AI Research Div. 산하 MLSys & Ops 팀이 여는 자리입니다. 공고는 이미 들여놓은 GPU 인프라를 운영하고 개선할 사람을 찾는다고 밝힙니다. 새로 짓는 경험과 돌아가는 시스템을 고쳐 본 경험 중 어느 쪽이 필요한 자리인지 먼저 확인할 수 있습니다. 본사 공고 28건 중 몇 안 되는 정규직이고 요구 연차도 5년으로 낮은 편입니다.
이 공고 분석은 2026년 9월 13일에 이뤄졌습니다. 이후 채용이 종료되었을 수 있습니다.
이 자리가 운영하는 GPU 인프라는 회사가 AI First 전환을 선언하면서 가장 먼저 사들인 설비입니다. 2025년 10월 선언 보도자료는 GPU를 엔비디아 B300으로 명시하고 클러스터에 약 1,000억 원을 투자한다고 적었습니다. 같은 해 8월 크래프톤은 과학기술정보통신부의 독자 AI 파운데이션 모델 사업에 SK텔레콤 컨소시엄으로 선정돼 차세대 멀티모달 모델의 아키텍처 설계와 학습 알고리즘 연구를 맡게 됐고, 2026년 4월에는 자체 브랜드 Raon으로 음성과 비전 모델 네 종을 오픈소스로 공개했습니다. 모델을 직접 학습시켜 내놓는 조직이 생겼으니 그 학습을 받쳐 줄 플랫폼도 함께 필요해졌습니다. 지원서에서는 인프라를 몇 대 다뤘는지보다 연구 조직이 그 인프라로 무엇을 더 빨리 할 수 있게 됐는지를 앞에 두는 편이 이 맥락과 맞습니다.
크래프톤이 지금 어디에 힘을 싣고 있는지는 크래프톤 채용 분석에 정리해 두었습니다.
B300 GPU 기반 인프라의 운영 안정화와 성능 개선, 자원 효율화, 운영 자동화에 직접 참여합니다.
이렇게 볼 수 있어요
구축 프로젝트가 아니라 이미 가동 중인 자원을 다루는 자리입니다. 클러스터를 새로 세운 경험보다 돌아가는 시스템에서 병목을 찾아 걷어낸 경험이 더 가까운 증거가 됩니다.
Kubernetes 기반 ML/GPU 플랫폼의 스케줄링과 멀티테넌시, 워크로드 격리, Quota, 관측성, 장애 대응 체계를 설계하고 운영합니다.
이렇게 볼 수 있어요
여러 팀이 같은 GPU를 나눠 쓰는 환경을 전제로 합니다. 단일 서비스의 인프라를 맡은 경험보다 요구가 서로 부딪히는 자원을 나눠 본 경험이 이 항목과 맞습니다.
학습과 추론 워크로드의 특성을 보고 GPU 활용률, 대기 시간, 처리량, 비용 효율을 개선하는 운영 전략을 세웁니다.
이렇게 볼 수 있어요
지표 네 가지가 이름까지 나와 있습니다. 인프라를 개선한 경험을 말할 때 이 중 무엇을 얼마나 바꿨는지로 답하면 설명이 훨씬 짧아집니다.
여러 연구·개발 조직의 요구사항을 공통 플랫폼 관점에서 조율하고 재현 가능한 운영 체계로 정리합니다.
이렇게 볼 수 있어요
요청을 하나씩 처리하는 역할이 아니라 요청들을 하나의 정책으로 묶는 역할입니다. 팀마다 다르게 쓰던 규칙을 공통 규칙으로 바꿔 본 이력이 강한 근거가 됩니다.
공고는 모든 경험을 갖춘 사람보다 AI/ML 인프라의 특정 영역을 깊이 다뤄 온 사람을 찾는다고 먼저 밝힙니다.
이렇게 볼 수 있어요
아래 항목을 전부 충족해야 한다는 뜻이 아닙니다. 여러 영역을 얕게 나열하기보다 한 영역을 깊이 판 사례를 이력서 앞쪽에 배치하는 편이 이 전제와 맞습니다.
ML/GPU 플랫폼의 스케줄링과 워크로드 격리, 관측성, 장애 대응 체계를 직접 개선해 본 경험을 요구합니다.
이렇게 볼 수 있어요
'직접 개선'이 이 항목의 핵심입니다. 주어진 체계를 운영만 한 경험과 구조를 직접 바꾼 경험은 이 항목에서 다르게 평가됩니다.
장애와 성능 문제를 시스템 전반의 관점에서 분석해 근본 원인까지 좁혀 본 사람을 찾습니다.
이렇게 볼 수 있어요
임시 조치로 넘긴 장애는 이 항목의 근거가 되기 어렵습니다. 같은 문제가 다시 나지 않도록 무엇을 바꿨는지까지 한 사례로 묶어 둡니다.
연구·개발 조직과 협업하며 공통 인프라 요구사항을 정리하고 기술적 대안과 실행 우선순위를 제안한 경험을 요구합니다.
이렇게 볼 수 있어요
인프라 엔지니어가 요청을 받기만 하는 자리가 아닙니다. 여러 요청 중 무엇을 먼저 할지 스스로 판단해 제안한 경험이 필요합니다.
생성형 AI와 코드 어시스턴트로 운영 효율이나 문서화, 자동화 생산성을 높인 경험을 요구합니다.
이렇게 볼 수 있어요
인프라 직군의 자격 요건에까지 AI 도구 활용이 들어온 것은 회사가 2025년 10월에 선언한 AI First 전환과 이어집니다. 어떤 반복 작업이 줄었는지가 이 항목의 증거입니다.
B200, B300, H100, H200, GB200, GB300 같은 최신 GPU 아키텍처의 구축·운영과 성능 검증 경험을 우대합니다.
이렇게 볼 수 있어요
최신 세대를 다뤄 본 적이 없다면 이전 세대에서 성능을 얼마나 끌어올렸는지 수치로 보여주는 편이 낫습니다. 세대 이름을 맞추는 것보다 최적화 방법이 옮겨 가는지가 중요합니다.
NCCL, RDMA, RoCE, InfiniBand 같은 고성능 GPU 네트워크의 병목 분석과 최적화 경험을 우대합니다.
이렇게 볼 수 있어요
단일 GPU 최적화가 아니라 노드 사이의 통신 계층까지 다뤄 봤는지를 봅니다. 분산 학습에서 통신 때문에 속도가 막혔던 경험이 있으면 이 우대 사항과 직접 관련됩니다.
Ceph나 MinIO 같은 분산 스토리지 운영, 또는 학습 워크로드에 맞춘 데이터 처리 성능 최적화를 우대합니다.
이렇게 볼 수 있어요
연산 자원뿐 아니라 저장 계층도 이 자리의 범위에 들어 있습니다. 스토리지 때문에 학습이 느려졌던 문제를 풀어 본 적이 있다면 함께 적어 둘 만합니다.
NVIDIA GPU Operator, DCGM, MIG/MPS, Run:ai, Slurm, Kueue, Volcano 같은 GPU 자원 관리 도구 경험을 우대합니다.
이렇게 볼 수 있어요
도구 이름이 일곱 개나 나열돼 있지만 전부 다뤄야 하는 것은 아닙니다. 그중 하나를 어떤 상황에서 왜 골랐는지 설명하는 쪽이 목록을 다 적는 것보다 낫습니다.
공고에 직접 적힌 것만 옮겼습니다.
깊이 다룬 영역 하나를 맨 앞에 두기
공고가 스스로 다능형보다 깊이를 원한다고 밝혔습니다. 스케줄링과 네트워크, 스토리지 중 가장 깊이 들어간 영역을 골라 이력서 앞쪽에 놓고 나머지는 뒤로 미룹니다.
개선 경험을 네 가지 지표로 다시 쓰기
업무 목록이 GPU 활용률과 대기 시간, 처리량, 비용 효율을 이름까지 적어 두었습니다. 과거 개선 사례를 이 중 무엇을 얼마나 바꿨는지로 옮겨 적으면 면접 질문과 같은 언어가 됩니다.
AI 도구로 줄인 운영 작업 적어 두기
자격 요건에 AI 도구 활용 경험이 들어 있습니다. 어떤 반복 작업을 어떤 도구에 맡겼고 결과를 어떻게 검증했는지 짧게 정리해 둡니다.
성적증명서까지 준비하기
이 공고는 본사 28건 중 드물게 성적증명서를 제출 서류에 넣었습니다. 학위나 졸업 관련 서류를 미리 확인해 두면 지원 시점에 지체되지 않습니다.
지원 현황 관리에 등록해 두면 전형 단계와 결과를 한자리에서 볼 수 있습니다.
지원 현황에 추가하기