[넥스트증권] AI Engineer 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• 상용·오픈웨이트 영상 생성 모델(Veo, Kling, Seedance, Hailuo 등)을 품질·비용·지연 기준으로 비교해 콘텐츠 유형별 모델·파라미터 조합을 설계합니다.

  이렇게 볼 수 있어요

  영상 생성 API는 생성한 영상 길이나 건수에 따라 과금되고 한 편을 받는 데 수십 초에서 몇 분이 걸려, 비슷한 화질이라도 모델마다 비용과 대기 시간이 크게 다릅니다. 콘텐츠 플랫폼실 표종훈 님은 채용 사이트 인터뷰에서 실시간 시장 정보 콘텐츠는 정보가 발생한 시점과 사용자에게 전달되는 시점 사이의 간격이 중요하다고 설명했습니다. 공고가 품질·비용과 함께 지연을 모델 비교 기준으로 적은 것도 그 발언과 이어집니다. 장중 시황처럼 빨리 나가야 하는 콘텐츠와 시간을 들여도 되는 해설 콘텐츠에 다른 모델을 써 본 경험이 있다면 어떤 기준으로 모델을 나눴는지 설명할 수 있어야 합니다.

• 새로 공개되는 모델을 먼저 검증해 교체·추가 여부를 데이터로 판단합니다.

  이렇게 볼 수 있어요

  영상 생성 모델은 몇 달 간격으로 새 버전이 나오고, 같은 회사 모델도 버전마다 움직임 표현과 가격이 바뀝니다. 새 모델이 나올 때마다 같은 프롬프트 세트로 다시 돌려 기존 모델과 점수를 비교하는 고정 벤치마크가 있어야 교체 판단이 빨라지므로, 필수 요건의 '재현 가능한 실험' 경험은 이 업무에 바로 쓰입니다.

• 사람이 눈으로 보던 검수 기준을 지표로 바꾸고, 생성 결과를 자동으로 채점하는 평가 파이프라인을 구축합니다.

  이렇게 볼 수 있어요

  사람의 검수 기준은 화면이 어색한지, 톤이 맞는지처럼 말로만 남아 있는 경우가 많아, 점수로 바꾸려면 기준마다 예시 영상과 합격선을 정하고 사람 판정과 자동 점수가 얼마나 맞는지부터 재야 합니다. 콘텐츠서비스개발팀의 Backend Engineer (AI Content Platform) 공고가 에이전트 워크플로에 '사람 검수 개입 지점'을 만든다고 적어, 자동 채점이 확신하지 못한 영상을 사람에게 넘기는 흐름도 함께 설계하게 될 것으로 보입니다. 자동 점수와 사람 판정의 일치율을 재 본 경험이 이 업무와 가장 가깝습니다.

• VLM 기반 영상 이해로 프롬프트 반영도·장면 일관성·금융 표현 위반을 검증하고, 오탐·미탐 사례를 반복해서 개선합니다.

  이렇게 볼 수 있어요

  금융 콘텐츠의 표현 위반은 수익을 보장하는 듯한 말이나 불확실한 전망을 단정하는 말처럼 자본시장법과 금융소비자보호법이 문제 삼는 유형이 중심이라, 영상 속 자막과 음성까지 함께 검사해야 잡힙니다. 미탐은 위반 콘텐츠가 그대로 발행되는 사고로, 오탐은 사람 검수 물량 증가로 이어져 두 오류의 비용이 다릅니다. 판정 임계값을 어느 쪽으로 옮겼고 그 결과 검수 물량이 어떻게 변했는지를 숫자로 설명할 수 있는 경험이 이 업무에서 가장 쓸모 있습니다.

• 콘텐츠·컴플라이언스 담당자와 '올바른 금융 콘텐츠' 기준을 정의하고 모델을 정렬합니다.

  이렇게 볼 수 있어요

  프로덕트본부 인터뷰에서 콘텐츠플랫폼팀 PM은 종목 추천보다 시장 상황에 대한 해석과 이해를 돕는 방향에 집중한다고 밝혔습니다. 그래서 이 기준에는 금지 표현 목록뿐 아니라 특정 종목 매수를 권하는 것처럼 보이는 연출을 어디까지 허용할지 같은 경계 사례도 함께 다룰 가능성이 큽니다. 개발자가 아닌 부서의 판단을 라벨 가이드나 평가셋으로 옮겨 본 경험이 있다면 이 기준을 만드는 일에 그대로 쓰입니다.

• 금융 콘텐츠 과제에 맞춘 파인튜닝·경량화와 추론 최적화를 AWS Bedrock 등 하이브리드 환경에서 수행합니다.

  이렇게 볼 수 있어요

  AWS Bedrock은 기반 모델을 관리형 API로 쓰는 서비스이고, Wan·HunyuanVideo처럼 Bedrock에 없는 오픈웨이트 영상 모델은 자체 GPU에서 돌려야 하므로, '하이브리드'는 두 방식을 함께 운영한다는 말로 볼 수 있습니다. 우대 사항에 vLLM·TensorRT-LLM 서빙과 GPU 비용 절감이 있는 것도 자체 서빙 쪽 일과 이어집니다. 관리형 API와 자체 서빙 가운데 어느 쪽을 언제 골랐는지 비용 근거와 함께 말할 수 있으면 좋습니다.

• 생성·검수 모델을 콘텐츠 플랫폼에 탑재하고 실서비스에서 품질·비용·처리 속도의 균형을 관리합니다.

  이렇게 볼 수 있어요

  직무 Summary는 모델을 쓰는 데 그치지 않고 수만 건 단위로 돌아가는 시스템으로 만드는 엔지니어링을 함께 담당한다고 적었습니다. 이 규모에서는 외부 API의 실패와 재시도가 매일 생기므로, 필수 요건의 실패·재시도·멱등성·비용 상한 통제가 이 운영 업무의 바탕이 됩니다. 하루 처리량과 건당 비용을 어떤 수준에서 관리했는지 숫자가 있으면 그 숫자가 운영해 본 규모를 그대로 보여 줍니다.

2자격 요건

• 5년 이상 12년 이하의 관련 분야 경력이 있거나, 그에 준하는 실력을 프로젝트로 입증할 수 있어야 합니다.

  이렇게 볼 수 있어요

  Text-to-Video 모델이 상용 서비스로 널리 쓰이기 시작한 것은 2024년 무렵이라, 5년 경력의 대부분은 다른 모델이나 시스템을 다룬 기간일 수 있습니다. 공고가 '프로젝트로 입증'을 함께 적은 만큼, 추천·검색·이미지 생성처럼 다른 모델을 서비스로 운영한 경력과 최근의 영상 생성 프로젝트를 이어서 보여 주면 이 요건과 업무가 함께 드러납니다.

• 모델을 호출해 보는 수준을 넘어, 생성·평가 파이프라인을 코드로 설계하고 운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  이 요건은 프롬프트를 바꿔 가며 결과를 눈으로 고르는 작업과, 생성 요청·결과 저장·채점·재생성 조건을 코드로 묶어 자동으로 돌리는 작업을 구분합니다. 업무에 적힌 수만 건 단위에서는 사람이 결과를 하나씩 볼 수 없으므로, 파이프라인에서 어느 단계가 자동이고 어느 단계에서 사람이 개입했는지를 구조로 보여 줄 수 있어야 합니다.

• AI 영상 생성 모델의 동작 원리와 한계(Text-to-Video, Image-to-Video, 모션·일관성 제어 등)를 깊이 이해해야 합니다.

  이렇게 볼 수 있어요

  금융 콘텐츠 영상에는 차트, 숫자, 종목명 같은 글자가 자주 나오는데, 영상 생성 모델은 화면 속 글자와 숫자를 정확하게 그리지 못하는 한계가 알려져 있습니다. 그런 요소를 생성 대신 후처리 합성으로 돌리거나 Image-to-Video로 첫 장면을 고정해 일관성을 잡은 경험처럼, 한계를 알고 우회한 사례가 이 요건을 구체적으로 보여 줍니다.

• 모델 비교·선정을 재현 가능한 실험으로 설계하고, 품질을 측정 가능한 지표로 검증해 봤어야 합니다.

  이렇게 볼 수 있어요

  영상 생성은 같은 프롬프트도 시드에 따라 결과가 달라, 모델마다 한두 번 돌려 본 비교로는 차이가 우연인지 알 수 없습니다. 고정한 프롬프트 세트, 반복 횟수, 채점 방식을 문서로 남겨 다른 사람이 같은 결론을 다시 낼 수 있게 한 경험을 '재현 가능한 실험'의 예로 들 수 있습니다.

• AI 영상 생성 도구로 실제 콘텐츠를 제작해 보고, 그 과정을 파이프라인으로 자동화해 봤어야 합니다.

  이렇게 볼 수 있어요

  직접 제작해 본 사람이 아는 반복 작업, 예를 들어 장면별 재생성, 자막 위치 조정, 음성과 길이 맞추기가 자동화 대상이 됩니다. 콘텐츠서비스개발팀의 백엔드·풀스택 공고들은 같은 경험을 우대 사항으로 두었는데 이 공고는 필수로 요구하므로, 만든 콘텐츠와 자동화한 단계를 함께 보여 줄 결과물 링크는 선택 제출 항목으로 내기 좋습니다.

• 외부 생성 API의 실패·재시도·멱등성·비용 상한을 코드로 통제해 봤어야 합니다.

  이렇게 볼 수 있어요

  영상 생성 API는 요청 한 번의 비용이 크고 결과를 나중에 받는 비동기 방식이 많아, 응답 시간 초과 뒤 같은 요청을 다시 보내면 비용이 두 번 나갈 수 있습니다. 요청 키로 중복 생성을 막거나 하루 비용 상한을 넘으면 작업을 멈추게 한 구현이 대표적인 예입니다.

• AWS에서 컨테이너 기반 서비스를 직접 배포·운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  넥스트증권 DevOps Engineer 공고는 시스템 경계(채널계·계정계·대외계)별로 분리된 다중 EKS 클러스터를 운영한다고 적어, 회사의 컨테이너 서비스는 EKS 위에서 돌아갑니다. 증권사에서 채널계는 고객 접점 서비스, 계정계는 원장, 대외계는 외부 기관 연동을 가리킵니다. 업무에 AWS Bedrock이 있어 관리형 모델 호출과 컨테이너로 띄운 자체 모델을 같은 AWS 환경에서 함께 다루게 되므로, GPU 노드에 모델 서버 컨테이너를 올려 본 경험이 있다면 일반 웹 서비스 배포보다 이 업무에 가깝습니다.

• AI 개발 도구(코딩 에이전트 등)로 개발 생산성을 높이고, 생성된 결과물의 정확성·보안·테스트를 직접 검증해 봤어야 합니다.

  이렇게 볼 수 있어요

  분석 시점 넥스트증권 채용 사이트에서 이 요건을 자격 요건으로 적은 곳은 콘텐츠서비스개발팀 공고들뿐이고, AI데이터플랫폼팀과 AI서비스개발팀 공고 일부는 Agentic Engineering 경험을 우대합니다. 이 팀에서는 도구를 썼다는 사실보다 에이전트가 만든 코드에서 보안 문제나 빠진 테스트를 찾아낸 경험이 더 직접적인 이야기가 됩니다.

3우대 사항

• GPU 및 비용 최적화: GPU 환경에서 모델을 학습·서빙하며 자원을 운영한 경험, 인스턴스·스팟 선택·배치·캐싱·저가 모델 라우팅 등으로 GPU·모델 호출 비용을 실제로 줄여 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  저가 모델 라우팅은 쉬운 콘텐츠는 싼 모델로, 어려운 장면만 비싼 모델로 보내는 방식이라, 업무 첫 항목의 콘텐츠 유형별 모델 조합 설계를 비용 쪽에서 푼 것과 같습니다. 줄인 비용을 건당 금액이나 월 비용으로 보여 줄 수 있으면 업무의 품질·비용·처리 속도 균형 관리와 바로 연결됩니다.

• 분산 학습 환경 구성과 GPU 프로파일링·메모리 튜닝 경험, vLLM·TensorRT-LLM 등으로 모델을 서비스에 배포하고 경량화(quantization, distillation)로 처리량을 끌어올린 경험을 우대합니다.

  이렇게 볼 수 있어요

  vLLM과 TensorRT-LLM은 주로 언어 모델 서빙 엔진이라, 이 우대는 영상 생성 모델보다 검수용 VLM이나 대본을 쓰는 언어 모델을 자체 GPU에서 빠르게 돌리는 쪽의 일입니다. 수만 건 검수를 감당하려면 검수 모델의 처리량이 생성 속도를 따라가야 하므로, 양자화 전후의 처리량과 정확도 변화가 이 우대에서 가장 먼저 볼 수치입니다.

• 영상 생성 및 멀티모달: 상용 영상 생성 API나 오픈웨이트 모델(Wan, LTX-2, HunyuanVideo 등)을 프로덕션 파이프라인에서 운영·튜닝한 경험, VLM·VideoLLM을 활용한 영상 이해·캡셔닝·검수 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무에 적힌 Veo·Kling 같은 상용 모델과 달리 Wan, LTX-2, HunyuanVideo는 가중치가 공개된 모델이라 직접 서빙하고 파인튜닝할 수 있습니다. 상용 API와 오픈웨이트를 모두 운영해 봤다면 모델 교체를 판단할 때 비용과 함께 품질 통제권까지 따져 본 경험을 설명할 수 있습니다.

• 이미지·영상 생성 모델 파인튜닝(LoRA/PEFT, ControlNet, 캐릭터·스타일 일관성 확보 등) 경험과 TTS·음성 합성이나 영상·오디오 동기화를 다뤄 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  스마트투데이 보도에 따르면 회사는 MTS가 시장 정보를 숏폼 영상으로 자동 변환해 제공하는 것이 핵심이라고 밝혔고, 딜사이트는 일부 콘텐츠에 크리에이터가 직접 출연하는 방식이라고 전했습니다. 같은 형식의 영상을 계속 내보내려면 화면 스타일과 등장 인물을 일정하게 유지해야 해서, LoRA로 캐릭터나 스타일을 고정해 본 경험이나 TTS 길이에 맞춰 장면을 자른 경험이 이 서비스에 바로 필요합니다.

• 모델 학습 및 평가: LLM이나 대규모 모델을 직접 학습·평가한 경험(fine-tuning, pre-training, RLHF 등 정렬 기법), LLM·멀티모달 평가 체계(benchmark, human evaluation)를 설계하거나 safety/alignment 관점에서 검증한 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무에 적힌 '올바른 금융 콘텐츠' 기준에 모델을 정렬하려면 이 우대의 정렬 기법과 safety 검증이 필요합니다. human evaluation을 설계해 본 경험은 사람 검수 기준을 자동 채점 지표로 바꾸는 업무에서 사람 판정을 정답셋으로 만드는 단계에 쓰입니다.

• 금융·규제 산업 데이터를 다뤄 본 경험, 컨테이너화·배포와 AWS 환경에서 모델 학습·추론을 운영한 경험, 성공 여부와 상관없이 스스로 문제를 정의하고 가설 설정과 검증 과정을 중심으로 다양한 시도를 해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  성공 여부와 상관없이 가설과 검증 과정을 중심으로 본다는 우대는, 회사가 일하는 원칙으로 적은 'Move Fast & Learn Fast'가 실패한 시도는 반드시 공유한다고 밝힌 것과 뜻이 같습니다. 실패한 모델 실험을 어떻게 정리해 공유했고 다음 선택에 어떻게 썼는지는 이 우대를 설명할 때와 핵심가치를 묻는 2차 인터뷰에서 모두 꺼낼 수 있습니다. 금융·규제 데이터 경험은 업무의 금융 표현 위반 검증과 바로 연결됩니다.

4기타 사항

• 게시일 : 2026년 9월 10일
• 고용형태 : 정규직
• 근무지 : 서울특별시 강남구 강남대로 464 비제바노빌딩 3-6층
• 경력 조건 : 경력 5~12년
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Veo
• Kling
• Seedance
• Hailuo
• Wan
• LTX-2
• HunyuanVideo
• AWS
• AWS Bedrock
• vLLM
• TensorRT-LLM

전형과 지원

채용 사이트 How We Hire가 밝힌 기본 절차는 서류 접수, 1차 인터뷰, 2차 인터뷰, 처우 협의, 최종 합격의 다섯 단계입니다. 개발·디자인 공고 상당수는 1차 인터뷰 앞에 AI 스크리닝을 더하므로 공고마다 전형 문단을 확인해야 합니다.

지원 전 준비할 것

1. 1

   임팩트 프로젝트 세 개 고르기

   제출 서류 안내대로 최대 3개 프로젝트를 골라 모델을 다루며 세운 가설, 검증 방법, 막힌 문제와 해결을 프로젝트마다 같은 순서로 정리합니다.

2. 2

   모델 비교표 하나 만들기

   다뤄 본 영상 생성 모델 두세 개를 같은 프롬프트로 돌린 결과를 품질 지표, 비용, 생성 시간으로 정리하면 선택 제출 항목인 모델 선정 근거와 비교 과정 자료로 쓸 수 있습니다.

3. 3

   소속 변경 조건 확인하기

   콘텐츠 관련 자회사 조직으로의 전보나 소속 변경이 검토될 수 있다는 문구가 있으므로, 처우 협의 단계에서 소속이 바뀌는 경우 근로 조건이 어떻게 이어지는지 묻습니다.