[NetsPresso] Edge AI Engineer

담당업무

• LLM 및 Computer Vision 모델의 Torch → ONNX → Vendor Compiler → Device Runtime 변환·최적화 파이프라인 설계

• 모델 구조 분석, graph transformation 및 rewriting, dynamic graph → static graph 변환

• unsupported ops 제거·대체, quantization-friendly 구조 변형, 메모리·연산 최적화

• NPU·GPU·ASIC 환경의 vendor compiler와 runtime framework 활용 및 디바이스 배포

• 디바이스별 호환성 이슈, dtype·shape·scale 변환 문제 해결 및 추론 runtime 환경 구축

• Transformer·Diffusion 등 신규 모델 아키텍처 기반 변환 전략 수립

• 변환 후 정확도·latency·메모리 변화 분석 및 원본 대비 품질 보존

• 고객사 요구사항과 하드웨어 제약 기반 프로젝트 목표·실행 계획·성공 기준 수립

• 변환 성공 가능성, 예상 결과물, 주요 리스크 예측

• Python·CLI 스크립트와 자동화 파이프라인을 활용한 변환·디버깅·분석 자동화

• 기업·정부과제 제안서 및 기술문서 작성, 팀 내·외부 커뮤니케이션

자격요건

• Torch → ONNX 변환 구조, 모델 그래프 이해 및 Graph Surgery 경험

• dynamic graph → static graph 변환과 그래프 수정 능력

• unsupported ops 제거·대체, quantization-aware 구조 설계, 메모리·연산 최적화 역량

• ONNX → vendor compiler → NPU·GPU·ASIC runtime 컴파일러 워크플로 이해

• Transformer, RoPE, attention, KV cache, sampling, diffusion 등 LLM·GenAI 아키텍처 이해

• Jetson Orin, DeepX M1, Telechips A2X, Renesas RZ/V, QNN, SNPE 등 디바이스 추론 경험

• ONNX 기반 모델 변환 및 디버깅 경험

• quantization, pruning, fusion 등 모델 최적화·경량화 경험

• Python 기반 자동화 스크립트 작성 능력

• 하드웨어 또는 vendor compiler 문서 기반 문제 해결 능력

우대사항

• 정부 과제 또는 PoC 제안서·기술문서 작성 경험

• ONNX Runtime, vLLM, TRT-LLM 등 LLM 서빙 스택 이해

• TensorRT, QNN, SNPE, TFLite, eIQ 등 다양한 벤더 compiler 경험

• 실제 디바이스 inference latency·메모리 profiling 경험

• AI Tool 활용과 직접적인 논리 구성의 구분 능력

보상

최종 인터뷰 합격 후 처우 별도 협의

전형절차

1. 서류 검토

2. 1차 인터뷰

3. 2차 인터뷰

4. 처우 협의

5. 최종 선발

지원 전 확인사항

• 전형 단계 사이에 추가 과제가 있을 수 있음

• 채용 전 레퍼런스 체크 진행

• 허위 사실 확인 시 채용 취소 가능

• R&D 포지션에서 전문연구요원·산업기능요원 근무 가능

• 산업기능요원 현역 신규 편입은 불가

• 국가보훈대상자 및 장애인 우대

마감기한

채용시 마감