이 자리가 왜 생겼을까요
AX사업본부 공고에 따르면 AXOps팀은 망분리 환경 때문에 AI를 쓸 수 없던 금융·공공·국방·제조 고객을 위해 폐쇄망 AI 에이전트 AX Fortress를 만들었고, 본부는 교육 고객을 AX Fortress 도입으로 넓히는 일을 핵심 과제로 꼽았습니다. 이 공고는 외부 API 한 줄 호출할 수 없는 환경에서 팀이 직접 학습하고 서빙하는 모델을 그 솔루션의 '심장'이라고 부르고, 학습부터 서빙·현장 적용까지를 한 사람에게 맡깁니다. 연구 실적만큼 폐쇄망 배포와 고객 현장 경험이 함께 쓰이는 자리라서, 모델을 실제 사용자 환경에 올려 본 경험이 있다면 학습 경험과 같은 무게로 이력서에 드러내는 게 좋습니다.
팀스파르타가 지금 어떤 사업에 집중하고 있는지는 팀스파르타 채용 분석에서 이어서 볼 수 있습니다.
1하게 될 업무
인터넷이 끊긴 환경에서 동작하는 자체 파운데이션 모델의 학습을 전담하고, 사전학습(pre-training)·지속사전학습(CPT)부터 사후학습(SFT·DPO·RLVR)까지 전체 파이프라인을 직접 설계하고 돌립니다.
이렇게 볼 수 있어요
AXOps팀이 만든 폐쇄망 AI 에이전트 AX Fortress는 외부 모델을 부를 수 없는 고객을 위한 제품이라, 이 공고가 만드는 모델이 제품의 중심이 됩니다. 사전학습과 사후학습 가운데 직접 돌려 본 단계를 나눠 적고, 각 단계에서 데이터 규모와 GPU 구성을 어떻게 잡았는지 밝혀 두면 '전담'이라는 범위를 맡을 수 있는지가 드러납니다.
코딩·개발 도메인에 특화된 데이터 파이프라인을 구축하고, 정형·비정형 데이터의 수집·분류·정제·토큰화·적재 흐름을 설계하며 데이터 품질을 관리합니다.
이렇게 볼 수 있어요
모델의 용도가 현장 개발자 옆에서 코드를 쓰는 에이전트이므로 데이터도 코드와 개발 문서 중심입니다. 코드 데이터를 정제하며 중복 제거나 라이선스 필터 같은 기준을 세워 본 경험이 있다면 그 기준이 모델 성능에 어떤 차이를 냈는지까지 연결해 적을 수 있습니다.
학습한 모델을 폐쇄망·온프레미스 환경에 직접 서빙하고, vLLM 등 추론 스택에 자체 모델을 통합하며, 양자화·커스텀 커널·서빙 최적화로 저비용 하드웨어에서 실사용 가능한 속도를 만듭니다.
이렇게 볼 수 있어요
고객 현장의 하드웨어가 고사양 GPU 클러스터가 아니라는 전제가 '저비용 하드웨어'라는 표현에 들어 있습니다. 제한된 GPU에서 지연 시간이나 처리량을 맞추려고 양자화 방식을 골라 본 경험이 있다면 정확도 손실과 속도 향상을 함께 숫자로 보여 주는 것이 이 업무와 가장 가깝습니다.
코드 벤치마크와 자체 평가 harness로 모델을 측정하고 결과를 다음 학습 사이클에 반영하며, 공식 리더보드 같은 외부 검증에도 도전합니다.
이렇게 볼 수 있어요
평가가 학습의 끝이 아니라 다음 사이클의 입력으로 적혀 있습니다. 평가 결과를 보고 데이터 구성이나 학습 설정을 바꾼 뒤 점수가 어떻게 움직였는지를 한 사이클로 설명할 수 있으면 이 업무에 대한 답이 됩니다.
국방·공공·금융·의료 현장의 실제 개발 업무에 모델을 적용해 고객 문제를 정의하고 해결하며, 현장 피드백을 모델 개선으로 연결하는 사이클을 주도합니다.
이렇게 볼 수 있어요
공고는 성장 항목에서도 'R&D를 넘어 직접 고객 접점에서 문제를 정의하고 해결하는 사이클'을 꼽았습니다. 연구 조직에 있었더라도 실제 사용자 요구를 받아 모델이나 데이터를 고쳐 본 경험이 있다면, 누구의 어떤 피드백이었는지를 구체적으로 남겨 두는 게 좋습니다.
에어갭 배포를 전제로 모델을 경량화·패키징(Docker 등)하고 재현 가능한 운영 체계를 만듭니다.
이렇게 볼 수 있어요
에어갭 환경에서는 설치 중에 외부 저장소에서 패키지를 받을 수 없으므로 모델과 의존성을 한 번에 들고 들어가야 합니다. 인터넷 없는 서버에 배포해 본 경험이 있다면 의존성을 어떻게 묶었고 버전을 어떻게 고정했는지가 '재현 가능한 운영'의 구체적인 내용입니다.
2자격 요건
LLM·딥러닝 모델 학습 실무 경험이 필요하며, pre-training 또는 post-training(SFT/RLHF/DPO 등) 파이프라인을 직접 돌려 본 사람을 찾습니다.
이렇게 볼 수 있어요
요건은 두 학습 가운데 하나를 묻지만 업무는 둘 다를 전담합니다. 직접 돌려 본 쪽은 데이터 규모와 결과를 자세히 적고, 해 보지 않은 쪽은 논문이나 개인 실험으로 어디까지 다뤄 봤는지를 함께 적어 두면 업무 범위 전체에 대한 준비가 드러납니다.
PyTorch 기반 학습 코드를 읽고 고치고 확장할 수 있어야 합니다.
이렇게 볼 수 있어요
프레임워크를 쓰는 수준이 아니라 학습 코드를 직접 고치는 수준을 요구합니다. 오픈소스 학습 코드에 손실 함수나 데이터 로더를 바꿔 넣은 사례처럼 무엇을 왜 고쳤는지 말할 수 있는 경험을 하나 골라 두면 좋습니다.
transformers와 분산 학습(DeepSpeed·FSDP 등), GPU 자원 운영 경험이 필요합니다.
이렇게 볼 수 있어요
공고는 연구·개발 환경의 물적 지원으로 GPU 등 인프라를 약속했고, 자격 요건에 GPU 자원 운영 경험이 함께 있습니다. 분산 학습을 돌리며 메모리나 통신 병목을 풀어 본 경험이 있다면 GPU 수와 모델 크기를 함께 적어야 다룬 규모를 알 수 있습니다.
LLM 추론 서빙(vLLM·TGI·TensorRT-LLM 등)과 양자화를 실무 수준으로 이해하고 있어야 합니다.
이렇게 볼 수 있어요
업무의 세 번째 항목인 폐쇄망 서빙과 바로 이어지는 요건입니다. 서빙 스택을 하나 골라 운영해 본 경험이 있다면 왜 그 스택을 골랐는지와 양자화 뒤 품질을 어떻게 확인했는지를 함께 정리해 둘 만합니다.
Linux·Docker·GPU 환경에서 문제를 끝까지 파고들어 해결할 수 있어야 합니다.
이렇게 볼 수 있어요
에어갭 배포에서는 드라이버 버전이나 CUDA 호환 문제를 인터넷 검색 없이 현장에서 풀어야 하는 순간이 생깁니다. 환경 문제로 학습이나 서빙이 멈췄을 때 원인을 찾아 해결한 과정을 하나 준비해 두면 이 요건을 보여 줄 수 있습니다.
3우대 사항
정밀 양자화(FP8/FP4/NVFP4), 커스텀 커널, 서빙 스택 포팅 경험이 있으면 우대합니다.
이렇게 볼 수 있어요
업무가 '저비용 하드웨어에서 실사용 가능한 속도'를 목표로 두었으므로 낮은 정밀도로 내리면서 품질을 지킨 경험이 그 목표에 직접 쓰입니다. 포팅 경험은 원래 스택과 옮긴 스택, 바뀐 성능을 나란히 적으면 됩니다.
온프레미스·폐쇄망·엔터프라이즈 반입 환경에 배포해 본 경험이 있으면 우대합니다.
이렇게 볼 수 있어요
회사의 폐쇄망 고객은 금융·공공·국방·제조라고 AX사업본부 공고가 소개했습니다. 이런 고객사에 반입 심사나 보안 점검을 거쳐 배포해 본 경험이 있다면 그 절차에서 무엇을 준비했는지가 이 팀의 실제 배포 과정과 이어집니다.
SWE-bench류나 자체 코드 벤치마크 harness를 구축해 본 경험이 있으면 우대합니다.
이렇게 볼 수 있어요
모델의 목표가 실제 개발 업무를 끝까지 해내는 에이전트이고 우대 사항도 SWE-bench류를 들었습니다. 평가 harness를 만들어 봤다면 어떤 과제를 넣었고 채점을 어떻게 자동화했는지 설명할 수 있어야 합니다.
HuggingFace 오픈웨이트 공개, Transformers PR, 리더보드 등재 이력이 있거나, HuggingFace 모델·데이터셋 다운로드 실적(월 다운로드 수 등)이나 커뮤니티 채택 사례가 있으면 우대합니다.
이렇게 볼 수 있어요
업무에 '공식 리더보드 같은 외부 검증에도 도전'한다고 적었으므로 외부에 공개해 검증받은 이력은 이 업무를 이미 해 본 기록이 됩니다. 공개 모델이 있다면 링크와 다운로드 수를 이력서에 함께 남겨 두는 게 좋습니다.
강화학습 기반 post-training(RLVR/GRPO 등) 실험 경험이 있으면 우대합니다.
이렇게 볼 수 있어요
업무의 사후학습 목록에도 RLVR이 들어 있습니다. 검증 가능한 보상(테스트 통과 여부 등)을 설계해 코드 모델을 학습해 본 경험이 있다면 보상 설계와 결과를 한 쌍으로 적어 둘 수 있습니다.
ACL·ICLR·NeurIPS·EMNLP 등 top-tier 학회 논문으로 파운데이션·LLM 연구 역량을 입증할 수 있거나, vLLM·veRL·transformers 등 주요 LLM 오픈소스에 기여했거나 5k+ stars 오픈소스를 배포·유지해 본 경험이 있으면 우대합니다.
이렇게 볼 수 있어요
예로 든 오픈소스 셋은 모두 이 공고 업무의 도구입니다. vLLM은 업무에 적힌 대로 자체 모델을 통합할 추론 스택이고 transformers는 자격 요건의 학습 스택입니다. veRL은 사후학습 목록의 RLVR 같은 강화학습 post-training에 쓰는 프레임워크입니다. 학회 논문이든 오픈소스 기여든 학습·서빙·평가 가운데 어느 업무와 이어지는지 한 줄씩 붙이면 연결이 분명해집니다.
4기타 사항
- 게시일 : 2026년 9월 8일
- 고용형태 : 정규직(수습 3개월)
- 근무지 : 서울특별시 강남구 테헤란로 311 아남타워 3-4F
- 경력 조건 : 경력 3~7년
- 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.
쓰는 기술
공고 본문에 적힌 기술만 모은 목록입니다.
- PyTorch
- transformers
- DeepSpeed
- FSDP
- vLLM
- TGI
- TensorRT-LLM
- Docker
- Linux
전형과 지원
분석 시점(2026년 10월 27일) 채용 사이트의 정규직 공고 23건 가운데 15건이 서류 전형, 화상 인터뷰, 동료 인터뷰, 리더 인터뷰, 최종 합격 순서를 적었습니다. 화상 인터뷰 없이 서류 뒤 바로 동료 인터뷰로 가는 공고가 6건이었고, 게임 기획 공고는 서류 뒤에 과제 전형을, AI-Native Product Owner 공고는 동료 인터뷰 없이 화상 인터뷰 뒤 리더 인터뷰를 두었습니다.
인터뷰 세 단계
채용 문답 글은 화상 인터뷰가 약 20~30분 동안 이력서를 기반으로 업무 역량을 이야기하는 자리이고, 동료 인터뷰부터는 대면으로 팀장·파트장, 팀 동료, 타 팀 협업 관계자를 만나 경험과 직무 역량, 일을 대하는 태도를 더 깊이 이야기한다고 설명했습니다. 마지막 리더 인터뷰는 공동 창업자와 팀장 등 리더가 경험과 앞으로의 계획, 일에 대한 가치관을 묻는 자리라고 적었습니다.
이렇게 볼 수 있어요
동료·리더 인터뷰가 모두 대면이고 두 번 모두 컬처핏을 함께 본다고 밝혔습니다(AI-Native Product Owner 공고는 동료 인터뷰 없이 리더 인터뷰로 갑니다). 동료 인터뷰에는 다른 팀 사람도 들어오므로 협업 사례를, 리더 인터뷰에는 앞으로의 계획을 따로 준비해 두면 같은 이야기를 두 번 하지 않게 됩니다.
단계마다 보는 것
채용 문답 글은 서류에서 이력서의 역량이 공고의 '이런 분을 찾고 있어요'와 일치하는지를, 과제에서 문제를 정확하게 정의하는 역량과 논리적 사고를 확인한다고 적었습니다. 인터뷰에는 세 핵심가치(빠르게 · 와우하게 · 진정성있게)대로 일한 경험을 묻는 질문을 꼭 넣는 편이라고 밝혔습니다.
이렇게 볼 수 있어요
서류 검토 기준이 공고의 자격 요건 절과 직접 대조하는 방식이라, 자격 요건 항목마다 이력서의 어느 경험과 이어지는지 한 번씩 확인하고 내는 게 좋습니다. 디자인 직무 과제에서는 정렬과 여백 같은 디테일을 매우 중요하게 본다고도 적었습니다.
제출 서류와 포트폴리오
합류 여정 페이지 FAQ는 서류 양식이 자유이고 모든 서류를 PDF로 내 달라고 안내합니다. 공고들은 서류에서 연봉 관련 정보를 빼 달라고 적었고, 분석 시점 정규직 공고 23건 가운데 9건이 포트폴리오를 필수로 적었습니다(디자인·게임·마케팅·커리큘럼 기획·PO 등).
이렇게 볼 수 있어요
지원하는 공고의 제출 서류 줄에서 포트폴리오가 필수인지 선택인지 먼저 확인해야 합니다. 웹 링크는 이력서나 포트폴리오 파일 안에 넣어 내라고 안내하므로, 노션 같은 링크를 쓴다면 공유 권한까지 확인해 두라는 채용 문답 글의 당부도 함께 챙길 만합니다.
결과 안내와 재지원·중복 지원
FAQ는 서류 결과를 영업일 기준 7일 이내, 인터뷰 결과를 평균 1~3일 안에 합격·불합격 모두 안내한다고 답합니다. 다른 포지션에는 기한과 상관없이 다시 지원할 수 있고, 같은 포지션은 재지원 불가 기간을 정하지 않았지만 6개월 정도 뒤 재지원을 권장하며, 여러 포지션에 동시에 지원할 수 있다고 적었습니다.
이렇게 볼 수 있어요
동시에 지원해도 포지션마다 평가자와 기준이 달라 전형은 따로 진행됩니다. 채용 문답 글은 지나치게 많은 포지션에 지원하면 직무에 대한 진정성이 부족해 보일 수 있다고 적었으므로, 비슷한 공고가 여럿이면 업무 절을 비교해 내 경험과 가장 맞는 공고에 집중하는 쪽이 낫습니다.
수습과 병역특례
분석 시점 정규직 공고는 모두 3개월 수습기간이 있고 수습기간에도 급여를 100% 지급한다고 적었습니다. FAQ는 개발 직군에 한해 산업기능요원(보충역) 채용이 가능하고 이 경우 별도 채용 공고를 올리며, 전문연구요원은 불가하다고 답합니다.
이렇게 볼 수 있어요
병역특례로 지원하려면 일반 공고가 아니라 산업기능요원 별도 공고를 찾아야 합니다. 개발 외 직군은 병역특례 대상이 아니라고 FAQ가 밝혔습니다.
이 공고만 다른 점
이 공고는 화상 인터뷰 없이 서류 전형 뒤 바로 동료 인터뷰(40분)와 리더 인터뷰(40분)로 갑니다.
첫 인터뷰부터 대면으로 함께 일할 엔지니어와 협업 조직 사람을 만납니다. 포트폴리오가 선택이므로 학습·서빙 결과물은 이력서 안에 링크와 수치로 넣어 두어야 동료 인터뷰에서 바로 이야기가 시작됩니다.
지원 전 준비할 것
- 1
학습 파이프라인 한 사이클
직접 돌린 사전학습이나 사후학습 하나를 골라 데이터 규모, GPU 구성, 평가 결과와 다음에 바꾼 점까지 정리합니다.
- 2
제한된 하드웨어 서빙
양자화나 서빙 최적화로 속도와 품질을 맞춘 사례를 정확도·지연 시간 숫자와 함께 적어 둡니다.
- 3
외부 공개 이력
HuggingFace 공개 모델, 오픈소스 기여, 논문, 리더보드 기록이 있다면 이력서에 링크와 숫자로 남깁니다.