[메가존클라우드] AI Full-Stack Engineer (Senior) 공고 분석

이 자리가 왜 생겼을까요

1하게 될 업무

• AI 시스템의 아키텍처와 기술 전략을 설계하고 end-to-end로 리드합니다.

  이렇게 볼 수 있어요

  AIR 부문은 온프레미스부터 클라우드까지 기업의 생성형 AI와 AI & ML 영역을 컨설팅하고 구축·운영하는 부서라 설계 대상이 고객사 시스템입니다. 고객 프로젝트에서 아키텍처를 처음 정하고 운영까지 책임진 사례가 이 역할과 가장 가깝습니다.

• 주니어/미들급 엔지니어를 리드하며 코드와 설계를 리뷰하고 품질 기준을 설정합니다.

  이렇게 볼 수 있어요

  자격 요건의 리딩·협업 경험과 우대의 팀 빌딩·기술 표준 수립이 같은 역할을 경험으로 묻습니다. 리드한 인원과 직접 정한 리뷰 기준을 숫자와 이름으로 밝힐 수 있습니다.

• 고객과 비즈니스 리더와 직접 커뮤니케이션하며 AI 프로젝트의 KPI·ROI를 설계하고 설명합니다.

  이렇게 볼 수 있어요

  기술 리드가 비즈니스 지표까지 맡습니다. 자격 요건에도 비즈니스 지표 개선 경험이 있어, 지표를 정하고 결과를 보고한 프로젝트 하나를 숫자와 함께 준비할 수 있습니다.

• 핵심 요구 역량(항목 중 4개 이상의 실무적 역량 요구): AI 전반 모델링과 기반 기술 선택·솔루션 디자인 리드(문제에 맞는 LLM, CV, NLP, RL 등 모델 패밀리 선택·설계, 성능·지연시간·비용 트레이드오프를 고려한 모델 구조·학습 전략과 팀 리드), 에이전트 아키텍처와 오케스트레이션 설계(멀티 에이전트/툴 기반 아키텍처와 복잡한 워크플로우 오케스트레이션, 프롬프트 전략·메모리 관리·컨텍스트 윈도우·툴 호출 정책 등 시스템 레벨 설계 주도)입니다.

  이렇게 볼 수 있어요

  열 항목 가운데 4개 이상을 요구하므로 지원자는 자기 경력이 어느 항목에 들어가는지 먼저 정하게 됩니다. 모델 선택과 에이전트 설계 쪽이라면 고른 모델 패밀리와 그 이유, 툴 호출 정책을 어떻게 정했는지를 프로젝트 단위로 보여 줄 수 있습니다.

• 클라우드 아키텍처 설계(AI 워크로드에 최적화된 멀티/하이브리드 포함 클라우드 네이티브 아키텍처, 성능·비용·보안·확장성을 고려한 인프라 구조와 표준 정의), MLOps/DevOps 체계 구축과 고도화(모델 개발→검증→배포→모니터링 E2E MLOps 파이프라인 설계·구축 리드, 조직 차원의 베스트 프랙티스·브랜치 전략·Dev/Staging/Prod 환경 전략 수립)입니다.

  이렇게 볼 수 있어요

  AIR 부문은 온프레미스부터 클라우드까지 맡는 조직이라, 이 항목의 멀티·하이브리드 설계는 온프레미스와 클라우드를 함께 쓰는 고객 환경을 다루는 일입니다. 조직 차원의 브랜치·환경 전략을 정한 경험이 있다면 몇 개 팀이 그 기준을 따랐는지 함께 밝힐 수 있습니다.

• 대규모 서빙 인프라와 성능 최적화(GPU 풀, Autoscaling, Multi-model Serving 등 서빙 플랫폼 구조 설계, 배치 처리·캐싱·경량화 추론 최적화, SLO/SLI/SLA 기반 성능 관리 체계 주도), 데이터/Feature 전략 설계(데이터 파이프라인·Feature Store·데이터 거버넌스 전략과 표준 제시, 데이터 품질·드리프트·라인리지 모니터링과 개선 프로세스 정의)입니다.

  이렇게 볼 수 있어요

  서빙 비용과 데이터 품질은 고객에게 ROI를 설명할 때 숫자로 이어지는 영역입니다. 추론 지연이나 GPU 비용을 줄인 수치, 드리프트를 감지해 대응한 사례가 있다면 이 두 항목의 경험으로 꺼낼 수 있습니다.

• Full-Stack 아키텍처와 기술 선택(프론트/백엔드/DB·캐시·API 게이트웨이 등 전체 애플리케이션 구조 설계와 기술 스택 결정, AI 기능을 녹인 UX 플로우 설계와 유지보수성을 고려한 판단), Observability·운영 전략(모델·데이터·인프라 모니터링/로깅/트레이싱 전략과 표준 지표, 장애 대응 프로세스·On-call 체계·Blameless Postmortem 문화 정착 리드)입니다.

  이렇게 볼 수 있어요

  모델만이 아니라 사용자가 쓰는 화면과 운영 체계까지 설계 범위에 들어 있습니다. AI 기능을 넣은 서비스의 전체 구조와 장애 대응 체계를 직접 정한 경험이 이 두 항목에 함께 걸칩니다.

• 윤리·안전·컴플라이언스 체계 리드(편향·공정성·유해성 정책과 기술 가이드를 프로덕션에 반영하는 프로세스 설계, 개인정보 보호·규제 준수·Explainability 요구사항을 고려한 아키텍처·모델·데이터 전략 조정), 비즈니스 파트너십과 ROI 오너십(AI Use Case 정의와 KPI·ROI 모델 설계, C레벨·사업부와 우선순위 조정, 비즈니스 임팩트 설명·보고)입니다.

  이렇게 볼 수 있어요

  고객사 프로덕션에 AI를 올릴 때 규제와 사업 판단이 함께 걸린다는 것을 보여 주는 두 항목입니다. 규제가 있는 고객의 AI 프로젝트에서 개인정보나 설명 가능성 요구를 설계에 반영해 본 경험이 이 항목에 가장 가깝습니다.

2자격 요건

• AI 모델 개발과 응용 서비스 기획부터 데이터 파이프라인, 모델 학습/검증, 서빙/배포, 모니터링까지 이어지는 E2E 파이프라인을 주도적으로 설계·구축한 경험이 1건 이상 있어야 합니다.

  이렇게 볼 수 있어요

  업무 첫 항목인 AI 시스템의 end-to-end 리드를 실제 프로젝트에서 한 번 이상 해 봤는지를 묻습니다. 그 프로젝트 하나에서 단계마다 내가 정한 것과 팀이 한 것을 나눠 설명하면 주도한 범위가 분명해집니다.

• 실사용자(내부/외부)가 있는 프로덕션 환경에서 AI 기능을 운영한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  AIR 부문이 구축과 함께 운영 서비스도 한다고 소개한 만큼, 이 요건이 묻는 것은 PoC 다음 단계인 운영입니다. 사용자 수, 운영 기간, 운영 중 고친 문제가 운영 경험을 구체적으로 만듭니다.

• AWS/Azure/GCP 기반 아키텍처를 비용·성능·보안을 고려해 설계한 경험과 Docker/Kubernetes 기반 컨테이너 환경에서 AI/웹 서비스를 운영한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  핵심 요구 역량의 클라우드 아키텍처 항목을 실제 프로젝트에서 해 봤는지를 묻습니다. 설계 결정 하나를 골라 비용·성능·보안 가운데 무엇을 우선했고 무엇을 양보했는지까지 적으면 설계 판단의 기준이 드러납니다.

• CI/CD와 MLOps(모델 레지스트리, 실험 관리, 자동 배포 등) 체계를 구축하거나 고도화한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  모델 레지스트리와 실험 관리를 직접 도입했거나 바꾼 경험은 도입 전후로 배포 주기나 재현성이 어떻게 달라졌는지를 함께 밝히면 핵심 요구 역량의 MLOps 항목을 어디까지 해 봤는지 알 수 있습니다.

• Frontend–Backend–DB–API까지 이어지는 전체 서비스 아키텍처를 설계·구현한 리드 경험과 마이크로서비스, API 게이트웨이, 인증/인가 등 서비스 아키텍처 요소의 실무 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  업무의 Full-Stack 아키텍처 항목은 AI 기능을 녹인 UX 플로우까지 설계 범위로 적었습니다. AI 기능이 들어간 서비스에서 인증·API 게이트웨이 구성을 직접 정했다면 그 구조를 그림 한 장으로 설명할 수 있습니다.

• 모델 성능(정확도, 지연시간, 처리량 등)이나 인프라 비용(리소스 최적화)을 유의미하게 개선한 경험과 KPI/ROI 관점에서 비즈니스 지표(전환율, 이탈률, 운영 효율 등)를 개선한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  고객과 비즈니스 리더에게 KPI·ROI를 설명하는 역할과 이어져 기술 지표와 사업 지표를 함께 요구합니다. 같은 프로젝트에서 모델 지표 개선이 어떤 비즈니스 지표 변화로 이어졌는지를 밝히면 두 요건을 한 사례로 보여 줄 수 있습니다.

• 주니어/미들급 엔지니어나 프로젝트 팀을 리드하며 코드 리뷰와 설계 리뷰를 수행한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  리드한 팀의 규모와 리뷰에서 고친 설계 결정 하나가 리딩 경험의 구체적인 모습입니다.

• PM, 비즈니스 오너, 데이터 팀 등과 협업해 요구사항 정의와 우선순위 조정을 주도한 경험이 있어야 합니다.

  이렇게 볼 수 있어요

  핵심 요구 역량에는 C레벨·사업부와 우선순위를 조정하는 일까지 들어 있어, 이 요건의 협업 상대는 PM·비즈니스 오너·데이터 팀에서 경영진까지 넓어집니다. 요구가 충돌했을 때 어떤 기준으로 우선순위를 정했는지 사례로 준비할 수 있습니다.

3우대 사항

• 컴퓨터, 전기·전자, 수학·통계, 인공지능, 데이터사이언스 등 관련 전공과 알고리즘, 자료구조, 운영체제, 네트워크, 분산시스템, 데이터베이스 등 Computer Science 기초에 대한 탄탄한 이해를 우대합니다.

  이렇게 볼 수 있어요

  우대 사항의 분산시스템·네트워크 이해는 업무에 함께 있는 Full-Stack 설계와 대규모 서빙 인프라에 모두 쓰입니다. 전공이 다르다면 이 기초를 실무에서 쓴 사례(병목을 찾은 과정 등)로 보여 줄 수 있습니다.

• LLM/생성형 AI, 추천 시스템, 컴퓨터 비전, 음성 인식/합성, 강화학습 등 한 분야 이상의 깊이 있는 경험을 우대합니다.

  이렇게 볼 수 있어요

  핵심 요구 역량의 모델 패밀리(LLM, CV, NLP, RL)와 이어지는 항목입니다. 넓게 다룬 경력이라도 가장 깊이 다룬 한 분야를 정해 그 분야의 대표 프로젝트를 자세히 쓸 수 있습니다.

• 논문 구현, 벤치마크 재현, 오픈소스 기여 등으로 전문성을 증명할 수 있거나 AI/서비스 관련 사내 표창, 특허, 논문, 외부 컨퍼런스 발표 경험이 있으면 우대합니다.

  이렇게 볼 수 있어요

  이 우대 항목은 모두 지원서 밖에서 확인할 수 있는 이력입니다. 저장소 링크, 특허 번호, 발표 영상을 함께 내면 검토하는 쪽이 바로 열어 볼 수 있습니다.

• 대규모 트래픽·대용량 시스템(고가용성(HA), Auto Scaling, 멀티 리전, 캐싱)을 안정화하고 운영한 경험을 우대합니다.

  이렇게 볼 수 있어요

  고가용성·Auto Scaling·멀티 리전 운영은 핵심 요구 역량의 대규모 서빙 인프라와 Observability 항목에서 실제로 쓰입니다. 처리한 트래픽 규모와 가용성 목표를 숫자로 적는 게 좋습니다.

• 팀 빌딩, 기술 조직 문화 개선, 기술 표준 수립 등 리더십 활동과 기술 블로그, GitHub/오픈소스 활동, 커뮤니티/스터디 리딩 등 지속적인 학습과 공유 활동 경험을 우대합니다.

  이렇게 볼 수 있어요

  업무에 품질 기준 설정과 Blameless Postmortem 문화 정착 리드가 있어, 이 우대의 팀 빌딩·기술 표준 수립은 입사 뒤 맡을 일과 같은 방향입니다. 팀에 도입한 회고 방식이나 기술 표준이 있다면 도입 뒤 무엇이 바뀌었는지를 함께 쓰는 게 좋습니다.

• 클라우드 자격증(AWS, Azure, GCP 등)이나 머신러닝/데이터 관련 자격증 보유를 우대합니다.

  이렇게 볼 수 있어요

  클라우드 아키텍처 설계 경험이 필수 요건에 있어 자격증은 그 경험을 보완하는 이력입니다. 보유한 자격증은 등급과 취득 연도를 함께 밝히면 됩니다.

4기타 사항

• 게시일 : 2026년 1월 29일
• 고용형태 : 정규직(정규직 전환을 위한 평가기간 3개월 계약직 운영)
• 근무지 : 메가존산학연센터(과천) (대한민국 경기도 과천시 7길 과천대로 74)
• 경력 조건 : 경력 8~15년
• 학력 조건 : 해당 내용은 원본 공고에서 확인되지 않습니다.

쓰는 기술

공고 본문에 적힌 기술만 모은 목록입니다.

• LLM
• AWS
• Azure
• GCP
• Docker
• Kubernetes
• Feature Store

전형과 지원

메가존얼라이언스 채용 담당자가 안내하는 기본 절차는 지원서 제출, 1차 실무면접, 2차 바레이저면접, 3차 최종면접, 입사조건 검토, 최종합격의 6단계입니다. 분석 시점에 열어 본 메가존(주) 공고는 대부분 바레이저면접 없이 실무 면접과 최종 면접을 적었고(Physical AI 사업단의 품질 보증, 서비스·제품 기획, 데이터 엔지니어링, 백엔드 엔지니어링 공고는 실무 면접 뒤 바로 입사 조건 검토), 코딩 테스트와 기술 면접은 부서와 직무에 따라 붙습니다.

지원 전 준비할 것

1. 1

   핵심 역량 4개 고르기

   핵심 요구 역량 열 항목 가운데 실무로 해 본 4개 이상을 고르고, 항목마다 대표 프로젝트 하나와 맡은 범위를 정리합니다.

2. 2

   E2E 프로젝트 한 건

   데이터 파이프라인부터 모니터링까지 직접 설계한 프로젝트 하나를 구조도와 운영 지표로 정리해 두세요.

3. 3

   KPI·ROI 보고 자료

   고객이나 경영진에게 AI 프로젝트 효과를 설명한 자료가 있다면 지표 정의, 기준값, 개선 결과를 한 장으로 다시 만듭니다.