Edge AI Engineer

👋 우리 팀을 소개합니다.

우리는 다양한 NPU/GPU/CPU 기반 Edge 디바이스에서 최신 LLM 및 Vision 모델이 안정적으로 작동하도록 모델 변환 → 최적화 → 컴파일 → 디바이스 배포까지 전체 파이프라인을 설계·구현하는 팀입니다.

하드웨어 제조사가 제공하지 않는 부분(Front/Middle-End 최적화, Graph Surgery, 연산자 수정 등)을 독자적으로 해결하여 어떤 모델이든 어떤 디바이스 환경에서도 동작 가능하게 만드는 것이 우리의 핵심 미션입니다.

📌 해당 포지션으로 합류하신다면

Edge AI Engineer는 최신 AI 모델이 실제 디바이스에서 정확하고 빠르게 동작하도록 만드는 핵심 역할을 수행합니다. PyTorch 기반의 동적 모델을 ONNX 중심의 정적 그래프로 변환하고 최적화하며, 이를 다양한 하드웨어 환경에 맞게 컴파일하고 배포하는 End to End 모델 실현 과정을 직접 설계하고 구현하게 됩니다. 모델 구조 분석부터 그래프 레벨 최적화, 벤더별 컴파일러 대응, 디바이스 성능 튜닝까지 단순한 변환 작업을 넘어 이 모델이 이 디바이스에서 왜, 어떻게, 얼마나 잘 동작하는지를 끝까지 책임지는 역할입니다.

✅ 주요 업무

• 모델 변환 및 최적화 파이프라인 설계
• 다양한 LLM / Computer Vision 모델을 기준으로 Torch → ONNX → Vendor Compiler → Device Runtime 전체 플로우를 빠르게 이해하고 설계
• 모델 구조 분석 후, 하드웨어 제한사항에 맞도록 front/middle-end 수준의 graph transformation 및 rewriting 수행
• dynamic graph → static graph 변환, unsupported ops 제거/대체, quantization-friendly 구조 변형2. 디바이스 기반 배포 및 컴파일
• 다양한 NPU/GPU/ASIC 환경에서 vendor compiler, runtime framework(Jetson, DeepX, Telechips, Renesas 등) 사용
• 디바이스별 호환성 이슈 파악 및 해결 (unsupported op 수정, dtype 변화, shape 고정화, scale 변환 등)
• 디바이스 내부 추론 runtime 환경 설정 및 파이프라인 구축3. 모델 성능 보존 및 품질 관리
• 새로운 모델 아키텍처(Transformer/Diffusion 등) 이해 및 구조 기반 변환 전략 수립
• 변환 후 모델 정확도·latency·메모리 변화 분석 및 원본 대비 품질 보존4. 문제 정의 및 실행 전략 수립
• 고객사 요구사항 및 주어진 하드웨어 제약을 바탕으로 프로젝트 목표 정의 → 실행 계획 수립 → 성공 기준 설정
• 변환 성공 가능성, 예상 결과물, 주요 리스크 사전 예측5. 반복 업무 자동화와 효율 개선
• 최신 AI 툴 및 프레임워크 활용하여 모델 변환/디버깅/분석 자동화 및 워크플로우 최적화
• 반복되는 단계를 scripting(파이썬/CLI) 또는 pipeline(automation)으로 유지·관리6. 문서화 및 커뮤니케이션
• 기업 / 정부과제 제안서 작성 경험을 기반으로 기술적 배경–문제 정의–실행 전략–정량적 성공 기준을 구조적으로 문서화
• 팀 내·외부 커뮤니케이션을 통한 정보 수집 및 문제 구조화 능력

✅ 자격요건

핵심 역량

• 모델 그래프 이해 및 수정 능력: Torch → ONNX 변환 구조, Graph Surgery, dynamic→static 변환
• 하드웨어 친화 모델 변형 능력: unsupported ops 제거/대체, quantization-aware 구조 설계, 메모리·연산 최적화
• 하드웨어별 Compiler Workflow 이해: ONNX → vendor compiler → NPU/GPU/ASIC runtime
• LLM/GenAI 아키텍처 이해: Transformer, RoPE, attention, KV cache, sampling, diffusion 등
• 디바이스 배포 경험: Jetson Orin, DeepX M1, Telechips A2X, Renesas RZ/V, QNN, SNPE 등 탑재 디바이스 기반 추론 경험필수 경험
• ONNX 기반 모델 변환 및 디버깅 경험
• 모델 최적화/경량화 (quantization, pruning, fusion 등) 경험
• Python 기반 자동화 스크립트 작성 능력
• 하드웨어 또는 vendor compiler 문서 기반 문제 해결 능력

✅ 우대사항

• 정부 과제 또는 PoC 제안서/기술문서 작성 경험
• LLM 서빙 스택(ONNX Runtime / vLLM / TRT-LLM 등) 이해
• 다양한 벤더 compiler 경험(예: TensorRT, QNN, SNPE, TFLite, eIQ 등)
• 실제 디바이스 inference latency / 메모리 profiling 경험
• AI Tool 사용과 직접적 논리 구성의 구분 능력(단순 AI 답변 의존 X, 스스로 구조화·추론 가능한 분)

✅ 채용 절차

• 서류 검토 → 1차 인터뷰 → 2차 인터뷰 → 처우 협의 → 최종 선발(절차 간에 추가적인 과제가 있을 수 있습니다.)

🤓 팀의 메세지

우리 팀은 Any AI on Any Device를 말로만 설명하지 않습니다. 다양한 AI 모델을 다양한 디바이스 환경에서 실제로 돌려보고, 끝까지 검증하는 팀입니다. 최신 Computer Vision, Transformer, Diffusion 모델을 CPU, GPU, NPU 등 서로 다른 아키텍처에 맞춰 변환하고 최적화하며 이론이 아니라 결과로 가능성을 증명합니다. 그리고 연구에서 끝나는 일이 아니라, 변환과 배포, 성능 검증까지 전 과정을 직접 책임집니다.우리는 모델만 다루는 팀도, 디바이스만 다루는 팀도 아닙니다. PyTorch 기반의 dynamic graph부터 ONNX static graph, compiler IR, device runtime까지 모델, 그래프, 컴파일러, 디바이스 전 스택을 관통하는 문제를 다룹니다. 왜 이 연산이 특정 디바이스에서 동작하지 않는지, 왜 같은 모델이 환경에 따라 성능이 달라지는지, 이 질문을 남의 문제로 두지 않고, 직접 파고들어 해결합니다.좋은 동료들과 함께 협업하며 하드웨어와 소프트웨어의 경계를 넘나드는 복잡한 문제를 풀고 실제 기술과 제품으로 만들어 가는 여정에 함께할 분을 기다립니다.

지원 전, 확인해주세요! 👀

• 해당 공고는 상시 채용으로, 채용 완료 시 조기 마감될 수 있습니다.
• 이력서 내 연봉 정보 등 민감한 개인 정보가 기재되어 있다면, 해당 서류는 검토되지 않을 수 있습니다.
• 제출해 주신 내용 중 허위 사실이 있을 경우 채용이 취소될 수 있습니다.
• 채용 전 레퍼런스 체크가 있음을 알려드립니다.
• 최종 인터뷰 합격 시 별도로 처우를 협의합니다.
• 입사 후 시용기간이 있으며, 이에 대한 처우는 차등을 두지 않음을 알려드립니다.
• 국가보훈대상자 및 장애인은 관련 법규에 의거하여 우대합니다.
• 장애인 고용 촉진을 위한 행정적 절차 확인이 필요한 경우, 장애인 등록증 사본을 기타 서류 란에 선택적으로 제출하실 수 있습니다. 제출 여부는 전형 평가에 어떠한 영향도 미치지 않습니다.
• R&D 모든 포지션에서 전문연구요원, 산업기능요원으로 근무가 가능합니다. (단, 산업기능요원 현역 신규 편입의 경우 불가능)

🔎 읽어보면 도움 되는 관련 자료

🌿 노타 라이프

• 노타는 핵심 가치(CV)를 어떻게 실행할까?
• 신입 사원 노식이의 노타 적응기
• 우리가 일하는 공간을 소개합니다!

💡 노타가 하는 일

• 기술 이야기 없이 노타 설명하기
• AI 모델 최적화 플랫폼 '넷츠프레소'란?
• 노타의 온디바이스 AI '솔루션' 맛보기
• Nota Tech Blog: 더 알아보기