About The Role

로봇 학습(robot learning)에 필요한 대규모 로봇 데이터의 수집을 계획, 운영하고, 데이터 품질과 커버리지를 관리하며, 모델 엔지니어와 함께 로봇의 실제 능력을 측정하는 평가 체계를 설계, 운영하는 역할입니다. 모델이 무엇을 배우는지(데이터), 얼마나 잘하는지(평가), 그리고 배포 현장에서 실제로 잘 동작하는 지(현장 품질)를 하나로 연결해 관리하는, 로봇 학습의 데이터, 평가 축을 담당합니다. 로봇 학습의 성능은 결국 데이터와 평가의 수준에서 결정되며, 이 포지션은 그 기반을 초기 단계부터 직접 설계하고 만들어가는 역할입니다.

주요업무 (Key Responsibility)

로봇 학습 데이터 수집 계획 수립 및 운영 - 수집 우선순위 설계, 수집 프로토콜(SOP) 작성·개정, 진행 현황 관리
외부 수집 파트너 및 수집 현장 오퍼레이션 - 처리량(throughput)·품질·일정·비용 등 운영 지표 관리, 병목 파악 및 개선
모델 학습의 우선순위를 수집 계획으로 번역하고, 현장에서 발생하는 문제(모호한 수집 지침, 장비, 환경 이슈 등)를 조기에 발견해 엔지니어와 함께 해결
데이터 라벨링 기준 정의 및 라벨 QA 프로세스 운영, 데이터셋 커버리지, 품질 대시보드 관리
모델 엔지니어와 협업하여 내부 평가 프로토콜·벤치마크 설계 및 운영 - 실제 작업 환경 기준의 평가 설계, 통계적으로 신뢰 가능한 성능 비교 기준 수립
배포 현장의 AI 품질 KPI(예: 작업 성공률, 작업 속도, 실패 유형별 발생률, 복구 성공률)를 모니터링하고, 모델 릴리즈 전 회귀 테스트와 평가 리포트를 운영하며, 현장 실패 사례를 다음 수집 계획과 평가 항목에 반영 - 데이터 수집, 내부 평가, 현장 품질을 하나의 개선 루프로 연결
생성형 AI를 활용해 수집 집계·라벨 검수·리포트 생성 등에 필요한 스크립트와 도구를 직접 제작·개선
데이터 수집, 라벨링, 평가, QA 등 오퍼레이션 프로그램을 관리해 본 경험 3년 이상
개발 직군 수준의 코딩 역량은 요구하지 않으나, 생성형 AI를 활용해 Python, SQL 수준의 스크립트를 능동적으로 작성·수정할 수 있는 분
성공률, 표본 수, 신뢰구간 등 기초 통계 개념을 이해하고 데이터에 근거해 소통할 수 있는 분
엔지니어, 수집 현장, 외부 파트너 등 성격이 다른 이해관계자와 직접 협업, 조율해 본 경험
책상 앞이 아닌 현장에서 문제를 확인하고 해결하는 것을 선호하는 분
기준과 프로세스를 문서화하고 개정 이력을 관리하는 습관을 가지신 분

우대사항(Preferred)

로보틱스, 자율주행, ML 데이터셋 구축 또는 라벨링 오퍼레이션 경험
로봇 데이터 수집 워크플로(egocentric video, UMI, teleoperation 등)에 대한 이해
평가 체계, 벤치마크 설계 또는 실험 설계(A/B 테스트 등) 경험
물류·제조 등 산업 현장 프로세스에 대한 이해
영어 기술 문서(테크 리포트 등) 독해 역량
Unlimited AI token (Claude) - AI 도구 사용에 제한이 없습니다.
Minimal meetings with fast decision-making - 불필요한 회의를 최소화하고 빠르게 의사결정합니다.
Modern intranet/tools - Google Workspace, Slack, Notion, Linear, Workable, Flex.team 등.