부서소개
저희 부서는 팀네이버 AI/ML의 핵심인 MLOps 플랫폼을 개발 및 운영하며, 대규모 GPU 클러스터를 효율적으로 활용하는 업무를 담당하고 있습니다. 데이터 관리부터 대규모 분산 학습, 모델 서빙까지 아우르는 ML 라이프사이클 전반을 지원하는 통합 플랫폼을 제공합니다.
[데이터] ML 엔지니어와 연구자들이 대규모 데이터를 효율적으로 관리 및 활용할 수 있도록 Hugging Face 인터페이스 기반 데이터 플랫폼과 하드웨어 가속 기술을 적용한 대규모 병렬 처리용 ETL 시스템을 개발합니다.
[학습] 국내 최고 수준의 GPU 인프라에서 대규모 ML 분산 학습 워크로드가 안정적으로 수행되도록, Kubernetes 기반 MLOps 플랫폼의 핵심 구성 요소를 고도화합니다.
[서빙] AI/ML 모델의 안정적인 배포를 지원하고, 특화 기능을 제공하는 확장 가능한 플랫폼을 개발 및 운영하고 있습니다.
팀네이버의 다양한 서비스에서 검증된 저희 플랫폼은 네이버클라우드의 대규모 컴퓨팅 환경을 기반으로 한 다양한 GPUaaS 서비스의 코어 플랫폼으로서 글로벌 시장으로 확장하고 있습니다. 궁극적으로 ML 엔지니어와 연구자들이 인프라의 복잡성에서 벗어나, 핵심 모델의 실험과 배포에만 집중할 수 있는 환경을 제공하는 것을 목표로 삼고 있습니다.
[참고자료]
[DAN 24] HyperCLOVA X, MLOps로 Hyperscale AI 개발의 새로운 장을 열다 (링크)
[DAN 25] MLXP: GPU 효율화를 선도하는 대규모 MLOps 플랫폼 (링크)
담당업무
• Kubernetes 기반 MLOps 플랫폼(데이터, 학습, 서빙) 설계, 개발 및 고도화 (Operator, Scheduler 등 핵심 구성 요소 개발 포함)
• 대규모 데이터 저장, 처리, 관리를 위한 데이터 플랫폼 개발, 하드웨어 가속이 지원되는 대규모 병렬 데이터 처리 시스템 (Spark, Ray), ETL 파이프라인(Kubeflow Pipelines, Airflow) 구축 및 최적화
• ML 학습 프레임워크(PyTorch, DeepSpeed 등) 기반 대규모 분산 학습 효율 최적화·디버깅·프로파일링 도구 개발, 고속 네트워크 기술(InfiniBand, RoCE 등) 연구 및 플랫폼 적용
• 안정적이고 확장 가능한 ML 모델 서빙 시스템 및 추론 환경(vLLM, KServe, llm-d 등) 개발 및 LLM Gateway(k8s Gateway API 기반 품질/비용 최적화 라우팅, 자동 모델 Fallback 등) 기능 구현, 모델 배포 자동화 파이프라인 구축
• SRE 관점에서 MLOps Platform의 안정적 운영을 위한 시스템 고도화 (MLOps Observability 구축, 모니터링, CI/CD, 장애 탐지 및 복구, 가용성 개선 등)
• ML 엔지니어와 연구자들이 쉽게 사용할 수 있는 SDK 및 API, Event-driven 자동화 시스템 개발
• 네이버클라우드의 대규모 컴퓨팅 환경 기반 GPUaaS 서비스의 코어 플랫폼 개발 및 글로벌 서비스화
자격요건
• 대규모 트래픽 처리를 위한 백엔드 애플리케이션 아키텍처 설계 및 구현 경험 3년 이상을 보유하신 분
- 단순 API 연동을 넘어, 직접 소프트웨어 아키텍처를 설계하고 모듈화된 코드를 작성해 본 경험
- 멀티스레딩 및 비동기 프로그래밍에 대한 깊은 이해를 바탕으로 시스템 리소스(CPU, Memory, I/O) 최적화 및 동시성 문제 해결 경험
• Go, Rust, Java, Kotlin, Python 등 최소 하나 이상의 언어에 대해 깊은 수준의 이해와 능숙한 활용 능력을 보유하신 분
• 테스트 코드 작성 및 코드 리뷰를 통해 코드 품질을 주도적으로 개선해 본 경험을 보유하신 분
• 능동적인 문제 해결 및 협업 역량을 보유하신 분
우대사항
• Spark 등 분산 처리 프레임워크를 활용한 대용량 데이터 파이프라인 설계 및 성능 최적화 경험을 보유하신 분
• LLM 및 기타 모델 서빙·학습 최적화 및 운영 경험을 보유하신 분
• k8s Operator 패턴을 활용하여 커스텀 리소스를 정의하고, 이를 제어하는 Controller, Webhook 등의 개발 경험을 보유하신 분
• 마이크로서비스 아키텍처(MSA)의 배포 자동화 및 클라우드 네이티브 애플리케이션의 패키징·프로비저닝 설계 경험을 보유하신 분
• 분산 환경에서의 로깅, 트레이싱, 디버깅 경험을 보유하신 분
• 시스템(SW, 네트워크, OS) 전반에 대한 깊은 이해도를 보유하신 분
• 오픈소스 프로젝트에 기여하거나, 공통 라이브러리·프레임워크를 직접 개발하여 사내 전파 경험을 보유하신 분
조직구성원 Talk
"대규모 GPU 클러스터 기반의 국가 단위 ML 플랫폼에서 End-to-End 기술로 함께 성장할 분을 기다립니다."
[Talk 1]
우리 MLOps 팀에서는 인프라 계층부터 애플리케이션 계층까지, End-to-End 기술에 대해 넓고 깊이 있게 기여하며 성장할 수 있습니다. 팀네이버 전체 ML 엔지니어, 연구자분들뿐만 아니라, 글로벌 기업, 국가 단위로도 ML 플랫폼을 제공해 주는 경험을 해볼 수 있습니다!
[Talk 2]
저희 조직은 AI/ML 서비스를 제공하기 위한 전 과정에 대해서 필요한 기능들을 고민하고, 일반화하여 개발합니다. 그렇기에 새로운 트렌드에 대해서 누구보다도 빠르게 접하고 이해하며 구현해야 합니다. 또한 대규모 GPU 클러스터를 운용하는 만큼 효율적인 로직으로 많은 사용자에게 GPU를 효율적으로 제공해야 하고, 주어진 GPU를 100% 발휘할 수 있도록 최적화 연구를 진행합니다. 직접적인 모델 개발을 하진 않지만, 그 누구보다도 깊이 있게 알 수 있어야 하기에 다양한 성장 기회와 경험을 가질 수 있는 팀이라 생각합니다. 각 팀마다 각자의 업무에 목표가 있지만 어느 때는 한 팀처럼 함께 일하며, 팀 문화에 중요성을 알기에, 구성원 한 분 한 분이 문화를 만들어나갈 수 있는 분위기입니다.
[Talk 3]
수백, 수십 테라바이트(TB) 규모의 데이터 셋을 자유자재로 다룰 수 있는 시스템을 같이 만들어 나가실 분을 찾고 있습니다. RDMA 기반의 고속 스토리지를 이용한 데이터 처리 및 대규모 병렬 학습 파이프라인, 하드웨어 가속이 지원되는 데이터 파이프라인 등 흥미로운 주제가 여러분을 기다리고 있습니다.
전형절차 및 기타사항
[전형절차]
서류 전형(기업문화적합도 검사 및 직무 테스트 포함) ▶ 1차 인터뷰 ▶ 레퍼런스체크 및 2차 인터뷰 ▶ 처우협의 ▶ 최종합격
※ 전형 절차는 일정 및 상황에 따라 변동 될 수 있으며, 전형 별 결과에 따라 절차(추가 인터뷰 등)가 추가될 수 있습니다.
※ 정해진 결과 발표 일정은 없으며, 지원서 검토 후 면접 일정은 대상자에게 개별로 안내 드릴 예정입니다.
[근무지]
경기 성남시 분당구 불정로 6 (그린팩토리)
※ 근무지는 회사 내부 사정에 따라 변동될 수 있습니다.