월드모델·머신러닝 엔지니어 (7년 이상)

1. 머신러닝 문제 정의 및 기술 방향 수립 • 자율주행 모빌리티의 Perception, 예측, 판단, 운영 데이터 문제와 scene 전체를 implicit하게 해석해 intention/trajectory를 예측하는 World Model 과제를 머신러닝 과제로 구조화 • 제품 성능에 미치는 영향도, 데이터 확보 가능성, 배포 난이도를 고려하여 모델 개발 우선순위 설정 • 현재 모델의 성능 한계와 실패 케이스를 분석하고 개선 로드맵 수립 • 연구 기법과 제품 적용 가능성 사이의 기술적 트레이드오프 판단 2. Dataset 및 SSL 학습 Pipeline 설계 • 차량 주행 로그, 센서 데이터, 시뮬레이션 데이터를 활용한 human-label-free SSL(자기지도학습) Dataset 설계 • 데이터 수집, 정제, 버전 관리, 품질 검수 기준 정의 (사람이 라벨링한 Dataset 의존 최소화) • 실패 케이스와 장기 운영 데이터를 반영한 데이터 보강 및 샘플링 전략 수립 • MLOps 환경과 연동되는 실험 추적 및 재현 체계 구축 3. 모델 개발 및 성능 검증 • 자율주행 데이터에서 발생하는 Perception, 예측, 판단, 이상 상황 분석 문제와 discrete 4D occupancy prediction을 continuous implicit world representation(Query(x,y,z,t,ego_intention)Occupancy/Risk/Affordance/Counterfactual)으로 확장하는 World Model 과제를 위한 모델 설계 및 학습 • SSL 및 Contrastive Representation Learning 기반으로 planning에 유용한 latent representation을 학습하고, action-conditioned/counterfactual prediction 실험 설계 • 정확도, 지연 시간, 안정성, 일반화 성능을 함께 고려한 평가 지표 설계 • 모델 실패 케이스를 분석하고 데이터, 구조, 손실 함수, 학습 전략 관점에서 개선 • 제품 요구사항에 맞는 모델 성능 기준과 배포 가능 여부를 판단 4. 임베디드 추론 최적화 및 배포 • NVIDIA Jetson 등 임베디드 플랫폼에서 모델 추론 속도와 자원 사용량 최적화 • 양자화, 프루닝, GPU 가속 등을 활용한 모델 경량화 수행 • C++, Python, CUDA를 활용한 실시간 추론 Pipeline 구현 • 실차 환경에서 모델 배포 후 로그를 수집하고 성능 저하 원인을 분석 5. 기술 리딩 및 시스템 통합 협업 • Perception, Localization, Motion Planning, 하드웨어 팀과 모델 입력·출력 인터페이스 조율 • 모델 변경이 자율주행 시스템 전체에 미치는 영향을 검토하고 통합 테스트 계획 수립 • 동료 엔지니어의 실험 설계, 코드 리뷰, 성능 분석을 지원 • 고객 현장과 제품 일정에 맞춘 모델 개발 우선순위 및 리스크 관리 [주요 산출물] • 제품 요구사항과 연결된 머신러닝 모델 개발 로드맵 • 학습 Dataset 정의서 및 데이터 품질 관리 기준 • 모델 학습·평가·실험 추적 리포트 • 임베디드 배포용 모델 및 추론 Pipeline • 모델 성능 대시보드 및 배포 판단 기준 문서 [온보딩 로드맵] [입사 후 1개월 | 모델·데이터·제품 요구사항 파악] • 현재 사용 중인 모델, Dataset, 실험 기록, 배포 환경 파악 • 제품 성능에 큰 영향을 주는 모델 실패 케이스와 데이터 병목 정리 • 우선 개선할 모델 또는 데이터 과제를 선정하고 평가 지표 초안 작성 [입사 후 3개월 | 1차 모델 개선 및 평가 체계 구축] • 우선순위가 높은 과제에 개선 모델 또는 데이터 보강 전략을 적용 • 현재 모델 대비 개선 효과를 정량 지표와 실패 케이스 기준으로 비교 • 배포 가능성을 판단할 수 있는 실험 추적 및 평가 리포트 체계 구성 [입사 후 6개월 | 임베디드 배포 및 운영 피드백 반영] • 개선 모델을 임베디드 환경에 배포하고 지연 시간과 자원 사용량을 검증 • 실차 로그를 기반으로 배포 후 성능 저하 또는 실패 케이스를 분석 • 데이터 수집부터 모델 개선까지 이어지는 반복 학습 루프 구축 [입사 후 1년 | 모델 개발 체계 고도화 및 기술 리딩] • 주요 모델의 개발·검증·배포 기준을 팀 표준으로 정착 • 제품 로드맵과 연결된 머신러닝 기술 전략 제안 • 동료 엔지니어와 협업하여 복수 모델 또는 데이터 과제를 병렬로 운영