Summary
β¨ AIβGenerated
An ML Infrastructure Engineer role focused on designing and operating high-performance AI computing environments. Responsibilities include managing Kubernetes-based GPU clusters and high-speed storage, building resource observability and allocation systems, automating infrastructure utilization, and developing profiling environments to identify model performance bottlenecks.
Highlights
Work on high-performance AI infrastructure, large GPU clusters, high-speed storage, automated resource management, observability, and performance optimization at significant scale.
Description
ν©λ₯νκ² λ νμ λν΄ μλ €λλ €μ
ν μ€μ¦κΆ ML Engineer(Infra)λ Product Division λ΄ ML Platform Teamμ μν΄ μμ΄μ.ML Platform Teamμ λͺ©νλ ν μ€μ¦κΆμ λ€μν AI/ML μλΉμ€λ€μ ν¨μ¨μ μ΄κ³ μμ μ μΌλ‘ κ°λ°νκ³ μ΄μν μ μλ μ΅μ μ λ¨Έμ λ¬λ νλ«νΌμ λ§λλ κ±°μμ.ML Engineer(Infra)λ ν λ΄μμ λκ·λͺ¨ AI μΈνλΌμ ν¨μ¨μ±μ κ·Ήλννκ³ λ¦¬μμ€ μ¬μ©μ μ κ΅νκ² μ μ΄νλ©°, μΈνλΌ μ±λ₯μ μ΅λκΉμ§ λμ΄μ¬λ¦¬λ κ³ λν μμ
μ μ§μ€ν μμ μ΄μμ.
ν©λ₯νλ©΄ ν¨κ» ν μ
무μμ
μ΄κ³ μ±λ₯ AI μ»΄ν¨ν
νκ²½μ μμ μ μΌλ‘ μ€κ³ λ° μ΄μν΄μ.InfiniBandλ‘ μ°κ²°λ H100, B300 μλ¦¬μ¦ λ± μ΅κ³ μ¬μμ GPU ν΄λ¬μ€ν°μ 400GbpsκΈ κ³ μ±λ₯ μ€ν 리μ§λ₯Ό μΏ λ²λ€ν°μ€ νκ²½μμ μ€κ³ λ° μ΄μν΄μ.λ¨μν μΈνλΌλ₯Ό ꡬμΆνλ κ²μ λμ΄, νλμ¨μ΄ μ±λ₯μ λκΉμ§ λμ΄λΌ μ μλλ‘ λ€νΈμν¬μ μ€ν 리μ§λ₯Ό μ΅μ νν΄μ.AI μΈνλΌ μ 체λ₯Ό νλμ λ³΄κ³ μ μ΄νλ μμ€ν
μ λ§λ€μ΄μ.μ¬λ΄ μΈνλΌμ μΈλΆ ν΄λΌμ°λμ λΆμ°λ AI μμ νν©μ ν΅ν©ν΄μ λ³Ό μ μλ κ΄μΈ‘ μμ€ν
μ ꡬμΆν΄μ.νΉμ μλΉμ€κ° μμμ λ
μ νμ§ μλλ‘ μ μ΄νκ³ , μ€μλμ λ°λΌ 리μμ€λ₯Ό μ κ΅νκ² ν λΉνλ κ΄λ¦¬ κΈ°λ₯μ κ°λ°ν΄μ.κ°μ₯ ν¨μ¨μ μΈ λ¦¬μμ€ μ¬μ©μ μν μλν λꡬλ₯Ό κ°λ°ν΄μ.μ¬μ©μλ€μ΄ 무μ¬μ½ λλΉνλ μμμ΄ μλλ‘, μ€μ μ¬μ© ν¨ν΄μ λΆμν΄ βλ± λ§λ 리μμ€βλ₯Ό μΆμ²ν΄ μ£Όλ λꡬλ₯Ό λ§λ€μ΄μ.λͺ¨λΈμ μ€μκ° μ±λ₯μ΄λ μλ¬μ¨μ κ°μ§ν΄ μλμΌλ‘ κ·λͺ¨λ₯Ό λ리거λ μ€μ΄κ³ , νμν κ³³μ GPUλ₯Ό μ¬λ°°μΉνλ κΈ°λ₯μ ꡬνν΄μ.λͺ¨λΈ μ±λ₯μ λ³λͺ©μ μ°Ύμ ν΄κ²°νλ νκ²½μ μ‘°μ±ν΄μ.λͺ¨λΈ νμ΅μ΄λ μλΉ μ€μ μλκ° λλ €μ§λ ꡬκ°μ΄ μ΄λμΈμ§ μ νν μ°ΎμλΌ μ μλ νλ‘νμΌλ§ νκ²½μ ꡬμΆν΄μ.νλμ¨μ΄μ μννΈμ¨μ΄ μ¬μ΄μμ λ°μνλ μ±λ₯ μ ν μμΈμ λΆμνκ³ κ°μ ν μ μλλ‘ μ§μν΄μ.
μ΄λ° λΆκ³Ό ν¨κ»νκ³ μΆμ΄μ
λκ·λͺ¨ νΈλν½μ μ²λ¦¬νλ μΏ λ²λ€ν°μ€ κΈ°λ° ML μΈνλΌλ₯Ό ꡬμΆνκ³ μ΄μν΄ λ³Έ κ²½νμ΄ νμν΄μ.λ¨μ κ°λ°μ λμ΄, μ€μ λΌμ΄λΈ μλΉμ€λ₯Ό μμ μ μΌλ‘ μ΄μνλ λ°μ μ±
μκ°μ λλΌλ λΆμ΄ νμν΄μ.μ₯μ κ° λ°μνμ λ κ·Όλ³Έ μμΈμ λκΈ° μκ² λΆμνκ³ λλ²κΉ
νμ¬ ν΄κ²°ν΄ λ³Έ κ²½νμ΄ νμν΄μ.μμ€ν
리μμ€(GPU/CPU/Memory/Network/Storage)μ λμ μ리λ₯Ό μ μ΄ν΄νκ³ μκ³ , μ΄λ₯Ό λͺ¨λν°λ§ν μ μλ μμ€ν
μ ꡬμΆν΄ λ³Έ κ²½νμ΄ νμν΄μ.μλΉμ€ μ΄μ μ€ λ°μνλ λ€μν λ¬Έμ λ€μ ν΄κ²°νλ©°, μμ€ν
μ λ κ²¬κ³ νκ² λ°μ μν€λ κ³Όμ μ κ°μΉλ₯Ό λμλ λΆμ΄ νμν΄μ.
μ΄λ° κ²½νμ΄ μλ€λ©΄ λ μ’μμ
λκ·λͺ¨ ν΄λ¬μ€ν°μ μμ μ¬μ© νν©μ ν΅ν© κ΄μΈ‘ν΄ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.Quota λ° Rate Limit λ±μ ν΅ν΄ 리μμ€λ₯Ό 체κ³μ μΌλ‘ μ μ΄νλ μμ€ν
μ ꡬμΆν΄ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.Kubeflowλ Kubernetes λ± μ€ν μμ€ νλ«νΌμ λ΄λΆ μ½λλ₯Ό κΉμ΄ νμ
νκ³ , νμμ λ°λΌ μ§μ μμ ν΄μ μ¬μ©ν΄ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.Nsight Systems/Compute, PyTorch Profiler κ°μ μ λ¬Έ λꡬλ₯Ό μ¬μ©ν΄ 컀λ λ 벨μμ λ³λͺ©μ λΆμνκ³ μ΅μ νν΄ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.μν¬λ‘λ νΉμ±μ λ§μΆ° λΉμ©μ μλΌκ±°λ μ±λ₯μ λμ΄λ μ
무(Rightsizing, Cost Optimization)λ₯Ό μ§μ μ€κ³ν΄ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.MIG, MPS κ°μ GPU κ°μν κΈ°μ μ λμ
ν΄ μμ νμ©λ₯ μ κ·ΉνμΌλ‘ λμ¬ λ³Έ κ²½νμ΄ μμΌλ©΄ μ’μμ.
μ΄λ ₯μλ μ΄λ κ² μμ±νμλ κ±Έ μΆμ²ν΄μ
μν©νΈ μμλ μ
무/νλ‘μ νΈμ κ·Έ κ²°κ³Ό(νΉν ν¨μ¨ κ°μ , μ±λ₯ μ΅μ ν μμΉ λ±)μ λν΄ κ΅¬μ²΄μ μΌλ‘ μ μ΄μ£ΌμΈμ.κΈ°μ μ μΌλ‘ μΈλΆ 곡κ°κ° λ―Όκ°ν μ¬νμΌ κ²½μ°, ν΄λΉ λΆλΆμ μ μΈν΄ μ£ΌμΈμ.ν΄κ²°ν λ¬Έμ λ€μ λν΄ μ΄λ€ λ°©λ²λ‘ λ€μ μ΄λ€ μ΄μ λ‘ μ μ©νλμ§ μμΈν μ μ΄μ£ΌμΈμ.
ν μ€μ¦κΆμμ μ¬μ©νλ κΈ°μ
Infrastructure: Kubernetes, Kubeflow, Argo CD, HelmCloud & Compute: AWS, Azure, H100/B300 GPU Cluster, Infiniband, NVLink, High-Performance Storage (400Gbps)Serving & Optimization: vLLM, SGLangObservability & Data: Prometheus, Grafana, Elasticsearch, Kafka, DCGM, NsightLanguages: Python
ν μ€μ¦κΆμΌλ‘μ ν©λ₯μ¬μ
μλ₯μ μ > ν리 μΈν°λ·° > μ§λ¬΄ μΈν°λ·° > λ¬Ένμ ν©μ± μΈν°λ·° > λ νΌλ°μ€ μ²΄ν¬ > μ²μ°νμ > μ΅μ’
ν©κ²© λ° μ
μ¬
κΌ νμΈν΄ μ£ΌμΈμ
μ΄λ ₯μ λ° μ μΆ μλ₯μ νμ μ¬μ€μ΄ λ°κ²¬λκ±°λ 근무 μ΄λ ₯ μ€ μ§κ³μ¬νμ΄ νμΈλ κ²½μ°, μ±μ©μ΄ μ·¨μλ μ μμ΄μ.ν μ€μ¦κΆ λ΄κ·μ λ°λΌ μ±μ© κΈμ§μ λλ 결격μ¬μ ν΄λΉμλ μ±μ©μ΄ μ·¨μλ μ μμ΄μ.μ₯μ μΈ λ° κ΅κ°λ³΄νλμμλ μ§μ μ κ΄λ ¨λ²μ λ°λΌ μ°λνκ³ μμ΄μ.
ν¨κ» ν λλ£λ₯Ό μν νλ§λ
"AI μΈνλΌμ ν¨μ¨κ³Ό μ±λ₯μ κ·ΉνμΌλ‘ λμ΄μ¬λ¦΄ λλ£λ₯Ό μ°Ύκ³ μμ΄μ"
ν μ€μ¦κΆμ μ΄λ―Έ B300 λ± μ΅κ³ μ 리μμ€λ₯Ό ν보νκ³ , μλ§μ AI μλΉμ€λ₯Ό λΌμ΄λΈλ‘ μ΄μνκ³ μλ μ‘°μ§μ΄μμ.
μ΄μ μ°λ¦¬λ 'λ¬Έμ μμ΄ λμκ°λ' μμ€ν
μ λμ΄, 'κ°μ₯ ν¨μ¨μ μ΄κ³ λΉ λ₯Έ' μμ€ν
μ λ§λλ λ¨κ³λ‘μ λμ½μ μ€λΉνκ³ μμ΄μ.νλ°νλ AI μμλ₯Ό κ°λΉνλ©΄μλ μΈνλΌ ν¨μ¨μ νκΈ°μ μΌλ‘ κ°μ νκ³ , 보μ΄μ§ μλ λ³λͺ©κΉμ§ μ§μνκ² μ°Ύμλ΄ μ΅μ ννλ λμ μ μΈ κ³Όμ λ€μ΄ μ¬λ¬λΆμ κΈ°λ€λ¦¬κ³ μμ΄μ.
λκ·λͺ¨ ν΄λ¬μ€ν°μ νν©μ νλμ νμ
νκ³ , κΈ°μ μ νκ³λ₯Ό λμ΄ μ΅κ³ μ μ±λ₯μ λ§λ€μ΄λ΄λ μ§λ¦Ών κ²½νμ μνμ λ€λ©΄ μ§κΈ λ°λ‘ ν μ€μ¦κΆμ ν©λ₯νμΈμ!