이 자리가 왜 생겼을까요
미리디는 2026년 6월에 AI 기능 고도화에 맞춰 개발 직군을 중심으로 채용한다고 밝혔고, 미리캔버스는 같은 해 인터뷰에서 AI가 만든 결과물을 사용자가 바로 고칠 수 있게 하는 편집 경험에 힘을 싣고 있다고 설명했습니다. 공고도 "미리캔버스의 템플릿·요소 검색, 내용 시각화, 추천 등 사용자가 매일 쓰는 기능 뒤에서 자체 모델이 동작하고 있습니다"라고 적습니다. 2025년에 영업손익이 56억 원 손실로 돌아선 해라 추론 비용이 곧 손익으로 이어지는 항목이 됐고, 그래서 이 공고가 속도와 비용을 한 문장에 묶어 두었습니다.
미리디가 지금 어떤 사업에 집중하고 있는지는 미리디 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
vLLM 기반 배치 추론과 OpenAI 호환 API 서빙을 운영하고 TensorRT-LLM으로 지연에 민감한 내부 서빙을 구성하고 튜닝합니다.
이렇게 볼 수 있어요
프레임워크를 둘로 나눠 쓰는 이유가 요구 조건이 다르기 때문입니다. 한 가지만 써 봤다면 왜 그것을 골랐는지 설명할 수 있어야 이 구분을 이해한 것으로 보입니다.
모델 교체와 버전 롤아웃, 용량 산정, 트래픽 급증 대응을 담당합니다.
이렇게 볼 수 있어요
모델을 올린 뒤의 운영이 업무 목록에 있습니다. 배포 경험에 더해 트래픽이 몰렸을 때 조정해 대응한 사례가 있으면 무엇을 바꿨는지까지 구체적으로 적습니다.
PyTorch 모델을 가속 프레임워크로 변환하고 변환 전후의 정확도와 속도를 측정해 검증합니다.
이렇게 볼 수 있어요
변환은 정확도를 깎을 수 있어 검증이 함께 옵니다. 변환 뒤 정확도 손실을 얼마나 허용했고 그 기준을 누가 정했는지까지 밝히면 판단 경험이 보입니다.
quantization과 pruning, distillation으로 모델을 줄여 비용과 지연을 낮춥니다.
이렇게 볼 수 있어요
세 기법을 모두 나열했습니다. 우대 사항에도 같은 세 가지가 다시 나오므로 하나라도 실제로 적용해 얼마를 줄였는지 숫자를 챙겨 둡니다.
p99 지연과 GPU 활용률, 토큰 처리량, 큐 대기 시간을 수집해 대시보드로 만들고 선제 탐지 알림을 만듭니다.
이렇게 볼 수 있어요
지표 이름이 네 개나 지정돼 있습니다. 관측을 남이 해 주던 환경에서 일했다면 직접 지표를 정의해 본 경험이 어디까지인지 밝히는 쪽이 유리합니다.
서비스별 지연과 비용 요구 사항에 맞춰 어떤 GPU에 모델을 올릴지 결정합니다.
이렇게 볼 수 있어요
장비 선택이 업무에 포함됩니다. GPU 종류에 따라 성능과 비용이 달라진 경험이 있으면 비교해 본 모델명을 나란히 씁니다.
2자격 요건
TensorRT나 TensorRT-LLM, vLLM, ONNX Runtime 중 하나 이상으로 모델을 프로덕션에 서빙해 본 경험을 요구합니다.
이렇게 볼 수 있어요
네 가지 가운데 하나면 됩니다. 실험 환경이 아니라 프로덕션이라고 분명히 적었으므로 실제 사용자 트래픽을 받은 사례인지 분명히 밝힙니다.
GPU 추론 경험이 있고 배치 크기와 GPU 메모리, throughput, latency 사이의 트레이드오프를 설명할 수 있어야 합니다.
이렇게 볼 수 있어요
설명할 수 있어야 한다는 표현은 인터뷰에서 묻겠다는 뜻입니다. 배치 크기를 바꿨을 때 지연과 처리량이 어떻게 움직였는지 직접 겪은 숫자로 준비합니다.
matmul과 softmax, cumsum, attention 등 주요 연산 가운데 어디가 병목인지 이해하고 있어야 합니다.
이렇게 볼 수 있어요
연산 이름을 구체적으로 나열했습니다. 프로파일링 결과를 보고 병목을 찾아 고친 사례가 있으면 사용한 도구를 나란히 씁니다.
리눅스 서버와 컨테이너 환경에서 프로세스와 메모리, 네트워크, 로그를 스스로 추적해 문제를 좁힐 수 있어야 합니다.
이렇게 볼 수 있어요
모델보다 시스템 쪽 능력을 묻습니다. 장애를 직접 추적해 원인을 찾은 경험이 있으면 그 과정을 한 문단으로 정리해 둡니다.
3우대 사항
FastAPI나 Django, Flask 중 하나로 프로덕션 서비스를 개발하고 운영해 본 경험을 우대합니다.
이렇게 볼 수 있어요
서빙 API를 직접 만든다는 뜻입니다. 모델 코드만 다뤄 온 경력이라면 서비스 코드를 써 본 경험을 찾아 넣는 쪽이 유리합니다.
모델 경량화와 학습 코드 작성 경험을 우대합니다.
이렇게 볼 수 있어요
업무 목록에 이미 경량화가 있어 사실상 반복된 항목입니다. 학습까지 해 봤다면 서빙 중심 경력과 구분해 씁니다.
H200과 A100, A10G, L40S 등 다양한 GPU에서 추론을 가속해 본 경험을 우대합니다.
이렇게 볼 수 있어요
장비 이름을 넷이나 적었습니다. 써 본 GPU 종류를 이력서에 나열해 두면 이 조건이 한 번에 확인됩니다.
CUDA 이해와 Nsight Systems, PyTorch Profiler 같은 프로파일링 도구 활용 경험을 우대합니다.
이렇게 볼 수 있어요
공고가 "추측 대신 프로파일링과 측정으로 병목을 찾는 것을 선호하는 분"이라고 따로 적었습니다. 도구 이름을 적는 것만으로도 그 방식에 익숙하다는 신호가 됩니다.
검색과 추천 등 대규모 실시간 트래픽 시스템의 서빙 경험을 우대합니다.
이렇게 볼 수 있어요
미리캔버스의 템플릿과 요소 검색이 바로 그 시스템입니다. 초당 요청 수나 일일 호출량을 적으면 규모가 비교됩니다.
4기타 사항
- 게시일 : 2026년 9월 4일
- 고용형태 : 정규직(수습 3개월)
- 근무지 : 대한민국 서울특별시 구로구 디지털로31길 12, 8층 미리디
- 경력 조건 : 경력 1~3년
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- vLLM
- TensorRT
- TensorRT-LLM
- ONNX Runtime
- PyTorch
- CUDA
- FastAPI
- Nsight Systems
전형과 지원
미리디 전형은 네 단계이고 직군에 따라 코딩 테스트나 과제가 붙습니다. 채용 FAQ가 과거 지원과 무관하게 재지원할 수 있다고 밝혔고(공고에 따라 같은 포지션은 6개월 뒤 재지원 단서가 있습니다), CTO가 서류에서 무엇을 보는지도 공개돼 있습니다.
네 단계
서류전형, 1차 인터뷰, 2차 인터뷰, 최종 합격 순입니다. 1차는 "실무진과 직무별 인터뷰어가 참석하여 직무 역량을 심층 검증"하고 2차는 "리더 및 임원진이 참석하여 조직 적합도와 잠재력을 심층 검증"합니다. 최종 합격 뒤 처우 협의를 거치고 입사 후 3개월 수습 기간이 있습니다.
이렇게 볼 수 있어요
1차와 2차에서 보는 것이 다릅니다. 1차는 공고의 업무와 자격 요건에 맞춰 준비하고, 2차는 핵심가치 세 묶음에 각각 대응하는 사례를 준비하는 편이 효율적입니다.
코딩 테스트와 과제는 직군에 따라
"직군과 경력에 따라 [코딩테스트], [과제 전형]이 추가될 수 있으며, [2차 인터뷰]가 생략될 수 있습니다"라고 밝혔습니다. 코딩 테스트는 1차 인터뷰 앞에 붙습니다. 결과는 "최대 2주 내에 등록하신 이메일 주소로 개별 통보"합니다.
이렇게 볼 수 있어요
단계 수가 공고마다 달라지므로 일정을 넉넉히 잡아야 합니다. 개발 직군으로 지원한다면 서류를 내는 시점에 코딩 테스트가 붙을 수 있다고 보고 준비 시간을 함께 확보해 둡니다.
다른 포지션에는 바로 다시 지원할 수 있습니다
채용 FAQ에 "미리디는 모든 인재를 잠재동료로 바라봅니다. 과거의 지원과 무관하게 재지원이 가능합니다"라고 적혀 있습니다. 여러 공고에 동시에 넣는 것도 "지원하고자 하는 직무에 대한 자격요건에 부합하시면" 가능합니다.
이렇게 볼 수 있어요
한 번 떨어진 것이 다른 포지션 지원을 막지 않습니다. 다만 여러 공고는 같은 포지션에 대해 최종 결과 안내를 받은 시점부터 6개월 뒤에 다시 지원할 수 있다고 따로 적었습니다. 컬처핏 단계 이후 1년을 제한하는 회사들과 반대 방향이라, 준비가 덜 됐더라도 먼저 넣어 보고 다음을 노리는 선택이 가능합니다.
지원서는 자유 양식이고 수정이 안 됩니다
"입사 지원서는 자유 양식입니다"라고 밝히면서 "제출한 지원서는 수정이 불가능합니다. 즉시 수정된 자료를 첨부하여 다시 지원하시면, 가장 최근 제출된 지원서를 바탕으로 검토가 이루어집니다"라고 안내합니다. 일부 공고는 "원활한 검토를 위해 PDF 형식으로 제출"을 요청합니다.
이렇게 볼 수 있어요
고칠 기회가 없으므로 내기 전에 한 번 더 읽어야 합니다. 양식을 맞출 필요가 없는 대신 무엇을 강조할지가 온전히 선택이라, 공고의 업무 목록에 나온 일을 해 본 경험을 자세히 쓰는 편이 낫습니다.
CTO가 밝힌 서류 기준
CTO는 채용에서 보는 것을 "경험의 목록이 아니라, 그 경험의 깊이가 중요합니다"라고 밝혔습니다. 이어서 "'무엇을 만들었다'가 아니라 '어떤 선택을 했고, 그 선택이 왜 최선이었는가'가 중요합니다"라고 말하고, "'그런 문제가 없었어요'라고 답하면, '그래서 그 문제를 고민도 안 하셨어요?'라고 되묻습니다"라는 예도 들었습니다.
이렇게 볼 수 있어요
쓴 기술을 늘어놓은 이력서는 이 기준에서 확인할 것이 적습니다. 프로젝트마다 갈림길 하나를 골라 어떤 선택지가 있었고 왜 그것을 골랐는지를 한 문장씩 붙여 두면 서류와 인터뷰가 같은 이야기를 하게 됩니다.
병역지정업체
미리디는 병역지정업체이고 "요건을 갖춘 경우 병무청에 편입 신청이 진행됩니다"라고 밝혔습니다. 다만 "TO 제한으로 인해 모든 지원자에게 편입을 보장해드리는 것은 어렵습니다"라는 단서가 붙습니다. 산업기능요원과 전문연구요원은 모두 "전직 요건을 갖추면 누구나 전직 지원이 가능"합니다.
이렇게 볼 수 있어요
편입 자리가 정해져 있으므로 일반 공고에 지원하면서 편입을 기대하기보다 미리 확인하는 편이 안전합니다. 실제로 일부 공고는 제목에 산업기능요원과 전문연구요원 여부를 따로 밝혀 두었습니다.
이 공고만 다른 점
서류 전형과 1차 인터뷰, 처우 협의로 진행되고 "직무/직급에 따라 2차 인터뷰가 추가될 수 있습니다"라고 적었습니다.
기본 단계가 짧습니다. 1차에서 기술 검증이 끝날 수 있으므로 최적화 사례 하나를 수치까지 포함해 설명할 수 있게 미리 정리합니다.
지원 전 준비할 것
- 1
최적화 전후 수치 한 쌍 만들기
공고는 3개월 뒤의 모습으로 "latency와 GPU 비용 개선 수치를 확인합니다"를 들었습니다. 담당했던 모델의 p99 지연과 비용이 어떤 조치로 얼마가 됐는지 한 쌍으로 정리합니다.
- 2
쓴 서빙 프레임워크 분명히 적기
자격 요건이 프레임워크 넷 가운데 하나를 요구합니다. 무엇을 왜 골랐는지와 다른 선택지를 검토했는지까지 밝히면 요건 확인과 판단 경험이 한 번에 보입니다.
- 3
프로파일링으로 병목을 찾은 과정 정리하기
회사가 추측보다 측정을 선호한다고 밝혔습니다. 어떤 도구로 무엇을 재서 어디가 병목이라고 결론 냈는지를 순서대로 써 두면 면접에서 그대로 쓸 수 있습니다.
- 4
장애를 다룬 방식 준비하기
공고에 "장애를 개인의 실수가 아니라 시스템의 개선점으로 다루는 분"이 적혀 있습니다. 겪은 장애 하나를 고르고 사후에 어떤 알림이나 절차를 추가했는지 씁니다.