해 적는 편이 정확합니다.
변화가 빠른 AI 기술과 모던 데이터 스택에 대한 관심과 학습 의지를 우대합니다.
이렇게 볼 수 있어요
우대 사항 중 유일하게 태도를 묻는 항목입니다. 최근에 새로 익혀 실무에 넣어 본 도구 하나를 짧게 언급해 두는 것으로 충분합니다.
공고에 직접 적힌 것만 옮겼습니다.
직접 설계한 경험을 앞세우기
업무와 자격 요건 전반에 독자적 판단과 설계라는 표현이 되풀이됩니다. 남이 그린 구조를 구현한 이력보다 구조를 처음부터 짠 이력을 경력기술서 앞쪽에 배치합니다.
비정형 데이터 처리 경험을 소스와 함께 적기
사내 위키와 Slack 같은 비정형 데이터가 업무와 우대 사항에 모두 나옵니다. 어떤 소스에서 어떤 방식으로 텍스트를 뽑아 정제했는지 도구 이름까지 적어 둡니다.
Vector DB 경험이 있다면 요약 문단에 넣기
우대 사항 중 강력 우대가 붙은 항목이 Vector DB 활용입니다. Milvus나 Pinecone을 다뤄 봤다면 뒤쪽 경력 설명에 묻어 두지 말고 첫 문단에서 밝힙니다.
전문계약직 조건을 먼저 확인하기
이 자리는 정규직이 아니라 전문계약직이고 제목에는 그 표기가 없습니다. 계약 기간과 갱신 방식, 복리후생 적용 범위를 채용 담당자에게 미리 물어 두면 이후 절차에서 조건을 오해하지 않을 수 있습니다.
지원 현황 관리에 등록해 두면 전형 단계와 결과를 한자리에서 볼 수 있습니다.
지원 현황에 추가하기