하는 일
- 1. 모델 변환 및 최적화 파이프라인 설계
- 다양한 LLM / VLM 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 변형
- 2. 디바이스 기반 배포 및 컴파일
- 다양한 NPU/GPU/ASIC 환경에서 vendor compiler, runtime framework(Intel, AMD, Jetson, DeepX 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 구축
- 3. 모델 성능 보존 및 품질 관리
- 모델 아키텍처(Transformer/Diffusion 등) 이해 및 구조 기반 변환 전략 수립
- 변환 후 모델 정확도·latency·메모리 변화 분석 및 원본 대비 품질 보존
- 런타임 프로파일링 기반 연산자별 성능 병목 분석 및 최적화
- 4. 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·관리
- 5. 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
지원 자격
- 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:
- Intel OpenVINO, Jetson Orin, QNN, SNPE 등 탑재 디바이스 기반 추론 경험
- 필수 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
우대 사항
- 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)
이 공고의 요구에서 이어갈 미션
공고에서 확인된 요구와 연결한 실습입니다. 아직 기록되지 않은 근거가 능력 부족을 뜻하지는 않아요.
현재 확인된 요구와 연결되는 미션이 없어요. 빠진 원문을 개인의 부족한 능력으로 해석하지 않습니다.
내 기준으로 보고 싶다면
로그인하면 이 공고의 요구사항 중 지금 근거로 보여줄 수 있는 것이 무엇인지 항목별로 확인할 수 있어요. 로그인