[크래프톤] [AI Frontier Div.] AI Inference Platform & Operations Engineer (5년 이상) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• Kubernetes 기반 GPU 클러스터에서 서빙 서비스를 운영하고 vLLM·SGLang 등 서빙 엔진과 오케스트레이션 계층을 연결하며, 요청 라우팅·오토스케일링·멀티 모델 운영 기능을 구현합니다.

  이렇게 볼 수 있어요

  서빙 엔진 자체보다 그 위의 control plane과 오케스트레이션 계층이 이 항목의 대상입니다. 여러 모델을 한 클러스터에서 라우팅하고 트래픽에 맞춰 늘리고 줄여 본 경험이 있다면 다룬 모델 수와 트래픽 규모를 함께 쓸 수 있습니다.

• 새 모델의 성능·품질 회귀 테스트, 배포 자동화, 카나리·롤백 파이프라인과 API gateway의 인증·쿼터·rate limit을 구축·개선하고, 사업 Squad와 모델 개발자가 모델을 일관되게 온보딩할 수 있는 도구와 가이드를 만듭니다.

  이렇게 볼 수 있어요

  모델 배포를 일반 서비스 배포처럼 안전하게 만드는 업무입니다. 외부 고객용 API를 운영해 봤다면 인증과 쿼터를 어떤 기준으로 나눴는지 경력기술서에 자세히 쓰는 것이 좋습니다.

• Squad와 함께 정한 SLO를 기준으로 지연·처리량, 가용성·에러율을 관측하고 병목과 장애 원인을 분석하며, 장애 대응과 포스트모템에 참여해 개선 사항을 운영에 반영합니다.

  이렇게 볼 수 있어요

  SLO는 서비스를 쓰는 Squad와 함께 정하는 값입니다. 서비스 팀과 SLO를 합의하고 그 수치로 운영한 경험이 있다면 목표값과 실제 지표를 나란히 보여 줄 수 있습니다.

• GPU 할당·격리·우선순위 정책을 운영하고 모델·워크로드별 GPU 활용률과 요청·토큰 단위 원가를 측정합니다.

  이렇게 볼 수 있어요

  원가를 요청과 토큰 단위로 잰다는 점이 일반적인 SRE 업무와 다릅니다. GPU 비용을 서비스 단위로 나눠 보고해 본 경험이 있다면 그때 쓴 배분 기준이 이 업무와 직접 관련된 경험입니다.

• 서비스 요구에 맞춰 라우팅·스케줄링·캐시 정책과 모델 연동 코드를 개선하고, 서빙 엔진의 기능을 실제 트래픽에서 검증해 필요한 부분은 엔진을 확장합니다.

  이렇게 볼 수 있어요

  운영만이 아니라 코드 작업도 업무에 있습니다. 서빙 엔진 코드를 고치거나 확장 기능을 만들어 본 경험이 있다면 저장소 링크와 함께 소개할 수 있습니다.

• 양자화 체크포인트, speculative decoding처럼 AI Research 조직이나 오픈소스가 제공한 최적화 구현을 실제 워크로드에서 검증하고, 품질·성능 회귀를 확인한 뒤 프로덕션에 적용합니다.

  이렇게 볼 수 있어요

  최적화 기법을 직접 연구하기보다 검증해서 서비스에 들여오는 역할입니다. 같은 내용이 우대요건 마지막 항목에도 있어 회귀 테스트 기준을 세워 새 최적화를 적용해 본 경험이 업무와 우대요건 양쪽의 사례가 됩니다.

2자격 요건

• 엔지니어링 실무 경력이 5년 이상이고, 그중 인프라·SRE·플랫폼 엔지니어링 또는 ML 시스템 분야에서 3년 이상 일하며 장애가 곧 사용자 영향으로 이어지는 프로덕션 서비스를 직접 운영해 왔어야 합니다.

  이렇게 볼 수 있어요

  전체 5년 가운데 인프라·SRE·플랫폼 또는 ML 시스템 경력 3년이 따로 적혀 있습니다. 백엔드 개발을 하며 운영까지 맡았던 기간도 이 경력으로 내세울 수 있고, 직접 운영한 서비스의 사용자 규모를 함께 적으면 프로덕션 운영의 크기가 드러납니다.

• Kubernetes 또는 이에 준하는 오케스트레이션 환경에서 배포, 로드밸런싱, 스케줄링, 오토스케일링을 설계하고 운영해 봤어야 합니다.

  이렇게 볼 수 있어요

  Kubernetes가 아닌 '이에 준하는' 오케스트레이션 환경도 이 요건에 들어 있습니다. 네 기능 가운데 직접 설계한 것과 운영만 한 것을 나눠 쓰면 범위가 분명해집니다.

• 메트릭·로그·트레이스 기반 관측성 체계를 만들고, 온콜·장애 대응과 포스트모템을 거쳐 장애의 근본 원인을 구조적으로 개선해 봤어야 합니다.

  이렇게 볼 수 있어요

  관측성 도구를 쓴 경험이 아니라 체계를 만든 경험을 요구합니다. 포스트모템 뒤 무엇을 바꿨고 같은 장애가 다시 났는지까지 말할 수 있는 사례가 하나 필요합니다.

• 운영 자동화 도구나 플랫폼 기능을 직접 코드로 구현하고, IaC·GitOps·CI/CD로 인프라와 배포를 재현 가능하게 관리해 봤어야 합니다.

  이렇게 볼 수 있어요

  재현 가능하게 관리한다는 조건은 새 모델이 들어올 때마다 회귀 테스트·카나리·롤백을 같은 절차로 돌리고 Squad가 스스로 모델을 온보딩하게 만드는 업무에서 쓰입니다. 손으로 하던 배포나 운영 작업을 IaC·GitOps 코드와 파이프라인으로 바꾼 사례가 있다면 그 저장소나 설계 문서를 링크로 붙일 수 있습니다.

• 모델 연구자·제품 개발자 등 다른 직군과 요구사항을 맞추고, 설계와 운영 결정을 문서로 남겨 공유해 왔어야 합니다.

  이렇게 볼 수 있어요

  팀 소개에도 아키텍처와 실험 결과, 의사결정 과정을 문서로 남긴다고 적혀 있습니다. 직접 쓴 설계 문서나 포스트모템 문서가 있다면 공개할 수 있는 범위에서 면접 때 예시로 가져갈 수 있습니다.

• 해외 출장에 결격 사유가 없어야 합니다.

  이렇게 볼 수 있어요

  해외 출장 결격 사유 조항은 출장에 대비하는 뜻과 함께, 형사재판을 받고 있거나 출국금지·여권 발급 제한을 받은 지원자를 간접적으로 거르는 역할도 합니다.

3우대 사항

• 대규모 트래픽 또는 저지연 실시간 서비스(게임 포함)를 운영하며 트래픽 변화에 대응해 서비스 안정성을 개선한 경험을 우대합니다.

  이렇게 볼 수 있어요

  괄호에 게임이 들어 있어 게임 서버 운영 경력도 이 우대 사항과 이어집니다. 이벤트나 출시일처럼 트래픽이 몰린 날의 대응을 숫자로 보여 줄 수 있습니다.

• 수요 변화에 맞춰 capacity planning을 수행하고 쿼터·우선순위·자원 격리 정책을 운영한 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무의 GPU 할당·격리·우선순위 정책과 이어지는 우대 사항입니다. 자원 계획의 근거로 삼은 지표와 실제 사용량의 차이를 함께 말할 수 있으면 좋습니다.

• GPU 환경에서 vLLM·SGLang·TensorRT-LLM·Triton Inference Server 등을 이용해 LLM·ML 모델을 프로덕션에 서빙한 경험을 우대합니다.

  이렇게 볼 수 있어요

  AI Research 본부의 ML Serving Engineer 공고는 vLLM·TensorRT-LLM 실무 경험을 자격 요건으로 두었습니다. 이 공고에서 같은 엔진 경험은 우대 사항입니다. 필수는 인프라·SRE 운영 경력입니다. 써 본 엔진과 모델 크기, 요청량에 더해 엔진 앞단에 라우팅·오토스케일링을 붙여 실제 트래픽을 받아 본 경험이 이 자리의 업무에 쓰입니다.

• 서빙 엔진의 스케줄링·배칭·KV cache 관리 동작을 이해하고, continuous batching·Prefill-Decode 분리·prefix caching·KV cache offloading 등의 기능을 실제 트래픽에 적용해 처리량이나 지연을 개선한 경험을 우대합니다.

  이렇게 볼 수 있어요

  기법 이름보다 적용 전후의 처리량이나 지연 수치가 이 우대 사항의 핵심입니다. 어떤 기능을 켜서 무엇이 얼마나 달라졌는지를 한 문장으로 말할 수 있도록 준비하는 편이 낫습니다.

• 멀티노드 GPU 환경이나 시스템 레벨의 성능 병목을 분석하고 개선한 경험을 우대합니다.

  이렇게 볼 수 있어요

  GPU 한 장 안의 문제가 아니라 노드 사이나 시스템 수준의 병목을 다룬 경험입니다. 분석에 쓴 도구와 찾아낸 원인을 사례 하나로 묶어 설명하면 됩니다.

• 연구 조직이나 오픈소스가 제공한 최적화 결과(양자화 체크포인트·speculative decoding 등)를 품질·성능 회귀 테스트로 검증하고 프로덕션에 적용한 경험을 우대합니다.

  이렇게 볼 수 있어요

  회귀 테스트로 최적화를 검증하는 경험은 AI Research 조직이 만든 양자화 체크포인트나 speculative decoding을 실제 워크로드에 올리는 업무와 이어지고, 팀 미션에 적힌 추론 비용과 응답 속도에 바로 영향을 줍니다. 회귀 테스트에서 적용을 보류한 최적화가 있었다면 품질과 비용 가운데 무엇을 근거로 판단했는지 이야기할 수 있습니다.

4기타 사항

• 게시일 : 2026년 10월 21일
• 고용형태 : 정규직(수습 5개월, 처우 협의 결과에 따라 고용형태가 변경될 수 있음)
• 근무지 : 역삼 센터필드
• 경력 조건 : 경력 5년 이상
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• Kubernetes
• vLLM
• SGLang
• TensorRT-LLM
• Triton Inference Server
• IaC
• GitOps
• CI/CD

전형과 지원

크래프톤 공고는 고용형태가 네 갈래로 나뉘는데, 계약직과 인턴은 제목에 표시가 붙지만 정규직과 전문계약직은 제목만 봐서는 구분되지 않습니다. 지원 전에 공고 본문에서 먼저 확인할 것이 그것입니다.

지원 전 준비할 것

1. 1

   포스트모템 사례 하나

   필수요건이 온콜·장애 대응과 포스트모템을 거친 구조적 개선을 요구합니다. 장애 하나를 골라 탐지, 원인, 바꾼 구조, 이후 재발 여부 순서로 정리해 두세요.

2. 2

   SLO와 원가 지표를 숫자로

   업무에 SLO와 요청·토큰 단위 원가가 함께 있습니다. 운영한 서비스의 지연·가용성 목표와 실제값, GPU 비용을 어떤 단위로 쟀는지 숫자로 준비해 두면 직무면접에서 쓸 수 있습니다.

3. 3

   자동화 코드 링크 준비

   운영 자동화와 플랫폼 기능을 직접 코드로 구현한 경험이 필수입니다. 공개할 수 있는 저장소나 설계 문서를 경력기술서에 링크로 붙일 수 있게 정리하세요.

4. 4

   사전 인터뷰와 과제 일정 감안하기

   서류 뒤에 사전 인터뷰(Phone Interview)와 과제 전형이 이어집니다. 과제는 포지션에 따라 달라질 수 있으니 서류를 낸 뒤 과제에 쓸 시간을 미리 비워 두는 편이 안전합니다.