[메가존] [MZD AX Architecture] AI Architect 경력직 채용 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• RAG 파이프라인, 에이전트 구조, 모델 라우팅과 폴백, 컨텍스트·프롬프트 관리, 평가 체계를 다루는 AI 참조 아키텍처를 정의합니다.

  이렇게 볼 수 있어요

  모델 라우팅과 폴백은 요청 성격에 따라 모델을 나누고 한 모델이 실패하면 다른 모델로 넘기는 구조입니다. 평가 체계는 구조를 바꿀 때마다 품질이 떨어지지 않았는지 확인하는 기준입니다. 이 조직은 이것을 프로젝트 하나가 아니라 프로젝트 유형별 기준으로 정합니다. 서비스 하나를 만든 경험이라면 그 구조 가운데 다른 프로젝트에도 쓸 수 있게 일반화한 부분을 따로 떼어 말할 수 있습니다.

• 폐쇄망·망분리 환경에서 AI를 적용할 수 있는 대안 구조를 설계합니다.

  이렇게 볼 수 있어요

  폐쇄망에서는 외부 모델 API를 부를 수 없어 내부에 올린 모델로 같은 기능을 만들어야 합니다. 우대 사항의 폐쇄망 모델 운영과 오픈웨이트 모델 서빙이 그 구현 수단입니다. 외부 API 기반 구조를 내부 모델로 옮긴 경험은 응답 품질이 어떻게 달라졌는지까지 함께 말할 수 있습니다.

• AI 모델, 에이전트, 도구의 채택 여부를 성능뿐 아니라 데이터 처리 위치, 라이선스 조건, 토큰 단가, 폐쇄망 대안 유무까지 함께 보고 판정합니다.

  이렇게 볼 수 있어요

  공고는 '지금은 쓰지 않는다'는 결론도 근거와 함께 낼 수 있는 사람을 잘 맞는 사람으로 꼽았습니다. 새 모델을 평가한 뒤 쓰지 않기로 한 결정이 있다면, 성능과 데이터 처리 위치, 라이선스 조건, 토큰 단가, 폐쇄망 대안 가운데 어느 조건에서 탈락했는지를 함께 적을 수 있습니다.

• 분기마다 기술 레이더를 갱신하고, 채택 후보는 소규모 PoC로 실현성, 비용, 운영 부담, 보안 적합성을 확인한 뒤 판정합니다.

  이렇게 볼 수 있어요

  기술 레이더는 도입 후보를 채택, 시험, 보류 같은 단계로 분류해 보여 주는 표입니다. 분기마다 갱신하므로 한 번 평가하고 끝나는 일이 아니라 정기 업무입니다. PoC 결과를 실현성, 비용, 운영 부담, 보안 적합성 네 항목으로 정리한 문서가 있다면 그 문서가 이 업무를 해 본 경험을 직접 보여 줍니다.

• 외부 AI 모델이나 에이전트에 고객 데이터를 연결하는 설계와 AI가 핵심인 제안의 실현성을 판정합니다.

  이렇게 볼 수 있어요

  고객 데이터가 외부 모델로 나가는 경로를 설계하는 일이라 우대 사항의 프롬프트 인젝션·데이터 유출 방지 설계가 같은 문제를 다룹니다. 제안 단계 판정은 계약 전에 일정과 비용을 약속할 수 있는지를 따지는 일입니다. 제안서의 AI 부분을 기술 검토해 범위나 일정을 조정했다면 조정의 근거를 함께 말합니다.

• RAG 파이프라인, AI 에이전트 등 AI 산출물의 표준공수를 정의합니다.

  이렇게 볼 수 있어요

  조직 소개는 화면, API, 배치 같은 산출물 단위로 표준공수를 정한다고 적었습니다. 이 업무는 그 목록에 RAG 파이프라인과 에이전트 단위를 더합니다. 프로젝트 실적에서 공수를 뽑아 본 경험이 있다면 산출물을 어떤 단위로 나눴는지부터 밝힐 수 있습니다.

• AI 모델과 라이선스 비용 기준표를 만들고 관리합니다.

  이렇게 볼 수 있어요

  토큰 단가와 라이선스 조건은 모델이 바뀔 때마다 달라지는 값이라 표를 관리한다는 말에는 갱신 주기를 정하는 일까지 들어 있습니다. 모델별 비용 비교표를 만들어 팀에 공유한 경험이 있다면 기준 날짜와 갱신 방식을 함께 적습니다.

2자격 요건

• LLM 기반 서비스(RAG, 에이전트)를 설계하고 운영한 경력이 3년 이상 있어야 합니다.

  이렇게 볼 수 있어요

  LLM 서비스는 운영하는 동안 모델 버전이나 프롬프트, 검색 문서가 바뀌면서 응답 품질이 떨어지고, 호출 수와 컨텍스트 길이가 늘면서 비용이 오릅니다. 이 조직이 정의하는 평가 체계와 비용 기준표는 그런 변화를 잡아내고 관리하는 장치입니다. 설계에 운영이 함께 적혀 있으므로, 서비스를 낸 뒤 품질 저하를 어떻게 발견했고 비용이 늘었을 때 무엇을 바꿨는지를 사례로 씁니다.

• 여러 모델을 두고 비용과 성능의 트레이드오프를 판단해 본 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  요건은 비용과 성능 두 축만 적었지만, 같은 공고의 채택 판정은 데이터 처리 위치, 라이선스 조건, 토큰 단가, 폐쇄망 대안 유무까지 함께 봅니다. 채택 판정과 비용 기준표 업무가 이 경험 위에서 돌아갑니다. 후보 모델 둘 이상을 같은 평가 세트로 돌려 비용과 품질을 나란히 놓고 고른 사례가 가장 직접적입니다. 그 선택에 라이선스나 데이터 위치 같은 조건이 걸렸다면 함께 말합니다. 평가 세트의 크기와 비용 기준도 판단 과정을 보여 줍니다.

3우대 사항

• 온프레미스·폐쇄망 환경에서 모델을 운영해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  폐쇄망에서는 모델 가중치와 서빙에 필요한 패키지를 외부에서 반입해야 해서 새 모델이 나와도 바로 바꿔 쓰기 어렵습니다. 대안 구조 설계가 업무로 따로 있고 채택 판정에서도 폐쇄망 대안 유무를 따로 보는 이유를 그 제약에서 찾을 수 있습니다. 모델을 내부 서버에 올려 운영했다면 사용한 GPU와 모델 크기, 접속 방식으로 규모를 설명합니다.

• 금융·공공 등 규제 환경의 AI 도입 경험을 우대합니다.

  이렇게 볼 수 있어요

  금융과 공공은 고객 데이터를 외부 모델로 보내는 데 제약이 큰 곳이라 업무의 데이터 연결 설계와 폐쇄망 대안이 함께 필요한 대표 환경입니다. 그런 환경에서 AI를 도입하며 어떤 제약이 걸렸고 어떻게 풀었는지로 이 항목에 답합니다.

• 에이전트 평가 자동화(eval), MCP 서버, 가드레일을 설계해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  에이전트 평가 자동화는 업무의 평가 체계와 같은 주제입니다. MCP는 에이전트가 외부 도구와 데이터에 접속하는 표준 규약이라 에이전트 구조 정의에 쓰입니다. 가드레일은 모델이 해서는 안 되는 출력과 호출을 막는 장치입니다. 세 가지 가운데 설계해 본 것이 있다면 그것으로 풀려 한 문제와 결과를 함께 적습니다.

• 오픈웨이트 모델 서빙(vLLM 등)이나 파인튜닝(LoRA/QLoRA) 경험을 우대합니다.

  이렇게 볼 수 있어요

  vLLM은 오픈웨이트 모델을 서버에서 서빙하는 도구이고 LoRA와 QLoRA는 모델 전체가 아니라 일부 가중치만 추가 학습하는 방식입니다. 둘 다 폐쇄망에서 외부 API 대신 쓸 모델을 직접 올리고 조정하는 수단입니다. 서빙 처리량이나 파인튜닝 전후 품질 숫자가 있으면 함께 말합니다.

• 프롬프트 인젝션, 데이터 유출 방지 등 AI 보안 설계 경험을 우대합니다.

  이렇게 볼 수 있어요

  프롬프트 인젝션은 외부 문서나 사용자 입력에 섞인 지시가 모델의 동작을 바꾸는 공격입니다. 에이전트가 도구로 고객 데이터에 접근할 때는 이것이 데이터 유출 경로가 됩니다. 이 공고의 업무에는 외부 모델이나 에이전트에 고객 데이터를 연결하는 설계가 있어, 이 경험이 그 설계에서 막아야 할 위험을 다룹니다. 프롬프트 인젝션을 막으려고 입력과 출력 어느 단계에 무엇을 적용했는지, 유출이 의심될 때의 대응까지 함께 설명합니다.

4기타 사항

• 게시일 : 2026년 10월 21일
• 고용형태 : 정규직(정규직 전환을 위한 평가기간 3개월 계약직 운영)
• 근무지 : 메가존산학연센터(과천) (대한민국 경기도 과천시 7길 과천대로 74)
• 경력 조건 : 경력 3년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• RAG
• LLM
• MCP
• vLLM
• LoRA
• QLoRA
• Claude Code
• Codex

전형과 지원

메가존얼라이언스 채용 담당자가 안내하는 기본 절차는 지원서 제출, 1차 실무면접, 2차 바레이저면접, 3차 최종면접, 입사조건 검토, 최종합격의 6단계입니다. 분석 시점에 열어 본 메가존(주) 공고는 대부분 바레이저면접 없이 실무 면접과 최종 면접을 적었습니다. Physical AI 사업단의 품질 보증, 서비스·제품 기획, 데이터 엔지니어링, 백엔드 엔지니어링, AX 컨설팅, AI 모델 개발, 프로젝트 총괄 공고는 최종 면접 없이 실무 면접 뒤 바로 입사 조건 검토로 넘어갑니다. 코딩 테스트와 기술 면접은 부서와 직무에 따라 붙습니다.

지원 전 준비할 것

1. 1

   모델 채택 판정 문서

   새 모델이나 도구를 평가해 채택 또는 보류를 정한 사례를 성능, 데이터 처리 위치, 라이선스, 토큰 단가, 폐쇄망 대안 다섯 항목으로 나눠 한 장으로 정리합니다. 다른 팀이 읽고 적용할 수 있는 형식으로 씁니다.

2. 2

   폐쇄망 구성도

   외부 API에 기대는 AI 기능 하나를 골라 외부 호출 없이 동작하도록 바꾼 구성도를 그리고 모델 서빙, 검색, 평가가 각각 어디에 놓이는지 표시합니다.

3. 3

   AI 도구 분담 기준

   Claude Code나 Codex 같은 에이전틱 코딩 도구를 일상 업무에 쓴다면 무엇을 도구에 맡기고 무엇을 직접 하는지 기준 몇 줄과 실제 사례 하나를 준비합니다.