당신이 맡게 될 역할

GAIA-BT의 AI Platform Engineer는 LLM·GPU·스토리지 중심의 연구 인프라 전체를 설계하고 운영합니다. 

1. LLM & AI-Agent 실행을 위한 백엔드 시스템 구축

• AI-Agent 및 실험 워크플로우를 위한 Backend API 설계

• 비동기·병렬 작업 처리 시스템 구축

• 장시간 실행되는 에이전트 작업의 상태 관리 및 재시도 설계

• 실험 재현성을 고려한 실행 환경 관리
  
  

2. GPU 서버 & 연산 자원 운영

• 온프레미스 GPU 서버 또는 클라우드 GPU 인프라 운영

• CUDA, NVIDIA Driver, Docker 기반 GPU 환경 구성

• 실험 우선순위 및 자원 할당 전략 설계

• LLM inference / fine-tuning 워크로드 최적화

3. NAS / 대용량 데이터 스토리지 설계

• 화합물 데이터, 모델 아티팩트, 실험 로그 저장 구조 설계

• NAS / Object Storage 기반 데이터 관리

• 대규모 파일 I/O 성능 최적화

• 데이터 버저닝 및 백업 전략 수립

4. 연구 친화적인 DevOps / MLOps 환경 구축

• 모델, 프롬프트, 에이전트 버전 관리

• 실험 로그 및 메트릭 수집

• 실패해도 다시 돌아올 수 있는 실험 환경 설계

• 보안과 접근 제어를 고려한 내부 연구 인프라 구축

5. AI Agent Engineer와의 밀접한 협업

• 실험 설계 단계부터 인프라 관점의 피드백 제공

• “이 실험은 비용이 너무 큼 / 이건 구조를 바꾸면 됨” 같은 현실적 제안

• 새로운 모델·프레임워크 도입 시 기술 검증(PoC) 주도

핵심 기술 스택

1. LLM / Agent

• OpenAI, Claude, Gemini, LLaMA 계열 모델 활용 경험

• LangChain, LangGraph, LlamaIndex 기반 에이전트 시스템 구축 경험

• Tool calling, function calling, structured output 설계

• Multi-agent coordination, reflection, self-critique 패턴

• Retrieval & Knowledge System

2. RAG 아키텍처 설계 및 고도화

• Vector DB (FAISS, Milvus, Pinecone, Weaviate, chromaDB 등)

• 문헌/특허 파싱 및 지식 그래프적 접근

• Long-term memory, hierarchical memory 설계 경험

• Scientific Computing / Bio-Chem Domain

3. Python 기반 연구 코드 작성 능력

• RDKit, Open Babel 등 cheminformatics 라이브러리

• BioPython, Scanpy, AnnData 등 bioinformatics 툴

4. LLM output 평가 프레임워크 설계

• 자동 테스트, 시뮬레이션 기반 검증 파이프라인

• Hallucination 억제 전략 및 scientific constraint 적용

5. System / Infrastructure

• FastAPI, Flask 등 API 서버 설계

• 비동기 작업 처리 (Celery, Ray 등)

• AWS/GCP 기반 인프라 활용

• MLOps / LLMOps 파이프라인 구축

이런 분과 특히 잘 맞아요

• “LLM으로 논문 요약하는 건 이제 재미없다”고 느끼는 분

• AI가 가설을 세우고 실험 전략을 짜게 만들고 싶은 분

• 코드, 논문, 데이터를 오가며 문제를 구조화하는 데 익숙한 분

• 바이오/화학 도메인을 두려워하지 않고 파고들 수 있는 분

• 연구와 제품 사이의 긴장을 즐기는 분