👋 팀 소개

안녕하세요. 회기동 막걸리 운영 본부 인프라팀 플랫폼 엔지니어링 파트입니다.

우리는 "우리 조직에 맞는 시스템은 우리가 직접 만든다"는 목표로, 동아리만의 내부 협업 솔루션을 직접 기획하고 설계하고 개발합니다. 여러 협업 툴에 흩어진 업무 환경을 하나로 모으는 백오피스 웹 플랫폼을 만들고, 부원들이 창작에만 몰입하도록 환경을 다집니다.

기획부터 디자인, 개발, 운영까지 서비스가 만들어지는 전 과정을 경험할 수 있습니다. 과제용 토이 프로젝트가 아니라 우리 동아리 부원들이 매일 쓰는 서비스를 만들기 때문에, 그 경험이 그대로 여러분의 포트폴리오가 됩니다.

🕹️ 포지션 소개

플랫폼 엔지니어링 파트는 단순한 사내 시스템을 넘어 AI로 동아리 운영을 더 똑똑하게 만드는 기능을 고민하고 있습니다. AI 엔지니어는 이 솔루션에 AI 기능을 설계하고 구현합니다.

회의록을 자동으로 요약하고 일정을 뽑아내거나, 동아리 내부 문서를 검색해 답을 찾아주는 기능처럼 부원에게 실제로 도움이 되는 AI 기능을 기획하고 개발합니다. 모델 연동은 물론 비용과 성능까지 함께 챙기며, 빠르게 발전하는 AI 기술을 실제 서비스에 적용하는, 요즘 채용 시장에서 가장 수요가 높은 경험을 직접 쌓을 수 있습니다.

---

🙋‍♂️ 우리는 이런 일을 해요

• LLM API를 활용해 회의록 자동 요약, 일정 추출 같은 기능을 설계하고 구현해요
• 동아리 내부 문서를 검색해 답을 찾아주는 RAG 파이프라인을 설계하고 개선해요
• 최신 논문·기술 트렌드를 살펴 우리 서비스에 적용할 만한 기법을 실험하고 도입해요
• 프롬프트·검색 전략·모델 선택을 바꿔가며 응답 품질과 비용·성능을 함께 개선해요
• 웹 개발자·기획자와 협업해 검증된 기능을 실제 서비스에 붙여요

🎯 이런 분을 찾고 있어요 (필수)

1. AI·LLM 분야를 진지하게 파고들고 싶고, 실제 서비스에 적용해 보고 싶은 분
2. Python으로 코드를 작성할 수 있는 분
3. 새로운 기법이나 논문을 찾아 읽고 직접 시도해 보는 것을 즐기는 분
4. "이 방법이 왜 더 나은가?"를 근거를 들어 설명하려는 분
5. 웹 개발자·기획자와 소통하며 기능을 구체화하는 협업을 원하는 분

🌱 이런 경험이 있다면 더 좋아요 (우대)

• OpenAI·Claude 같은 LLM API를 직접 써본 경험
• RAG·벡터 데이터베이스(Pinecone, ChromaDB 등)를 다뤄봤거나 구조를 이해하고 있는 분
• 프롬프트 엔지니어링이나 검색 전략을 바꿔가며 성능을 개선해 본 경험
• 논문·기술 블로그·오픈소스를 따라가며 최신 기법을 학습하는 습관이 있는 분
• STT, 임베딩, 파인튜닝 등 특정 기술을 실험해 본 경험
• FastAPI 같은 백엔드 프레임워크나 Git으로 협업해 본 경험

🎁 함께하면 이런 걸 얻어가요

• 실사용자 40~50명이 쓰는 서비스에 AI 기능을 직접 붙여보는 경험
• RAG 파이프라인을 처음부터 설계하고, 구조를 바꿔가며 성능을 검증하는 경험
• 최신 논문·기법을 읽고 실제 문제에 적용해 결과를 확인하는 리서치 경험
• 프롬프트·검색·비용을 정량적으로 개선해 본, 채용 시장에서 수요가 높은 실무 경험
• GitHub 기여 이력과 실제 동작하는 AI 기능처럼 그대로 제출 가능한 포트폴리오 확보

💬 먼저 활동한 부원들의 이야기

"논문에서 본 방법을 진짜 데이터에 적용해본 게 처음이라 신기했어요."

"RAG 구조를 몇 번 갈아엎으면서 왜 다들 어렵다고 하는지 알겠더라고요."

"비용이랑 정확도를 같이 잡는 게 진짜 실력이구나 싶었어요."

---

🌟 지원자님의 능력을 보여주세요.

🗂️ 필수 과제 (분량 자유)

[필수 질문 - 1개 선택]

아래 두 문제 중 하나를 골라, 어떻게 풀지 설계해 주세요.

• 회의 녹음에 STT 모델을 적용한 결과물(텍스트)에서, 주요 업무별 담당자와 일정을 추출하는 기능을 설계해 주세요. STT 결과의 오류나 잡음을 어떻게 다룰지, 어떤 방식으로 업무·일정을 뽑아낼지, 정확도를 어떻게 확인할지 함께 설명해 주세요.
• 총 200장 분량의 문서가 주어졌을 때, LLM 답변을 가장 효율적으로 개선하기 위한 RAG 구조를 제안하고, 그렇게 설계한 이유를 설명해 주세요. 청킹·임베딩·검색 방식의 선택 근거, 비용과 정확도의 트레이드오프를 함께 다뤄주세요.

가능하다면 참고한 논문·기법·자료가 있으면 함께 적어주세요. 근거를 들어 선택 이유를 설명하는 것을 눈여겨봐요.

[선택 질문 - 1개 선택]

아래 두 질문 중 하나를 골라 답변해주세요.

1. 본인이 LLM API를 써서 만들어본 프로젝트(토이 프로젝트, 수업 과제 등)의 GitHub 링크와 기여한 부분을 설명해주세요.
2. 필수 질문에서 답변한 설계의 핵심 부분을 의사코드나 간단한 코드로 구현해주세요. (언어 자유, 실행 방법 명시)

📌 주의사항

본 과제는 생성형 AI(예: ChatGPT, Claude 등)와 AI 코딩 도구를 참고 자료, 아이디어 확장, 코드 점검 같은 용도로 활용하는 것을 허용해요.

AI를 활용했다면, 답변 말미에 어떤 부분에서 어떤 목적으로 썼는지 간단히 밝혀주세요.

다만 AI의 답변을 그대로 복사하거나 무비판적으로 쓰는 것은 지양해 주세요. 본인이 직접 이해하고 다듬은 흔적이 가장 중요해요.

지원자의 자기주도적 사고와 문제 해결 과정, AI를 다루는 태도를 최우선으로 평가해요.

🗂️ 참고할 수 있는 포트폴리오가 있다면 전달해 주세요

＊ AI 엔지니어는 포트폴리오 제출이 선택이에요. 제출 시에는 지원서에 포함된 포트폴리오 제출란에 첨부해 주세요.

▶ AI·LLM을 활용해 만들어본 작업물이 있다면 자유롭게 첨부해 주세요. (예: 토이 프로젝트, 실험 노트북, 프롬프트 작업물 등)

▶ 형식은 자유이고, 개인 작업·팀 프로젝트·수업 과제 등 종류는 무관해요.

▶ 본인이 담당한 역할을 함께 적어주세요.