[메가존] [MZD] [제조AX] AI 애플리케이션·MLOps 엔지니어 채용 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• AI 모델을 실제 서비스로 구현합니다. FastAPI 등으로 백엔드를 만들고, 추론 결과를 보여 주는 화면까지 맡을 때도 있습니다.

  이렇게 볼 수 있어요

  이 항목은 공고가 업무의 상당 부분이라고 밝힌 백엔드 개발입니다. 모델 추론을 API로 감싸 서비스에 붙여 본 경험을 백엔드 경력과 함께 자세히 쓸 수 있습니다.

• API를 설계하고 고객사의 MES, ERP 같은 기존 시스템과 연동합니다.

  이렇게 볼 수 있어요

  추론 결과가 고객사 업무 시스템까지 들어가야 하는 구조입니다. 우대 사항에도 MES 검사 실적이나 SCM 계획 데이터와의 연동 경험이 있어, 사내 시스템과 API·DB 인터페이스를 맞춰 본 경험이 그대로 이어집니다.

• 고객사별 모델 배포·서빙 구조를 표준화해 폐쇄망 온프레미스 환경에 같은 구성을 반복해 배포할 수 있게 만들고, 인터넷에 연결되지 않은 고객사 환경에 컨테이너 이미지와 모델 가중치를 반입하는 절차를 만들어 문서화합니다.

  이렇게 볼 수 있어요

  공고는 이 직무의 주요 목표가 배포 건수가 아니라 첫 고객사에 구축한 구성을 두 번째·세 번째 고객사에도 같게 적용할 수 있는 표준이라고 적었습니다. 반입 절차까지 문서로 남겨 다른 사람이 재현할 수 있게 한 경험이 이 목표와 맞습니다.

• vLLM, Triton, KServe, TorchServe 같은 모델 서빙 기술로 추론 환경을 구성·운영하고, 양자화·배치 처리 방식·KV 캐시 설정을 조정해 추론 성능을 높이고 GPU 사용량을 줄입니다. 긴 컨텍스트를 쓰는 RAG 환경에서 KV 캐시가 모델 가중치보다 메모리를 많이 쓰는 경우의 메모리 사용량도 최적화합니다.

  이렇게 볼 수 있어요

  서빙 기술 네 가지가 이름으로 적혀 있고 자격 요건은 그 가운데 2종 이상을 요구합니다. 조정한 설정과 줄어든 GPU 메모리·지연 시간을 숫자로 남겨 두면 면접의 설계 질문에서 근거로 쓸 수 있습니다.

• MLflow, Kubeflow를 기반으로 모델 레지스트리와 실험 추적 환경을 구축하고, 버전 관리와 이전 버전 복구 절차를 만듭니다.

  이렇게 볼 수 있어요

  고객사마다 폐쇄망에 모델을 설치하고 데이터가 바뀔 때마다 재학습해 배포하는 구조라, 버전 관리와 복구 절차는 고객사가 늘어도 같은 방식으로 되돌릴 수 있게 하는 배포 표준의 일부로 볼 수 있습니다. 모델을 이전 버전으로 되돌려 본 경험이 있다면 그 절차를 다른 고객사에도 쓸 수 있게 문서나 자동화로 남겼는지가 이 업무와 이어집니다.

• 클라우드와 온프레미스 양쪽에서 서비스를 배포·운영하고, CI/CD 파이프라인으로 배포 과정을 자동화합니다.

  이렇게 볼 수 있어요

  배포 환경이 두 가지입니다. 자격 요건에 폐쇄망 배포 경험이 따로 있으므로 두 환경에서 배포해 본 경험은 환경마다 따로 쓰는 게 좋습니다.

• 재학습과 자동 배포 절차를 설계·구축해 학습 데이터 갱신, 재학습, 배포 반영, 원인 분석까지 하나의 파이프라인으로 연결합니다.

  이렇게 볼 수 있어요

  공고는 데이터가 바뀔 때마다 재학습해 배포하는 작업이 고객사 수만큼 늘어난다고 설명합니다. 재학습 주기와 자동화한 단계를 함께 밝히면 이 설명과 바로 연결됩니다.

• 모델 성능 모니터링과 드리프트 감지 체계를 운영합니다.

  이렇게 볼 수 있어요

  배포 뒤 모델 품질을 지켜보는 일까지 맡습니다. 우대 사항의 품질 저하 감지·자동 롤백 체계와 이어지는 업무입니다.

2자격 요건

• 백엔드 개발 또는 MLOps 경력이 3년 이상이고, Python과 백엔드 프레임워크(FastAPI, Django, Spring 등)로 REST API를 설계하고 개발해 왔어야 합니다.

  이렇게 볼 수 있어요

  백엔드 경력과 MLOps 경력이 '또는'으로 나란히 적혀 있습니다. 어느 쪽이었든 Python으로 REST API를 만든 경험을 프레임워크 이름과 함께 자세히 쓸 수 있습니다.

• Docker와 Kubernetes 환경에서 CI/CD 파이프라인을 구성해 봐야 합니다.

  이렇게 볼 수 있어요

  컨테이너 환경의 배포 자동화가 요건입니다. 구성한 파이프라인의 단계와 배포 대상이 이 경험의 범위를 보여 줍니다.

• vLLM, Triton, KServe, TorchServe 가운데 2종 이상으로 모델 서빙 인프라를 구축하고 운영해 봐야 합니다.

  이렇게 볼 수 있어요

  자격 요건은 서빙 기술의 개수를 '2종 이상'으로 적었습니다. 써 본 서빙 기술마다 어떤 모델을 어떤 규모로 서빙했는지 나눠 쓰면 개수가 분명해집니다.

• MLflow, Kubeflow 등으로 모델 레지스트리와 실험 추적을 운영해 봐야 합니다.

  이렇게 볼 수 있어요

  이 요건은 업무의 레지스트리·실험 추적 환경 구축과 같은 내용입니다. 운영한 도구와 관리한 모델 수를 함께 쓰면 됩니다.

• 재학습 파이프라인 자동화를 설계하고 구축해 봐야 합니다.

  이렇게 볼 수 있어요

  사람이 손으로 돌리던 재학습을 자동화한 경험을 묻습니다. 재학습을 시작하는 조건과 자동으로 이어지는 단계를 순서대로 설명할 수 있는 사례가 필요합니다.

• 폐쇄망 환경에 모델을 배포해 봐야 하고, 인터넷 접근 없이 컨테이너 이미지와 모델 가중치를 반입하는 절차까지 직접 해 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  반입 절차를 직접 해 본 경험까지 필요하다고 적었습니다. 망이 분리된 환경에서 이미지와 가중치를 옮겨 설치한 과정을 단계별로 정리해 갈 수 있습니다.

• 양자화, 배치 전략, KV 캐시 등 추론 성능 최적화를 실무로 해 봐야 합니다.

  이렇게 볼 수 있어요

  실무 경험을 요구합니다. 최적화 전후의 처리량이나 메모리 사용량을 숫자로 말할 수 있으면 이 요건에 맞춰 답할 수 있습니다.

• 한 번 만든 배포 구조를 다른 엔지니어도 같게 적용할 수 있도록 문서화하고 자동화하는 분을 찾습니다.

  이렇게 볼 수 있어요

  업무의 배포 표준화 목표가 자격 요건에도 다시 나옵니다. 작성한 배포 가이드나 스크립트를 다른 팀원이 그대로 써서 배포한 일이 있다면 그 일을 예로 들 수 있습니다.

3우대 사항

• 다수 고객사를 대상으로 같은 구조를 반복 배포해 본 경험과, 설치만 하고 끝내지 않고 운영 인계까지 해 본 경험을 우대합니다. 공고는 고객사 내부에 인프라 운영 인력이 부족한 경우가 많아 구축 뒤 운영 방법까지 함께 설계해 본 경험이 도움이 된다고 적었습니다.

  이렇게 볼 수 있어요

  두 항목 모두 고객사가 여럿이고 운영을 넘겨받을 사람이 적은 환경을 전제로 합니다. 인계 문서나 운영 교육을 만들어 본 경험이 있다면 넘겨받은 쪽이 누구였는지까지 쓰면 운영 인계의 범위가 분명해집니다.

• GPU 자원 스케줄링과 멀티테넌시 운영 경험, 요청이 많이 몰리는 서비스를 운영하며 성능과 안정성을 다뤄 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  자원을 여럿이 나눠 쓰는 환경과 요청이 몰리는 환경입니다. 처리한 요청량이나 함께 운영한 테넌트 수를 숫자로 적을 수 있습니다.

• AWS, GCP, Azure에서 서비스를 운영해 본 경험을 우대하고, SageMaker, BentoML 같은 매니지드 서빙·MLOps 도구를 써 봤다면 더 좋다고 적었습니다.

  이렇게 볼 수 있어요

  필수 요건은 폐쇄망 쪽이고 퍼블릭 클라우드 운영은 우대입니다. 업무에도 클라우드와 온프레미스 양쪽 배포가 있어 두 환경을 모두 다뤘다면 그 점이 이 공고와 맞습니다.

• React 등으로 프론트엔드를 구현해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  React 경험은 추론 결과를 보여 주는 화면까지 맡을 때가 있다는 업무 설명과 이어집니다. 내부 도구나 대시보드 화면을 만들어 본 경험도 함께 적을 수 있습니다.

• 모델 품질 저하를 감지해 자동으로 롤백하는 체계를 만들어 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  우대 사항의 자동 롤백 체계는 업무의 드리프트 감지와 이전 버전 복구 절차를 하나로 이은 것입니다. 감지 기준과 함께 롤백이 실제로 실행된 경우를 설명하면 됩니다.

• 제조업의 MES, ERP, SCM을 다뤄 본 경험을 우대합니다. 공고는 불량 판정이나 설비 이상 예측 결과가 실제 작업 지시에 반영되려면 MES 검사 실적이나 SCM 계획 데이터와 연결되어야 하고, 이 시스템 연동을 API나 DB 인터페이스로 구현해 본 경험을 바로 활용할 수 있다고 적었습니다.

  이렇게 볼 수 있어요

  제조 시스템 경험은 우대 사항입니다. 다른 업종에서 ERP나 재고 데이터를 API로 연동해 본 경험도 구현 방식이 같다면 함께 적을 수 있습니다.

4기타 사항

• 게시일 : 2026년 9월 9일
• 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.

• Python
• FastAPI
• Django
• Spring
• Docker
• Kubernetes
• vLLM
• Triton
• KServe
• TorchServe
• MLflow
• Kubeflow
• AWS
• GCP
• Azure
• SageMaker
• BentoML
• React

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 적었고(Physical AI 사업단의 품질 보증, 서비스·제품 기획, 데이터 엔지니어링, 백엔드 엔지니어링 공고는 실무 면접 뒤 바로 입사 조건 검토), 코딩 테스트와 기술 면접은 부서와 직무에 따라 붙습니다.

지원 전 준비할 것

1. 1

   제출할 배포 자료 묶기

   배포 자동화 스크립트, 파이프라인 설계 문서, 서빙 구성 사례 가운데 공개할 수 있는 것을 골라 고객사 정보를 지운 뒤 지원서와 함께 낼 수 있게 정리합니다.

2. 2

   폐쇄망 배포 절차 그려 보기

   이미지와 가중치 반입부터 서빙 기동, 재학습 반영까지를 한 장의 흐름도로 그려 봅니다. 기술 인터뷰의 설계 질문에 그 그림으로 답할 수 있습니다.

3. 3

   최적화 전후 수치

   양자화나 배치·KV 캐시 설정을 바꿔 본 경험을 골라 바꾼 설정, GPU 메모리, 처리량, 지연 시간의 전후 숫자를 표로 만듭니다.