미스릴 연구소의 AI 모델 파트는 PoC(Proof of Concept) 단계의 모델을 실제 제조 현장의 다양한 변수에서도 견고하게 작동하는 상용화 수준의 제품으로 진화시키는 역할을 수행합니다. 단순한 알고리즘 개발을 넘어, 시계열 센서 데이터와 비전 데이터를 융합하여 제조 공정의 지능화를 주도하며, 미스릴의 기술적 초격차를 만들어갈 핵심 인재를 모십니다.

• 모델 일반화 및 제품화 (Generalization): PoC 단계의 모델이 특정 환경을 넘어 다양한 제조 현장과 데이터 분포에서도 일관된 성능을 내도록 강건성(Robustness) 확보 및 일반화 로직 설계 • 모델 경량화 및 최적화 (Optimization): 엣지 디바이스 및 온프레미스 서버 리소스를 고려한 모델 경량화(Pruning, Quantization) 및 추론 속도 최적화 • 모델 성능 및 학습 고도화: 시계열(Sensor) 및 비전(YOLO 등) 모델의 정확도 개선, 최신 SOTA 알고리즘 벤치마킹 및 현장 데이터 기반의 지속적 성능 업그레이드 • 학습 파이프라인 최적화: 대규모 제조 데이터의 효율적인 학습을 위한 분산 학습 환경 설계 및 하이퍼파라미터 최적화(AutoML 등) 연구

• 관련 경력 7~8년 이상 (석/박사 학위 소지자의 경우 학위 기간 포함 가능) • Deep Learning Framework 숙련도: PyTorch, TensorFlow 등을 활용한 심도 있는 모델링 및 아키텍처 커스터마이징 능력 • 제조 데이터 처리 경험: 고성능 비전(Object Detection) 또는 시계열 센서 데이터(Time-series) 중 하나 이상의 분야에서 상용화 수준의 모델 개발 경험 필수 • 성능 최적화 기술: TensorRT, ONNX, OpenVINO 등 추론 가속 프레임워크 활용 경험 및 모델 경량화 기법에 대한 높은 이해도 • 수학적/통계적 기초: 알고리즘의 원리를 이해하고 데이터의 특성에 맞춰 손실 함수나 옵티마이저를 튜닝할 수 있는 역량

• 인공지능 관련 석박사 학위 • 멀티모달 AI 경험: 시계열 데이터와 비전 데이터를 결합하여 복합적인 공정 이상을 탐지해 본 경험 • 산업 현장 도메인 지식: 반도체, 자동차 등 제조 공정 데이터에 대한 이해 및 현장 노이즈 처리 노하우 • 학계 및 커뮤니티 활동: 국내외 저명 AI 학회(CVPR, NeurIPS, ICML 등) 논문 게재 또는 오픈소스 프로젝트 기여 경험 • 기술 리딩 역량: 연구 주제를 선정하고 주니어 연구원들의 기술적 성장을 이끌 수 있는 멘토링 능력

서류전형 - 면접 - 처우협의 - 입사확정