이 자리가 왜 생겼을까요
MTN 보도에 따르면 메가존은 2026년 8월 한미그룹과 업무협약을 맺으며 범용 AI 기술을 공급하는 데 그치지 않고 고객사의 산업과 업무 특성에 맞춰 AI를 적용하는 AX 사업을 강화한다는 방침을 밝혔습니다. 공고에 따르면 메가존 제조AX센터는 제조업 기반 중소기업 AX 사업을 추진하며, 수요예측·예지보전·불량검사 같은 과제를 고객사의 데이터 확보 수준에 맞춰 단계적으로 도입합니다. 센터는 데이터 점검부터 PoC, 서비스 구축, 현장 연계와 운영까지 하나의 흐름으로 맡고, 이 공고의 ML 엔지니어는 그 안에서 모델 선정과 파인튜닝, 성능 평가를 담당합니다. 제조 데이터를 다뤄 본 적이 없어도 지원할 수 있지만, 공고가 반드시 확인한다고 적은 것은 모델 품질을 수치로 평가해 본 경험입니다.
메가존얼라이언스가 지금 어떤 사업에 집중하고 있는지는 메가존얼라이언스 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
시계열 예측·예지보전, 비전 불량검사·이상탐지, 정형 데이터 품질·원인 분석, 제조 Copilot LLM(한국어 포함), 문서·도면 이해 VLM, 임베딩·리랭커, Physical AI까지 10개 분야에서 고객사별로 사용할 모델을 선정하고 적합성을 평가합니다.
이렇게 볼 수 있어요
팀이 10개 분야의 후보 모델을 파라미터 수와 필요 VRAM까지 정리한 카탈로그로 만들어 두었습니다. 모델을 처음부터 찾기보다 고객사의 데이터와 GPU 예산에 맞춰 후보 가운데 고르는 일이 중심입니다.
LoRA/QLoRA로 고객사 데이터에 파인튜닝하고, 평가 파이프라인을 만들어 개선 전후를 수치로 비교합니다.
이렇게 볼 수 있어요
학습과 평가를 한 사람이 맡습니다. 파인튜닝 경험에 어떤 평가셋과 지표로 전후를 비교했는지까지 적으면 평가를 함께 맡아 본 경험이 드러납니다.
임베딩과 리랭커를 조합해 검색 품질을 높이고, 답변 평가 결과를 검색 방식과 학습 데이터 구성에 다시 반영하는 구조를 만듭니다.
이렇게 볼 수 있어요
답변 평가 결과를 검색 방식과 학습 데이터 구성 양쪽에 다시 반영하는 구조입니다. 답변 평가에서 나온 문제를 검색 쪽에서 해결한 사례가 있다면 무엇을 바꿨는지 설명할 수 있어야 합니다.
고객사 데이터 현황을 바탕으로 GPU 사양을 계산하고, 모델 가중치에 필요한 VRAM, 컨텍스트 길이에 따른 KV 캐시 용량, 양자화 적용 여부를 산정 근거 워크북으로 관리합니다.
이렇게 볼 수 있어요
하드웨어 추천도 모델 선정과 함께 이 직무의 산출물입니다. GPU 사양을 계산해 정해 본 경험이 있다면 계산 근거를 문서로 남겼는지까지 보여 줄 수 있습니다.
vLLM, TensorRT-LLM 같은 추론 엔진을 최적화해 고객사에 설치한 GPU 1~2장으로 목표 응답 속도를 맞춥니다.
이렇게 볼 수 있어요
GPU 한두 장이라는 자원 조건이 업무에 숫자로 적혀 있습니다. 제한된 자원에서 지연 시간을 줄여 본 경험이라면 줄이기 전후의 응답 속도와 쓴 기법을 나란히 씁니다.
도입 후보 모델의 LICENSE 원문과 배포처 약관을 직접 읽고 고객사에 납품할 수 있는지 확인합니다.
이렇게 볼 수 있어요
공고는 사전 검토에서 추천 후보 63건 가운데 8건이 상업적으로 이용할 수 없었고, 그중 1건이 도입 대상 10개 모델에 포함돼 있었다고 밝혔습니다. 납품 전에 상업적 이용 가능 여부를 엔지니어가 직접 판단해야 한다고도 적었습니다.
데이터 엔지니어, AI 애플리케이션 엔지니어와 함께 모델을 실제 서비스로 연결하고, 학습 데이터 요건과 추론 인터페이스를 양쪽에 맞춰 정합니다.
이렇게 볼 수 있어요
모델을 넘겨주는 데서 끝나지 않고 데이터 형식과 인터페이스를 앞뒤 직군과 함께 정합니다. 학습 데이터 규격이나 추론 API를 다른 엔지니어와 맞춰 본 경험을 협업 사례로 들 수 있습니다.
생성형 AI를 비롯한 최신 모델과 기법을 조사하고, 지금 맡은 과제에 쓸 수 있는지 검증한 뒤 적용합니다.
이렇게 볼 수 있어요
새 모델을 써 보는 데서 그치지 않고 맡은 과제에 맞는지 검증하는 단계가 붙어 있습니다. 검증 끝에 도입하지 않기로 한 결정도 그 근거와 함께 사례로 꺼낼 수 있습니다.
2자격 요건
ML·AI 엔지니어링 경력이 3년 이상이고, Python과 PyTorch/TensorFlow, scikit-learn으로 모델을 직접 개발하고 배포해 왔어야 합니다.
이렇게 볼 수 있어요
개발에 더해 배포까지 요구합니다. 실험 단계에서 끝난 모델과 실제로 배포한 모델을 나눠 쓰면 이 조건에 맞는 경력이 어디까지인지 분명해집니다.
LLM 파인튜닝(LoRA/QLoRA 등)과 평가 파이프라인 구축 실무 경험이 있어야 합니다.
이렇게 볼 수 있어요
파인튜닝과 평가가 한 항목에 묶여 있습니다. 학습만 돌려 본 경험이 아니라 평가 데이터와 지표를 직접 설계한 경험까지 있어야 항목 전체에 답할 수 있습니다.
학습 데이터 전처리와 피처 엔지니어링을 직접 해 왔어야 합니다.
이렇게 볼 수 있어요
센터는 고객사의 데이터 확보 수준에 맞춰 과제를 단계적으로 도입한다고 소개합니다. 정리되지 않은 원천 데이터를 학습할 수 있는 형태로 바꾼 과정을 단계별로 풀어 쓰는 편이 좋습니다.
비전(불량검사·이상탐지) 또는 시계열(예지보전) 가운데 1개 이상 실무 경험이 있어야 합니다.
이렇게 볼 수 있어요
둘 중 하나의 경험을 요구합니다. 해 본 쪽의 프로젝트를 데이터 종류, 데이터 양, 평가 지표와 함께 씁니다.
임베딩·리랭커로 검색 품질을 개선해 본 경험이 있어야 합니다.
이렇게 볼 수 있어요
개선이라는 말이 붙어 있어 검색 품질을 어떤 지표로 쟀고 얼마나 올렸는지가 함께 필요합니다.
GPU 자원 산정과 추론 최적화(vLLM, TensorRT-LLM 등) 실무 경험이 있어야 합니다.
이렇게 볼 수 있어요
필요한 VRAM과 KV 캐시를 계산해 GPU 사양을 정한 경험과, 같은 GPU에서 처리 속도를 끌어올린 경험이 각각 필요합니다. 산정 근거를 문서로 남겼다면 그 문서를 함께 보여 주는 게 좋습니다.
모델 라이선스 원문을 읽고 상업적 이용 가능 여부를 판단해 본 경험이 있어야 합니다.
이렇게 볼 수 있어요
납품을 전제로 일하는 조직이라 라이선스 판단이 필수 요건에 있습니다. 사내 도입이나 서비스 출시 때 오픈소스 모델의 라이선스 조건을 확인해 본 일도 이 경험으로 쓸 수 있습니다.
모델을 선정하고 변경한 이유를 수치로 설명할 수 있어야 합니다.
이렇게 볼 수 있어요
공고는 제조업 경험이 없어도 지원할 수 있지만 모델 품질을 수치로 평가해 본 경험은 반드시 확인한다고 따로 적었습니다. 모델을 바꾼 결정 하나를 골라 비교한 지표와 결과를 숫자로 말할 수 있게 준비합니다.
3우대 사항
제조업의 MES 품질 이력(불량 코드, 검사 결과, 설비 알람 로그)과 설비 센서 시계열로 모델을 만들어 보았거나, 제조업의 ERP, SCM 수요·재고 데이터로 예측 모델을 다뤄 본 경험을 우대합니다.
이렇게 볼 수 있어요
두 항목 모두 제조 데이터입니다. 다른 업종에서 장비 로그나 수요 데이터를 다뤘다면 데이터 형태가 비슷한 사례로 소개할 수 있습니다.
현장에서 촬영한 불량 이미지로 검사 모델을 학습시켜 본 경험(카메라와 조명 조건도 함께 조정해 봤다면 더 좋다고 적었습니다)과, 불량 샘플이 수십 장 미만인 조건에서 정상 이미지만으로 이상탐지를 구성해 본 경험을 우대합니다.
이렇게 볼 수 있어요
공개 데이터셋이 아니라 현장 이미지, 그중에서도 불량 샘플이 적은 조건을 전제로 합니다. 촬영 환경을 직접 바꿔 본 경험이 있다면 무엇을 바꿨고 정확도가 어떻게 달라졌는지 씁니다.
한국어 모델 파인튜닝 경험을 우대합니다.
이렇게 볼 수 있어요
업무에 적힌 10개 분야 가운데 제조 Copilot LLM에 한국어 모델이 포함돼 있습니다. 한국어 데이터로 학습한 뒤 어떤 평가셋으로 성능을 확인했는지 함께 밝힙니다.
인터넷에 연결되지 않은 폐쇄망에 모델 가중치와 컨테이너 이미지를 반입해 설치해 본 경험을 우대합니다.
이렇게 볼 수 있어요
공고는 고객사 환경이 폐쇄망이라 외부 API를 호출하지 않고 내부에 설치한 모델을 쓴다고 밝혔습니다. 반입 절차와 설치 중 막혔던 문제를 설명할 수 있으면 현장 투입 경험으로 내세울 수 있습니다.
MLflow, Kubeflow 등 MLOps 도구로 실험을 추적하고 모델을 배포해 본 경험을 우대합니다.
이렇게 볼 수 있어요
센터는 같은 구조를 여러 고객사에 반복 배포하고 운영할 수 있도록 자동화와 표준화를 진행한다고 소개합니다. 실험 기록과 배포를 도구로 관리해 본 경험은 그 반복 배포와 연결됩니다.
논문, 특허, 경진대회(Kaggle 등) 실적을 우대합니다.
이렇게 볼 수 있어요
실적의 종류가 셋으로 적혀 있습니다. 경진대회라면 순위와 참가 팀 수를, 논문이라면 게재처를 함께 표기합니다.
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
- PyTorch
- TensorFlow
- scikit-learn
- LoRA
- QLoRA
- vLLM
- TensorRT-LLM
- MLflow
- Kubeflow
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 사업단 품질 보증 공고는 실무 면접 뒤 바로 입사 조건 검토), 코딩 테스트와 기술 면접은 부서와 직무에 따라 붙습니다.
기본 단계
서류는 각 사업부 실무자가 검토하고, 1차 실무면접은 부서장과 Hiring Manager가 직무적합성을 확인합니다. 회사는 Hiring Manager를 '일반적으로 각 부서의 최고 부서장'이라고 설명했습니다. 직무에 따라 기술 면접 같은 추가 면접이 있고, 코딩 테스트를 할지는 부서와 직무에 따라 달라 서류 합격 때 따로 알려 줍니다.
이렇게 볼 수 있어요
첫 면접부터 부서의 최고 책임자가 들어올 수 있습니다. 실무 질문에 대비하면서 그 사업부가 하는 사업도 미리 알아보고 면접에 들어갑니다.
바레이저면접
자주 묻는 질문은 2차 바레이저면접을 '당사의 핵심 가치와 문화 적합성 및 문제 해결 능력 등 종합적으로 검토'하는 단계라고 설명합니다. 채용 담당자 안내는 필요하면 레퍼런스 체크와 인성검사가 더해질 수 있다고 적었고, 3차 최종면접은 경영진과의 면접입니다.
이렇게 볼 수 있어요
직무 면접과 별도로 회사의 가치에 맞는지를 보는 단계가 하나 더 있습니다. 인재상 네 가지와 Trinity Values에 맞는 경험을 미리 골라 두면 이 면접에서 바로 쓸 수 있습니다.
법인과 채용관마다 다른 단계 표기
분석한 메가존클라우드 공고는 모두 '지원서 제출 > 1차 실무면접 > 2차 바레이저면접 > 3차 최종면접 > 입사조건검토 > 최종합격'을 적었고, 메가존(주)의 Physical AI Lab·MZD·화웨이 BD·회계 업무 담당자·의료플랫폼사업팀 보험심사·통합서비스플랫폼본부 UI/UX 디자이너 공고는 '지원서 제출 > 실무 면접 > 최종 면접 > 입사 조건 검토 > 최종 합격'을 적었습니다. 메가존(주) Physical AI 사업단 품질 보증 공고는 '지원서 제출 > 실무 면접 > 입사 조건 검토 > 최종 합격'으로 최종 면접이 없습니다. AI 전용 채용관 페이지는 1차 실무면접, 바레이저면접, 2차 실무면접 순으로 단계 이름을 붙였습니다.
이렇게 볼 수 있어요
같은 사이트 안에서도 법인과 페이지마다 단계 이름이 다릅니다. 지원하는 공고 본문 아래쪽 '합류 여정'의 채용과정 줄이 그 공고의 실제 절차입니다.
결과 안내 기간
자주 묻는 질문은 서류 검토를 '가능한 1~2주 안으로' 진행하고 서류 합격자에게만 따로 알린다고 답합니다. 채용 담당자 안내는 서류 검토가 최대 2~3주, 실무면접과 최종면접도 각각 최대 2~3주까지 걸릴 수 있다고 적었습니다. 자주 묻는 질문은 전형 결과에 대한 피드백을 내부 가이드에 따라 공유하지 않는다고 답합니다.
이렇게 볼 수 있어요
서류에서 떨어지면 따로 연락을 받지 못할 수 있습니다. 결과가 궁금하면 언제든 recruit@mz.co.kr이나 나인하이어 카카오톡으로 물어보라고 회사가 안내합니다.
중복 지원과 재지원
여러 포지션과 여러 계열사에 중복으로 지원할 수 있고 불이익도 없다고 안내합니다. 여러 포지션에서 실무면접을 통과하면 최종 면접은 회사가 정한 한 포지션으로만 진행합니다. 다른 포지션에서 불합격해도 다시 지원하는 데 제한이 없다고 적었습니다.
이렇게 볼 수 있어요
관심 있는 사업부가 여럿이면 각각 지원해도 됩니다. 실무면접은 포지션마다 따로 보므로 이력서도 공고마다 따로 맞춥니다.
서류 양식과 포트폴리오
정해진 이력서 양식은 없고 자유양식으로 내면 되며, 이력서·자기소개서·포트폴리오·노션 등 어떤 방법이든 좋다고 안내합니다. 직무에 따라 포트폴리오를 요청할 수 있고, 자주 묻는 질문은 제출 뒤 서류를 보태려면 나인하이어 카카오톡이나 메일로 보내고, 메일로 낼 때는 포지션 명과 이름을 함께 적으라고 안내합니다.
이렇게 볼 수 있어요
양식이 정해져 있지 않으므로 사업부 소개와 공고 요건에 맞춰 경력을 어떻게 정리할지도 지원자가 정합니다. 영상 편집 공고처럼 포트폴리오를 필수로 적은 공고는 첨부를 빠뜨리지 않아야 합니다.
입사 후 3개월 평가 기간
메가존클라우드 공고는 고용형태를 '정규직 (정규직 전환을 위한 평가기간 3개월 계약직 운영)'으로 적습니다. 채용 담당자 안내는 이 3개월이 전 직원에게 공통으로 운영되는 기간이고 근속 기간과 퇴직금 산정에는 모두 포함된다고 설명합니다. 다만 메가존(주) Physical AI 사업단 품질 보증 공고는 평가기간을 6개월로 적고 기간이 끝날 때 정규직 전환 면접을 두며, MZD iOS 공고와 MZD 제조AX ML 엔지니어 공고는 수행 업무와 프로젝트에 따라 평가기간이 달라질 수 있다고 덧붙였습니다.
이렇게 볼 수 있어요
첫 3개월은 계약직 형태의 평가 기간입니다. 근속과 퇴직금 계산에서는 빠지지 않는다는 점까지 확인하고 처우 협의에 들어가면 됩니다.
이 공고만 다른 점
채용과정이 지원서 제출(서류 전형) > 실무 면접(기술 인터뷰) > 최종 면접(임원 인터뷰) > 입사 조건 검토 > 최종 합격이고, 메가존클라우드 공고에 있는 바레이저면접이 없습니다.
기술을 보는 면접은 실무 면접 한 번이고 최종 면접은 임원 인터뷰입니다. 진행한 모델 작업의 평가 지표와 개선 전후 수치를 정리한 자료가 있으면 지원할 때 함께 제출해 달라고 공고가 요청합니다.
포지션 정보는 정규직 전환을 위한 평가기간 3개월을 적고, 수행 업무와 프로젝트에 따라 평가기간이 달라질 수 있다고 덧붙였습니다.
센터 단위로 채용한 뒤 프로젝트 수요에 따라 배치 팀을 정하므로 처우 협의에서 배치될 팀과 평가기간을 함께 확인할 수 있습니다.
지원 전 준비할 것
- 1
개선 전후 수치 자료
지원할 때 함께 낼 자료를 미리 만듭니다. 모델 작업 두세 건을 골라 평가 지표, 비교 기준, 개선 전후 수치를 한 장씩 정리합니다.
- 2
모델을 바꾼 결정 하나
모델을 고르거나 바꾼 결정 하나를 골라 후보 목록, 비교한 지표, 라이선스와 GPU 조건, 최종 선택 이유를 순서대로 씁니다.
- 3
GPU 산정 연습
오픈 모델 하나를 정해 가중치에 필요한 VRAM, 컨텍스트 길이별 KV 캐시, 양자화 여부를 직접 계산해 봅니다. 산정 근거 워크북을 관리하는 업무에서도 이 계산을 하므로 기술 인터뷰에서 계산 과정을 그대로 보여 줄 수 있습니다.