👋 우리 ​팀을 ​소개합니다.

우리는 ​다양한 NPU/GPU/CPU ​기반 Edge 디바이스에서 최신 ​LLM ​및 Vision ​모델이 안정적으로 작동하도록 ​모델 변환 ​→ ​최적화 → ​컴파일 ​→ ​디바이스 배포까지 전체 ​파이프라인을 ​설계·구현하는 팀입니다. 최근에는 ​이 ​역량을 ​실물 로봇 영역으로 ​확장하여 Vision-Language-Action(VLA) ​모델과 ​World Model을 ​실제 로봇 ​하드웨어 ​위에서 동작시키고, 데이터 ​수집 → ​학습 → 최적화 → 온디바이스 배포로 이어지는 로봇 지능 파이프라인을 구축하고 있습니다.

우리의 핵심 미션은 "어떤 모델이든, 어떤 디바이스/로봇 환경에서도 결국 동작하게 만드는 것" 입니다.

Physical AI Researcher Intern은 이 미션을 방법론 관점에서 앞당기는 역할입니다. 로봇 파운데이션 모델의 한계를 문제로 정의하고, 가설을 세우고, 실험으로 검증하여 팀의 파이프라인에 이식합니다.

📌 해당 포지션으로 합류하신다면

• • 로봇 파운데이션 모델(VLA / World Model)을 연구 수준에서 다루는 경험을 할 수 있습니다.
• • 실패 데이터·선호 학습·경량화 등 최신 방법론을 실제 문제에 적용해볼 수 있습니다.
• • 시뮬레이션과 실물 로봇(SO-101, reBot, Lekiwi 등)을 오가며 검증하는 end-to-end 연구 경험을 할 수 있습니다.
• • 연구 결과가 Edge 디바이스 배포까지 이어지는 Physical AI 전 과정에 대한 시야를 기를 수 있습니다.

✅ 주요 업무

1. VLA/World Model 연구 및 학습

• • Vision-Language-Action 모델과 World Model의 구조·학습 방식 심층 분석 (예: GR00T, π0, SmolVLA, Cosmos 계열)
• • 로봇 도메인 데이터에 대한 파인튜닝 / post-training 레시피 설계 및 검증
• • 액션 헤드(diffusion, flow matching 등)의 동작 원리 이해와 개선 아이디어 도출
• • 최신 논문을 빠르게 재현(reproduce)하고, 우리 세팅에서 유효한지 판별

2. Training-free 경량화 방법론 연구

• • 재학습이 불가능한 파운데이션 모델을 대상으로 재학습 없는 경량화(training-free compression) 연구
• • 모델의 구조적 중복성(redundancy) 분석 — token/layer/expert 단위 중복, attention sparsity 등
• • compute-bound / memory-bound 병목 프로파일링과 그에 맞는 기법(quantization, pruning, caching, early-exit 등) 선택
• • 실시간 제어 주파수를 만족하기 위한 latency-품질 trade-off 곡선 도출

3. 실패 데이터 기반 정책 개선 연구

• • rollout 실패 에피소드를 버리지 않고 학습 신호로 전환하는 방법 연구
• • preference learning(DPO 계열), imitation learning, offline RL 등 정책 개선 기법의 로봇 도메인 적용
• • credit assignment(어느 시점의 어떤 행동이 실패를 만들었는가) 설계 및 검증
• • 성공률·jitter·task 완수 시간 등 정량 지표로 개선 효과 측정

4. 데이터셋 품질과 학습 신호 분석

• • 훈련 데이터셋의 결함이 정책 성능에 미치는 영향 분석 (커버리지, 일관성, 액션 노이즈 등)
• • 품질 지표를 근거와 함께 정의하고, 필터링·증강 전략이 성능에 주는 효과를 실험으로 입증
• • 시뮬레이션 / 실물 데이터 간 도메인 갭 분석 및 완화 방법 탐색

5. 실험 설계와 정량적 검증

• • 가설 → 최소 실험(제안이 틀렸음을 가장 빨리 알 수 있는 실험) → 확장 실험으로 이어지는 실험 계획 수립
• • 공정한 baseline 설정, ablation 설계, 통계적으로 신뢰할 수 있는 평가 프로토콜 구성
• • 시뮬레이터(robosuite, IsaacSim, MuJoCo 등) 및 실물 로봇에서의 평가 파이프라인 구축

6. 연구 결과 문서화 및 이식

• • 문제 정의, 방법론, 실험 결과, 한계(failure mode)를 구조적으로 문서화
• • 검증된 방법론을 엔지니어링 파이프라인에 이식할 수 있는 형태로 정리 (재현 가능한 코드·레시피)
• • 팀 내·외부 커뮤니케이션을 통한 정보 수집 및 문제 구조화

✅ 자격요건

• • Python / PyTorch 기반 연구 구현 능력: 학습·평가 파이프라인을 직접 작성하고 디버깅 가능하신 분
• • 딥러닝 이론 이해: Transformer, attention, diffusion/flow matching, 최적화 등 핵심 개념에 대한 이해를 갖추신 분
• • 논문 독해 및 재현 능력: 최신 논문을 읽고 핵심 기여와 한계를 스스로 판별 가능하신 분
• • 실험 설계 능력: 가설을 정량적으로 검증 가능한 형태로 만들고, 결과를 근거 있게 해석하는 태도를 갖추신 분
• • 수식으로 논증하는 능력: 제안 방법을 말이 아닌 목적함수·수식 수준으로 기술 가능하신 분

✅ 우대사항

• • VLA / World Model / Imitation Learning / RL 관련 연구 또는 프로젝트 경험
• • preference optimization(DPO, RLHF 계열) 또는 offline RL 구현 경험
• • 모델 경량화(quantization, pruning, distillation, KV cache 최적화 등) 연구 경험
• • 로봇 시뮬레이터(robosuite, IsaacSim, MuJoCo, PyBullet, Genesis, ManiSkill 등) 사용 경험
• • 로봇 제어 프레임워크(ROS, LeRobot 등) 사용 경험
• • 멀티모달 데이터(영상/센서/액션) 처리 및 대규모 학습 경험
• • 논문·기술 블로그 등 연구 결과를 공개적으로 정리한 경험
• • AI Tool을 활용하되, 스스로 논리를 구성하고 추론할 수 있는 능력

✅ 채용 절차

• • 서류 검토 → 1차 인터뷰 & 과제 → 최종 선발

✅ 근무 기간

• • 6개월

지원 전, 확인해주세요! 👀

• • 해당 공고는 상시 채용으로, 채용 완료 시 조기 마감될 수 있습니다.
• • 이력서 내 연봉 정보 등 민감한 개인 정보가 기재되어 있다면, 해당 서류는 검토되지 않을 수 있습니다.
• • 제출해 주신 내용 중 허위 사실이 있을 경우 채용이 취소될 수 있습니다.
• • 채용 전 레퍼런스 체크가 있음을 알려드립니다.
• • 최종 인터뷰 합격 시 별도로 처우를 협의합니다.
• • 국가보훈대상자 및 장애인은 관련 법규에 의거하여 우대합니다.
• • 장애인 고용 촉진을 위한 행정적 절차 확인이 필요한 경우, 장애인 등록증 사본을 기타 서류 란에 선택적으로 제출하실 수 있습니다. 제출 여부는 전형 평가에 어떠한 영향도 미치지 않습니다.

읽어보면 도움 되는 관련 자료 🔎

🌿노타 라이프

• 노타는 핵심 가치(CV)를 어떻게 실행할까?
• 신입 사원 노식이의 노타 적응기
• 우리가 일하는 공간을 소개합니다!

💡노타가 하는 일

• 기술 이야기 없이 노타 설명하기
• AI 모델 최적화 플랫폼 '넷츠프레소'란?
• 노타의 온디바이스 AI '솔루션' 맛보기
• Nota Tech Blog: 더 알아보기