AI 엔지니어 (Computer Vision · TIPS 연구개발)

주요업무

ZET 소개 ZET는 퍼포먼스 마케팅 광고 소재를 기획하고 제작하는 AI Agent입니다. 상품 정보를 바탕으로 광고 문구와 이미지를 만들고, 마케터가 더 다양한 광고를 테스트하도록 돕습니다. 상품을 이해하고, 광고의 문구와 이미지를 만드는 과정을 연결합니다. 마케터가 반복 작업을 줄이고, 중요한 판단과 수정에 집중하도록 돕습니다. 상품과 브랜드에 맞는 광고 소재를 만들고, 마케터가 더 쉽게 수정하고 테스트할 수 있도록 돕습니다. 함께 풀 문제 AI가 만든 광고는 글자·제품 사진·배경이 합쳐진 한 장의 이미지입니다. 원하는 부분만 빠르게 고치려면 각 요소를 분리하고, 가려진 배경과 경계를 복원해야 합니다. ZET는 이 이미지를 수정 가능한 HTML로 바꾸는 기술을 TIPS 과제로 연구합니다. 마우스로 글자와 사진을 수정하고, 여러 플랫폼의 광고 크기와 비율에 맞게 바꾸는 것이 목표입니다. 1년차 연구 기반을 이어받습니다 핵심 기술 스펙과 큰 연구 흐름이 잡혀 있으며, 기본 파이프라인·기준 모델·데이터셋·평가 세트가 마련돼 있습니다. 합류 후 기존 연구를 재현하고, 성능과 적용 범위를 개선합니다. 기술 스펙과 모델 조합은 실험 결과에 따라 함께 바꿔갑니다. 맡게 될 업무 Object Detection, Segmentation/Masking, Matting, Inpainting, OCR을 연결한 이미지 분리·복원 파이프라인 연구 및 개선 같은 데이터·평가 조건에서 기준 연구 세트의 성능 점수와 실제 변환 이미지 품질 개선 작은 글자, 얇은 경계, 겹친 요소, 복잡한 배경 등 Edge case의 오류 원인 분석과 해결 다양한 광고 디자인·크기·비율로 변환 범위를 넓히고, CTO·디자이너와 편집 제품에 연결 ZET가 일하는 방식 실제 고객 데이터로 연구하고, 고객에게 확인받습니다 고객사가 실제로 집행하는 광고가 연구 데이터입니다. 결과는 고객이 쓰는 편집 제품에 들어가고, 잘됐는지는 고객의 피드백으로 확인합니다. 기준은 벤치마크 점수가 아니라 실제 광고에서 작동하는지입니다. 목표는 분명하게, 방법은 자유롭게 무엇을 풀지와 평가 기준은 대표가 정하고, 어떻게 풀지는 엔지니어가 정합니다. 목표 성과에 닿는다면 기존 파이프라인을 바꾸는 것도 장려합니다. 실제로 글자를 잘라 옮기던 방식이 한계에 부딪혔을 때, 글자를 새로 렌더링하는 방식으로 바꿨습니다. 실험 자원을 충분히 지원합니다 TIPS 과제로 연구 재원이 확보돼 있습니다. 실험에 필요한 GPU와 예산을 충분히 지원합니다.

자격요건

정해진 답이 없는 현실 문제를 먼저 붙잡고, 실제로 작동할 때까지 풀어 가는 분을 찾습니다. 정해진 해법이 없는 문제를 직접 쪼개 접근을 정하고, 실제 서비스나 실사용 데이터에서 작동하는 결과까지 만들어 본 경험 Segmentation/Masking, Matting, Inpainting·이미지 복원 중 한 분야 이상에서 직접 연구하고 품질을 개선한 경험 Python·PyTorch로 학습·추론 코드를 수정하고, 필요한 전처리·파인튜닝·후처리를 구현하는 역량 OpenCV·NumPy로 이미지·좌표·마스크·알파·색공간을 다뤄본 경험 논문·오픈소스를 이해해 적용하고, Git·Linux·GPU 환경에서 기존 연구를 재현하는 역량 데이터·평가 조건을 맞춰 비교하고, 오류 원인과 개선 결과를 수치·이미지로 설명하는 역량 ZET가 찾는 동료 정답을 기다리기보다 문제를 먼저 붙잡는 동료를 찾습니다. 스스로 쪼개고 실험하고, 고객의 반응으로 확인하며 방법을 바꿔 갑니다. Self-Motivated 기존 연구를 이해하고, 필요한 실험을 스스로 설계하고 구현할 수 있는 분을 찾습니다. 모르는 것을 배우며 문제를 끝까지 살펴보는 태도를 중요하게 봅니다. Market-oriented 기술의 개선이 실제 사용자의 경험으로 이어지는지 살펴봅니다. 마케터의 문제와 제품의 쓰임을 함께 고민할 수 있는 분과 일하고 싶습니다. Open-minded 새로운 결과가 나오면 기존 가정을 다시 확인합니다. 특정 모델에 머무르지 않고, 실험의 근거에 따라 기술 조합을 바꿀 수 있는 분을 찾습니다. Resilient 작은 글자나 복잡한 배경처럼 잘 풀리지 않는 실패 사례를 분석합니다. 데이터·모델·후처리 중 원인을 나누어 보고 개선해 나갈 수 있는 분을 찾습니다.

우대사항

OCR·Text Segmentation, VLM, Diffusion·LoRA 관련 연구 경험 이미지 레이어를 HTML·CSS·SVG·Canvas 편집에 연결한 경험 모델의 추론 속도·메모리 사용량이나 서비스 적용을 개선한 경험

기술스택

Python, Pytorch, Git, Object Detection, Linux, NumPy, Computer Vision, OpenCV

채용절차

서류 > 면접 > 결과 발표 지원 자료 이력서와 함께 직접 개선한 연구 하나를 소개해주세요. 문제, 본인의 기여, 비교한 방법, 평가 기준과 결과를 살펴봅니다. 실무·연구실·개인 연구 경험 모두 가능합니다. 공개 가능한 코드나 포트폴리오가 있다면 함께 첨부해 주시면 감사하겠습니다! :)