[리벨리온] NPU Software Engineer - Runtime 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• compiler와 driver 구성 요소와 연결되는 RBLN runtime 모듈(graph executor, runtime API 포함)을 설계하고 구현해 RBLN SDK로 ML 모델을 배포할 수 있게 합니다.

  이렇게 볼 수 있어요

  runtime은 compiler와 driver 사이에 놓입니다. 같은 회사 NPU Software Engineer - Compiler 공고와 NPU Kernel Driver Engineer 공고가 각각 양쪽을 맡고, 이 공고는 그 사이의 graph executor와 runtime API를 맡습니다. GPU용 실행 엔진이나 runtime API를 만들어 본 경험이 이 구조와 가장 가깝습니다.

• runtime 안에서 native PyTorch 실행 지원을 설계하고 유지하며, torch.compile 연동과 RBLN compiler toolchain을 통해 사용자 코드 변경을 최소화한 NPU 가속을 가능하게 합니다.

  이렇게 볼 수 있어요

  목표가 사용자 코드 변경을 최소화하는 것으로 적혀 있습니다. torch.compile backend를 붙이거나 PyTorch에 새 장치를 연결해 본 경험이 있다면 사용자가 코드를 몇 줄 바꿔야 했는지와 함께 설명할 수 있습니다.

• 실행 가능한 성능 인사이트를 주는 사용자용 profiler를 설계하고 구현해 RBLN SDK의 일부로 제공합니다.

  이렇게 볼 수 있어요

  내부 도구가 아니라 SDK 사용자가 직접 쓰는 profiler입니다. 성능 데이터를 사용자가 이해하는 지표로 바꿔 보여 주는 도구를 만든 경험이 있다면 무엇을 보여 주고 무엇을 감췄는지가 이 업무의 설계 판단과 같습니다.

• vLLM을 개발하고 확장해 NPU에서 추론 성능을 높이고, advanced memory management, parallelism, dynamic batching 같은 핵심 vLLM 기능을 지원합니다.

  이렇게 볼 수 있어요

  vLLM을 쓰는 데서 나아가 NPU에서 vLLM의 핵심 기능이 동작하게 만드는 일입니다. vLLM의 하드웨어 backend나 메모리 관리 부분을 고쳐 본 경험이 있다면 어떤 기능을 새 하드웨어에서 동작하게 했는지 구체적으로 적을 수 있습니다.

• collective communication operations(CCL)를 포함해 multi-NPU 환경의 분산 추론을 설계하고 최적화해 여러 parallelism 전략을 지원합니다.

  이렇게 볼 수 있어요

  같은 회사 Collective Communication Library Engineer 공고는 NPU에 맞춘 collective communication library를 새로 만드는 일을 업무로 적었고, 이 업무는 CCL 연산을 parallelism 전략에 맞춰 분산 추론에 쓰는 쪽입니다. tensor parallelism 같은 방식으로 모델을 여러 GPU에 나눠 서빙해 본 경험은 장치만 다를 뿐 같은 문제를 다룹니다.

• benchmarking과 profiling으로 runtime 시스템 성능을 평가하고 전체 시스템 효율을 높이는 최적화를 구현합니다.

  이렇게 볼 수 있어요

  측정에서 끝나지 않고 최적화 구현까지 맡습니다. 측정으로 찾은 병목을 직접 고쳐 본 사례는 고치기 전후의 처리량과 함께 적어 두면 좋습니다.

• ML 엔지니어, 인프라 팀과 협업해 추론 서비스를 배포하고 확장합니다.

  이렇게 볼 수 있어요

  회사는 2026년 9월 리벨리온 NPU가 SK텔레콤의 상용 AI 서비스 4개에 적용됐다고 밝혔습니다. 서비스 운영 팀과 함께 추론 서비스를 배포하고 트래픽에 맞춰 늘려 본 경험이 이 협업과 이어집니다.

2자격 요건

• production 환경에서 ML 프레임워크, inference runtime, AI accelerator toolchain을 상당 부분 다룬 소프트웨어 엔지니어링 경력이 5년 넘게 필요합니다.

  이렇게 볼 수 있어요

  연차는 소프트웨어 엔지니어링 경력 전체로 적혀 있고, 그 안에서 production 환경의 ML 프레임워크·inference runtime·toolchain 작업을 요구합니다. 서빙 플랫폼이나 학습 프레임워크 쪽에서 일해 왔다면 그 기간도 함께 적고, 실제 서비스에 배포된 runtime이나 toolchain을 맡은 프로젝트를 자세히 밝힐 수 있습니다.

• Computer Science, Electrical Engineering 또는 관련 분야 학사 이상 학위가 필요합니다.

  이렇게 볼 수 있어요

  같은 NPU Software 계열의 Compiler 공고는 석사 이상을 요구했고, 이 공고는 학사 이상입니다.

• C++와 Python에 능숙해야 합니다.

  이렇게 볼 수 있어요

  업무에 graph executor 같은 runtime 본체와 Python으로 쓰인 vLLM, PyTorch 연동이 함께 있습니다. 두 언어 사이의 바인딩을 만들어 본 경험은 이 두 영역을 잇는 일에 바로 쓰입니다.

• Transformer 기반 모델, 생성형 AI, 추론 최적화 기법을 포함한 딥러닝 기초와 LLM 아키텍처를 잘 이해하고, tensor parallelism, KV cache 최적화, memory-efficient execution 같은 모델 최적화 기법을 이해해야 합니다.

  이렇게 볼 수 있어요

  업무의 vLLM memory management와 multi-NPU 분산 추론이 이 기법들을 실제로 구현하는 일입니다. KV cache 관리나 tensor parallelism을 직접 구현하거나 튜닝했다면 메모리 사용량과 처리량이 어떻게 바뀌었는지를 수치로 밝힐 수 있습니다.

• vLLM, TensorRT-LLM 같은 LLM serving framework를 직접 다뤄 본 경험이 필요합니다.

  이렇게 볼 수 있어요

  업무가 vLLM을 NPU에 맞게 확장하는 일이라, 서빙 프레임워크를 운영해 본 경험과 함께 scheduler나 batching 동작을 들여다본 경험이 이 업무와 가장 가깝습니다.

• compiler, runtime, driver, firmware 같은 시스템 소프트웨어 구성 요소와, GPU·NPU·TPU 같은 하드웨어 가속과 효율적인 메모리 관리 기법에 익숙해야 합니다.

  이렇게 볼 수 있어요

  직접 만들지 않았더라도 driver나 compiler 팀과 인터페이스를 맞춰 본 경험은 이 포지션이 놓인 compiler와 system driver의 경계에서 일한 이력이 됩니다.

• 높은 처리량의 추론 환경에서 디버깅하고 성능을 profiling하는 역량이 필요합니다.

  이렇게 볼 수 있어요

  업무의 사용자용 profiler와 benchmarking이 같은 역량을 씁니다. 추론 서버에서 병목을 찾아 고쳐 본 사례가 있다면 그때 어떤 지표를 봤는지가 profiler 설계에 필요한 감각을 보여 줍니다.

• compiler, driver, ML engineering 팀을 넘나들며 효과적으로 일할 수 있고, 글과 말로 하는 커뮤니케이션 역량('Excellent written and verbal communication skills')이 필요합니다.

  이렇게 볼 수 있어요

  영어로 쓰인 공고이고 서면 커뮤니케이션까지 적혀 있습니다. 설계 문서나 API 문서를 써서 다른 팀과 합의를 이끌어 낸 경험이 있다면 문서 종류와 함께 적어 두는 게 좋습니다.

3우대 사항

• AI accelerator runtime과 driver API(예: GPU)를 실무에서 다뤄 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  NPU가 아니어도 GPU의 runtime·driver API를 다뤄 본 실무가 우대 예로 적혀 있습니다. GPU 메모리 할당이나 stream API 위에서 만든 실행 엔진은 RBLN runtime의 graph executor와 하는 일이 비슷해 이어 설명하기 쉬운 경험입니다.

• PyTorch, vLLM, SGLang, TensorRT, TensorRT-LLM 같은 ML 프레임워크와 serving system에 직접 기여했거나 production에서 다뤄 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무가 vLLM 확장과 PyTorch 연동이라 이 프로젝트들에 직접 기여한 코드는 입사 뒤 하게 될 일과 같은 종류입니다. 기여 이력이 있다면 PR 링크와 바꾼 기능을 함께 적어 두는 게 좋습니다.

• torch.compile과 graph optimization에 대한 이해를 우대합니다.

  이렇게 볼 수 있어요

  업무의 torch.compile 연동과 graph executor 설계는 이 이해를 바탕으로 합니다. graph break를 줄이거나 연산 fusion을 적용해 본 경험이 있다면 대상 모델과 개선 폭을 함께 적을 수 있습니다.

• 운영체제, 자원 관리, 고성능 컴퓨팅 개념에 대한 깊은 이해를 우대합니다.

  이렇게 볼 수 있어요

  multi-NPU 분산 추론과 memory management가 업무에 있습니다. 여러 프로세스나 장치가 자원을 나눠 쓰는 시스템을 설계해 본 경험이 이 우대와 업무를 함께 설명합니다.

• 고성능 시스템 개발을 위한 modern C++ 숙련도와, multithreading과 parallel programming 경험을 우대합니다.

  이렇게 볼 수 있어요

  graph executor는 여러 NPU에 명령을 내려보내고 완료를 기다리는 동안 다음 작업을 준비해야 장치가 쉬지 않습니다. 그래서 runtime 본체의 C++ 코드에서는 multithreading과 비동기 처리가 성능을 좌우합니다. vLLM처럼 Python으로 쓰인 상위 계층과 함께 돌 때는 무거운 경로를 C++ 스레드로 내려 GIL을 피하는 설계가 자주 쓰입니다. lock 경합이나 스레드 구조를 고쳐 처리량을 올린 경험이 이 우대를 실제 업무로 보여 줍니다.

• 분산 환경에 LLM을 배포해 본 경험을 우대합니다.

  이렇게 볼 수 있어요

  이 우대는 업무의 multi-NPU 분산 추론과 추론 서비스 배포 협업으로 바로 이어집니다. 여러 장치에 나눠 배포한 모델의 크기와 장치 수, 그때 맞닥뜨린 병목을 함께 밝힐 수 있습니다.

4기타 사항

• 게시일 : 2026년 3월 18일
• 고용형태 : 해당 내용은 원본 공고에서 확인되지 않습니다.
• 근무지 : 경기도 성남시 분당구 정자일로156번길 6
• 경력 조건 : 경력 5년 이상
• 학력 조건 : Bachelor's degree or higher in Computer Science, Electrical Engineering, or a related field

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• C++
• Python
• PyTorch
• torch.compile
• vLLM
• SGLang
• TensorRT
• TensorRT-LLM
• RBLN SDK

전형과 지원

분석 시점 공고 42건 가운데 27건이 같은 여섯 단계를 적었습니다. Software와 System Software 공고는 전부 과제나 코딩테스트를 더했고, System Software 공고 9건 가운데 8건은 평판 조회도 거칩니다. 지원할 공고의 전형절차를 본문에서 따로 확인하는 편이 안전합니다.

지원 전 준비할 것

1. 1

   vLLM·PyTorch 연동 경험 정리

   업무에 vLLM 확장과 torch.compile 연동이 함께 있습니다. 두 프로젝트에서 직접 고친 코드나 붙인 backend를 기능 단위로 정리해 두세요.

2. 2

   On-site 과제 대비

   과제 내용은 공고에 적혀 있지 않습니다. C++와 Python으로 추론 경로의 병목을 측정하고 고치는 연습을 해 두면 과제를 받았을 때 바로 손을 댈 수 있습니다.

3. 3

   분산 추론 수치 준비

   multi-NPU 분산 추론과 benchmarking이 업무에 있습니다. 분산 배포해 본 모델의 장치 수, 처리량, 지연을 표로 정리해 두세요.