🔎팀 소개

Deep In Sight의 인캐빈센싱 사업본부는 차량 실내 환경에서 운전자 상태 및 동승자 행동을 인식하는 온디바이스 AI 시스템을 연구개발합니다.

이 포지션은 차량 환경에서 동작하는 AI 딥러닝 모델을 독립적으로 연구·설계하고 실제 제품 환경에 적용하는 AI Research Engineer 역할입니다. 주어진 태스크를 수행하는 수준을 넘어, 문제를 스스로 정의하고 실험 설계부터 시스템 적용까지 전 과정을 주도할 수 있는 역량이 요구됩니다.

💻업무

Model Research & Development

• 차량 환경 (조명 변화, 가림, 자세 변화, 센서 특성)을 고려한 딥러닝 모델 설계 및 학습
• Detection, Landmark, Pose, Classification, Segmentation 모델 개발 및 성능 고도화
• 논문 및 오픈소스 기반 SOTA 모델 분석, 응용 및 자체 개선

Experiment & Evaluation

• Failure case 분석 및 근본 원인 추론
• 정확도·지연시간·안정성 관점의 정량 평가 지표 설계
• 실험 결과 기반 모델 구조 및 학습 전략 독립 개선

Optimization & System Integration

• 차량 탑재 SoC 환경을 고려한 모델 경량화 및 최적화
• 추론 파이프라인 개선 및 시스템 단위 성능 검증
• 임베디드·응용 SW 엔지니어와 협업하여 실차 환경 검증

Research Infrastructure

• 데이터 전처리 및 학습 파이프라인 개선
• 재현 가능한 실험 관리 체계 구축 및 팀 내 전파
• 반복 가능한 평가·검증 프로세스 정립

🚗 Engineering Challenges at Scale

이 역할에서 실제로 마주하게 될 기술적 난제들입니다. 이 문제들이 흥미롭게 느껴진다면, 우리가 찾는 사람입니다.

• 제한된 연산 자원에서의 추론 구조 설계: 차량용 SoC의 메모리·연산 제약 안에서 안정적으로 동작하는 추론 파이프라인을 어떻게 설계할 것인가
• 지연시간과 정확도의 균형 최적화: 실시간 응답이 요구되는 환경에서 성능 저하 없이 latency를 줄이는 전략
• 불완전한 GT 환경에서의 신뢰 가능한 평가 체계: 실도로 데이터에서 annotation이 희소하거나 부정확할 때 모델을 어떻게 평가하고 개선할 것인가
• 다중 모델 결합 시 최종 판단 품질 관리: 여러 모델의 출력이 결합될 때 시스템 전체 판단의 신뢰성을 어떻게 보장할 것인가

✔️자격요건

1. 학위: 컴퓨터 비전, 머신러닝, 전자공학, 컴퓨터과학 등 관련 분야 학사 이상
2. 경력: 관련 분야 5년 이상의 실무 경험 (또는 석사 이상 학위 보유 시 3년 이상) 
3. 기본 요건 : 한국어·영어 모두 업무 커뮤니케이션 가능한 수준

✨우대사항

• 임베디드 AI 또는 모델 경량화 경험 (Quantization, Pruning, TensorRT 등)
• 실제 센서 데이터 기반 프로젝트 수행 경험
• MLflow, W&B, DVC 등 실험 관리 도구 사용 경험
• GPU 서버 또는 클라우드 환경 활용 경험
• 자율주행, DMS/OMS, ADAS 등 차량 도메인 실무 이해
• CVPR, ICCV, ECCV, NeurIPS 등 학회 관련 연구 경험

🗳️ What Makes a Strong Candidate

다음과 같은 경험과 관점을 가진 분을 특히 우대합니다.

• Research Execution: 논문을 구현하고 결과를 재현·검증하며, 단순 구현에 그치지 않고 자체 개선안을 도출한 경험이 있는 분
• Analytical Rigor: 모델 점수 자체보다 그 이면의 원인을 집요하게 분석하고, 성능 저하 요인을 데이터·모델·환경 관점에서 분해해 설명할 수 있는 분
• Senior Independence: 주어진 태스크를 수행하는 수준을 넘어, 문제를 스스로 정의하고 가설 수립, 실험 설계, 결과 검증까지 독립적으로 완주할 수 있는 분

논문용 모델이 아닌 실제로 차량에서 동작하는 AI를 만들어본 경험, 그리고 독립적으로 연구 사이클을 완주한 경험이 가장 중요한 평가 기준입니다.

🌱 Why This Role

• 연구 → 실차 사이클: 모델 아이디어가 실제 양산 차량에 탑재되는 전 과정 직접 경험
• 도메인 깊이: 차량용 온디바이스 AI는 글로벌로도 실무 경험자가 드문 희소 영역
• 성장 경로: 데이터·모델·시스템 운영을 유기적으로 연결하는 AI 엔지니어 → Part Lead 트랙으로의 자연스러운 성장 경로 제공
• 실험 인프라: MLOps 기반 학습·검증 체계, GPU/클라우드 환경에서 대규모 실험 수행 가능

Deep-In-Sight는 차량 내 공간을 AI로 더 안전하고 인간 중심적으로 만드는 것을 목표로 합니다. 이 역할은 그 비전을 실제 기술로 실현하는 가장 중심에 있습니다.