2026 한화시스템 ICT부문
AX 대규모 채용

Q. 자기소개와 사업부에서 담당하고 계신 역할 및 직무 소개를 부탁드립니다.

저는 Value Creation사업부 AI 이노베이션담당의 AI사업팀에서 Vision 및 LLM 영역을 맡고 있는 강호영 프로입니다. AI를 실제 사업에 적용하여 고객이 기술을 제대로 활용할 수 있도록 돕는 역할을 맡고 있으며, 최근에는 LLM 중심의 프로젝트를 주로 진행하고 있습니다. 서울대학교 박사 과정에서는 수학과 통계 위주로 공부했고, 이전 직장인 삼성SDS에서는 스마트 팩토리 혁신 프로젝트를 수행했습니다. 이미지 비전 기반 반도체 불량 검출 AI를 시작으로 스피치 영역, LLM 파운데이션 모델까지 경험했으며 현재는 이를 스마트 야드에 적용하는 프로젝트를 진행하고 있습니다.

Q. 주요 고객군은 어떻게 되며, 최근 해당 분야의 주요 트렌드는 무엇인가요?

주요 고객군은 한화그룹의 제조, 방산, 에너지 분야입니다. 현재는 한화솔루션 큐셀 프로젝트를 진행 중이며, 이전에는 한화오션 컨설팅과 PoC를 수행했습니다. 최근 트렌드는 정해진 위치에서 이미지를 찍어 분석하던 단계를 넘어, 조선소 야드처럼 환경이 복잡하고 노이즈가 많은 거대 제조 현장에 AI를 적용하는 방향입니다. 현장의 복잡한 상호작용을 이해하는 기술과 피지컬 AI의 중요성이 커지고 있습니다.

Q. AI를 현장에 적용할 때 어떤 점이 가장 어려웠고 문제를 어떻게 해결하셨는지 말씀 부탁드립니다.

야드 현장은 기상 악화, 장비 고장, 사고 등 변수로 계획이 지속적으로 변경됩니다. 일반적인 LLM만으로 이를 다루면 환각 현상이 발생할 수 있습니다. 해결을 위해 현장의 인과관계를 온톨로지 그래프로 구조화하고, LLM이 해당 데이터를 호출해 답하게 함으로써 정확도를 높이고 있습니다. 또한, 알고리즘으로 풀기 어려운 최적화 문제는 LLM이 코딩 툴을 다루며 실시간 계산을 수행하도록 구현해 전체 실행 계획을 AI가 주도할 수 있도록 만들고 있습니다.

Q. AI 전문가로서 연구조직이 아닌 사업수행 조직을 선택하신 계기가 있나요?

현재 AI 발전은 자본과 GPU 리소스를 확보한 산업계가 주도하고 있습니다. 연구소에서 리소스 확보에 어려움을 겪는 경우가 많지만, 기업 현장에서는 투자 기반으로 훨씬 빠르게 프론티어 기술을 다룰 수 있습니다. 연구실에 머무르기보다 산업계에서 실질적인 리소스를 활용해 기술을 발전시키는 방향이 더 적합하다고 판단했습니다.

Q. 실제 프로젝트는 어떤 방식으로 진행되나요?

프로젝트에서 고객 설득의 비중이 매우 큽니다. 기술 변화 속도가 빠르기 때문에 어제의 지식이 오늘은 달라질 수 있습니다. 그래서 트렌드를 지속적으로 추적하고, 고객의 문제를 해결할 수 있는 가장 적절한 기술을 고객의 언어로 설명하고 제안하는 방식으로 진행합니다.

Q. 이 직무에 필요한 핵심 역량은 무엇인가요?

첫째는 끊임없는 학습입니다. 변화 속도가 매우 빠르기 때문입니다. 둘째는 도메인 전문가에 대한 존중입니다. 현장 전문가의 도메인 전문성과 AI 기술을 결합해 시너지를 만들겠다는 태도가 가장 중요합니다.

Q. 마지막으로 지원자에게 해주고 싶은 조언이 있다면?

연구 개발에서 끝나는 것이 아니라, 결과물이 실제 현장에 적용되고 경영 성과로 이어질 때 큰 성취감을 느낄 수 있습니다. 이런 실질적인 성취를 함께 만들고 싶은 분들에게 한화시스템 ICT부문의 AX 직무는 좋은 기회가 될 것입니다.

Q. 자기소개와 사업부에서 담당하고 계신 역할 및 직무 소개를 부탁드립니다.

저는 Data인텔리전스팀에서 수학적 최적화 과제를 주력으로 수행하고 있는 김득화 프로입니다. 이전 회사에서는 B2C 위주의 데이터 사이언티스트로 활동하며 유저 분석을 진행했으나, 현재는 한화오션에코텍의 공정 계획과 물류 최적화 문제를 해결하고 있습니다. 데이터 사이언티스트로 커리어를 시작했지만, 우리 회사에서 공정 계획 최적화 과제를 맡게 되며 자연스럽게 직무의 방향을 확장하게 되었습니다. 현재는 단순한 데이터 분석을 넘어, 산업 현장의 임팩트가 큰 문제들을 수학적 최적화 모델로 풀어내는 역할을 맡고 있습니다.

Q. 주요 고객군은 어떻게 되며, 최근 해당 분야의 주요 트렌드는 무엇인가요?

주요 고객군은 한화오션, 한화에어로스페이스 등 그룹 내 대형 계열사들입니다. 현재의 핵심 트렌드는 LLM, SI 개발, 인프라, 머신러닝, 그리고 공정 최적화가 하나로 결합된 디지털 트윈(Digital Twin) 사업을 구축하는 것입니다. 과거에는 각 기술이 개별적으로 유행했다면, 이제는 여러 직무의 전문가들이 모여 하나의 거대한 프로덕트를 만드는 것이 중요해졌습니다. 특히 수학적 최적화와 같은 본질적인 펀더멘탈(Fundamental) 기술이 온톨로지나 피지컬 AI와 결합하여 현장의 지능화를 이끄는 것이 최근의 주요한 흐름입니다.

Q. 수학적 최적화 담당자로서 업무 중 가장 어려웠던 부분 그리고 이를 어떻게 해결하셨는지 말씀 부탁드립니다.

현장 전문가들이 오랜 시간 쌓아온 '암묵지(노하우)'를 캐치하여 이를 정형화된 수식으로 변환하는 과정이 가장 어렵습니다. 추상적인 현장의 경험을 수학적 공식으로 정립해야 하기 때문입니다. 최근 프로젝트에서는 컴퓨터 파워의 발전을 활용해 시공간 최적화 문제를 해결함으로써, 한화오션에서 20년 가까이 풀지 못했던 난제를 해결하는 성과를 거두었습니다. 제조 현장은 데이터가 잘 정돈되지 않은 경우가 많지만, 수학적 최적화는 사람의 수리적 모델링 능력을 통해 데이터가 부족한 상황에서도 문제를 해결할 수 있다는 장점이 있습니다. 이렇게 파편화되어 있던 기술 노드들을 하나로 연결했을 때 나타나는 성과는 매우 인상적인 경험이었습니다.

Q. 최신 기술이 쏟아지는 시대에 데이터 전문가가 놓치지 말아야 할 '본질'은 무엇인가요?

요즘 후배들을 만나면 자주 하는 이야기가 있습니다. 한때 머신러닝(ML) 같은 기술들이 큰 유행이었지만, 시간이 흐르면서 점차 진입 장벽이 낮아진 측면이 있습니다. 이런 시기일수록 다음 단계로 성장하기 위해서는 최신 기술만 쫓기보다 기본기(Fundamental)를 놓치지 않는 것이 무엇보다 중요합니다. 예를 들어, 수학적 최적화는 아주 오래전부터 존재해온 분야이지만 여전히 현업의 난제를 해결하는 데 결정적인 역할을 합니다. 또한 온톨로지, 수학적 최적화, 나아가 피지컬 AI(Physical AI)까지, 이 모든 기술은 서로 독립적으로 노는 것이 아니라 결국 하나의 목표를 위해 유기적으로 연결되어 있는 노드들과 같습니다. 당장 눈에 보이는 화려한 트렌드에 매몰되기보다 본질적인 부분들을 꾸준히 공부하다 보면, 배운 것들을 쓸 수 있는 기회는 분명히 옵니다. 이렇게 파편화된 기술들을 하나로 종합하여 실제 문제를 해결하는 경험을 쌓는 것, 그것이 기술의 홍수 속에서 전문가가 지켜야 할 중심이라고 생각합니다.

Q. 이 직무에 필요한 핵심 역량은 무엇인가요?

첫째는 현장의 일반적인 개념들을 수식으로 변환(Convert)할 수 있는 능력입니다. 높은 수학적 이해도는 물론, 상황에 맞춰 휴리스틱 최적화와 같은 다양한 최적화 방법론을 유연하게 선택하고 사용할 줄 알아야 합니다. 둘째는 비즈니스 도메인에 대한 깊은 이해입니다. 예를 들어, 사료 조합 최적화를 통해 비용을 낮추고 영양을 최대화하는 모델을 완벽하게 만들었더라도, 정작 소가 그 사료를 먹지 않는다면 그 프로젝트는 실패한 것이나 다름없습니다. 이처럼 아무리 수학적으로 훌륭한 솔루션이라도 현장의 실제 제약 조건과 비즈니스 상황을 반영하지 못하면 의미가 없습니다. 기술을 도구로 삼아 도메인 지식과 결합하고, 문제를 끝까지 해결하려는 유연한 사고가 필수적입니다.

Q. 마지막으로 지원자에게 해주고 싶은 조언이 있다면?

우리가 하는 일은 대한민국 방산과 조선 사업의 한 축을 담당하는 차원의 프로젝트입니다. 내가 낸 결과물이 향후 5년, 10년의 산업 기초가 된다는 점에서 큰 책임감과 자부심을 느낄 수 있습니다. 물론 현장으로의 출장 같은 현실적인 허들이 존재하지만, 끊어져 있던 기술과 인프라를 하나로 연결해 성과를 냈을 때의 성취감은 다른 곳에서 맛보기 어려운 특별한 경험입니다. 단순히 이론에 머물지 않고 현장에 직접 몸으로 부딪치며 넓은 시야를 갖고 싶은 분들, 그리고 자신의 기술로 거대한 산업의 변화를 이끌고 싶은 분들의 도전을 기다립니다.

Q. 자기소개와 사업부에서 담당하고 계신 역할 및 직무 소개를 부탁드립니다.

안녕하세요, AI 이노베이션 담당 온톨로지 사업팀에서 온톨로지 설계와 구축을 맡고 있는 노원우 프로입니다. 저는 연세대학교에서 컴퓨터 과학 박사 과정을 밟으며 온톨로지의 근본 스택인 시맨틱 웹(Semantic Web)과 IoT 도메인 온톨로지를 연구했습니다. 현재는 한화오션의 공정 데이터와 여러 리소스를 온톨로지, LLM, AI와 엮어 기술적으로 규명하는 프로젝트를 수행하고 있습니다. 구체적으로는 스마트 생산 관리 체계 구축과 공정 리스크 예측 본 과제에서, 앞단의 데이터와 뒷단의 AI를 온톨로지로 연결하여 AI가 리소스를 최적으로 활용해 정교한 답변을 내놓을 수 있도록 설계하는 역할을 합니다.

Q. 주요 고객군은 어떻게 되며, 최근 해당 분야의 주요 트렌드는 무엇인가요?

현재 주요 고객은 한화오션과 한화오션 에코텍입니다. 최근 트렌드는 '온톨로지'라는 용어가 부상하며 도입에 대한 관심이 급격히 높아진 것입니다. 많은 기업이 사일로(Silo)화된 시스템과 파편화된 데이터를 통합하고 AI와 결합해 문제를 해결하고 싶어 합니다. 단순히 생산 공정뿐만 아니라 선박 설계 영역까지 관심사가 확대되고 있으며, 이제는 온톨로지가 모든 문제를 해결해 주는 도깨비방망이는 아니더라도, 복잡한 제조업 데이터 체계를 하나로 묶기 위해 반드시 필요한 기반 기술로 인식되는 추세입니다.

Q. 온톨로지를 현장에 적용하면서 가장 어려웠던 점 그리고 어떻게 해결하셨는지 말씀 부탁드립니다.

온톨로지 설계에서 가장 중요한 '핵심 질문(Competency Questions, CQ)'을 도출하는 과정이 가장 어렵습니다. 온톨로지는 도메인 내 수많은 개념을 하나의 통일된 체계로 연결하는 작업인데, 이를 위해서는 현업의 노하우와 인사이트가 필수적입니다. 하지만 현장의 현업 전문가들은 신사업 도입에 대해 귀찮아하거나 때로는 적대적인 경우도 있습니다. 자신의 노하우가 시스템화되는 것에 대한 거부감이 있을 수 있죠. 이 부분은 뾰족한 기술적 해결책이 없습니다. 결국 현장에 직접 얼굴을 비치고 소통하며 라포(Rapport)를 쌓는 것이 유일한 방법입니다. 현업의 목소리를 경청하며 그분들이 가진 노하우를 지식 체계로 변환해 나가는 과정을 거치고 있습니다.

Q. 혹시 연구조직이 아닌 사업조직을 선택하신 계기가 있나요?

학계에서 배우는 것은 IT의 아주 일부분입니다. 특히 박사 과정 중에는 아주 좁은 분야를 깊게 파야 하는데, 개인적으로는 그 과정이 다소 정체되어 있다고 느꼈습니다. 대학원 시절 공부하는 내내 학교보다 인더스트리(산업계)에서 배울 것이 훨씬 더 많겠다는 확신을 가졌습니다. 이론적인 연구에만 머물기보다, 제가 가진 온톨로지 전공 지식을 실제 사업에 적용해 가치를 증명하고 싶어 사업팀에 합류하게 되었습니다. 입사 초기에는 온톨로지에 대한 관심이 적었지만, 최근 프로젝트가 급증하며 제 전공을 현장에서 마음껏 펼칠 기회를 얻게 되었습니다.

Q. 실제 프로젝트는 어떤 방식으로 진행되나요?

먼저 도메인의 핵심 질문인 CQ를 수립하는 것에서 시작합니다. 조선소를 예를 들어 "조립 공정 현황이 어떠냐"는 질문이 있다면, 도메인을 모르는 사람이나 일반 AI는 '소조, 중조' 같은 세부 공정 용어 간의 관계를 파악하지 못합니다. 온톨로지 담당자는 이 지점들을 포착해 개념 간의 관계를 정의하고 지식 그래프(Knowledge Graph) 형태로 모으는 작업을 합니다. 데이터 테이블뿐만 아니라 문서나 사람의 지식 등 도메인 내 수많은 리소스를 통일된 체계로 합치고, 이를 AI가 효과적으로 질의하고 답변할 수 있는 구조로 만드는 것이 전체 프로젝트의 핵심 프로세스입니다.

Q. 온톨로지 직무가 일반적인 데이터 분석과 다른 점은 무엇인지, 노원우 프로님께서 생각하시는 제대로 된 온톨로지는 어떤 것인지 설명해주세요.

데이터 엔지니어링이 데이터를 쌓고 흐르게 하는 '파이프라인'을 만드는 일이라면, 온톨로지는 그 데이터가 무엇을 의미하는지 '맥락과 관계'를 설계하는 일입니다. 단순히 테이블을 읽는 것이 아니라, "이 데이터가 저 공정과 어떤 상관이 있는가?"라는 도메인의 논리를 시스템에 심어주는 작업이죠. 그래서 단순 기술력보다 도메인에 대한 깊은 이해가 필수적인 직무입니다. 단순히 유행하는 용어를 따라가는 것이 아니라, 실제 현장의 문제를 해결할 수 있는 '실효성 있는 지식 체계'여야 합니다. AI가 아무리 똑똑해도 현장의 특수한 관계를 모르면 엉뚱한 답을 합니다. 현업의 노하우를 정확하게 추상화하여 AI가 현장의 언어로 생각할 수 있게 만드는 것, 그것이 제가 지향하는 제대로 된 온톨로지의 모습입니다.

Q. 이 직무에 필요한 핵심 역량은 무엇인가요?

첫째, 새로운 도메인을 맞닥뜨리는 데 두려움이 없어야 합니다. 제조업이라는 낯선 산업을 공부하고 흡수하려는 태도가 중요합니다. 둘째, 엔지니어적 시각을 넘어선 '인문학적 역량'입니다. 현장에 펼쳐진 복잡하고 추상적인 개념들 사이의 관계를 쫙 그려낼 수 있는 추상화 능력이 필요합니다. 컴퓨터 기술이나 AI 지식도 중요하지만, 제조업 기반의 산업 전반에 대한 감각과 인문학적 통찰력이 있어야 온톨로지를 제대로 설계할 수 있습니다.

Q. 마지막으로 지원자에게 해주고 싶은 조언이 있다면?

지금 온톨로지 직무를 시작한다면 기업 현장에서 그 누구보다 먼저 앞서가는 '개척자'가 될 수 있습니다. 현재 실무단에서 온톨로지를 제대로 쓰는 곳은 거의 없습니다. 많은 기업이 단어만 차용할 뿐 근본 없이 진행하는 경우가 많죠. 저는 기왕 시작한 거 한국의 스탠다드를 제대로 만들어보겠다는 생각으로 임하고 있습니다. 한화시스템에 오시면 저와 함께 온톨로지를 '제대로' 배울 수 있습니다. 아무도 가보지 않은 길을 개척하고 싶은 분들이라면 최고의 기회가 될 것입니다.

Q. 자기소개와 사업부에서 담당하고 계신 역할 및 직무 소개를 부탁드립니다.

안녕하세요. Value Creation 사업부 AI 이노베이션담당 AI사업팀 소속 조승연입니다. 현재 AI Agent 기반 사업의 수행과 기술 개발에 참여하고 있습니다. 저는 통계학 전공으로 커리어를 시작해 데이터에서 패턴을 찾고 문제를 해석하는 역량을 쌓아왔고, 이러한 경험이 지금의 Agent 설계에도 이어지고 있습니다. 특히 LLM의 확률적 특성과 규칙 기반 로직을 어떻게 결합할 것인지에 대해 지속적으로 고민하고 있습니다. 현재는 고객사 AI Agent 사업을 수행하며 문제 정의부터 설계, 개발, 운영까지 전 과정을 담당하고 있고, 동시에 팀 내에서는 기술 자문 역할을 통해 프로젝트에서 발생하는 기술적 이슈 해결을 지원하고 있습니다.

Q. 주요 고객군은 어떻게 되며, 최근 해당 분야의 주요 트렌드는 무엇인가요?

현재 주요 고객군은 아워홈을 대상으로 프로젝트를 수행하고 있습니다. 복잡한 업무 규칙과 방대한 데이터를 기반으로 하기 때문에, 단순 FAQ 챗봇이 아니라 실제 업무를 이해하고 수행하는 AI에 대한 수요가 높습니다. 도메인이 달라도 "업무 규칙을 AI가 어떻게 안정적으로 준수하게 할 것인가"라는 본질적인 과제는 공통적입니다. 최근에는 RAG 중심에서 벗어나 Agent 기반 구조(Planner–Executor, 도구 호출, 상태 관리 등)가 빠르게 표준화되고 있으며, 동시에 응답 품질보다 규칙 준수, 추적 가능성, 운영 안정성을 더 중시하는 방향으로 변화하고 있습니다. 이에 따라 Symbolic AI와 Neural AI를 결합해 유연성과 통제력을 함께 확보하려는 흐름도 강화되고 있습니다. 결국 지금의 AI 산업은 가능성을 보여주는 단계를 넘어, 엔터프라이즈에 실제로 안착시키는 단계로 전환되고 있습니다. 그리고 그 흐름의 한가운데에서 직접 문제를 풀고 있다는 점이, 저에게는 가장 흥미로운 부분입니다.

Q. AI를 현장에 적용할 때 어떤 점이 가장 어려웠고 어떻게 해결하셨는지 말씀 부탁드립니다.

AI 사업을 실제로 해보면 기술적인 모델링보다 더 힘든 지점들이 있습니다. 그중 하나는 규칙의 엄격성과 LLM의 유연성 사이의 간극입니다. 초기에는 프롬프트나 RAG로 해결하려 했지만 한계가 있었고, 이를 해결하기 위해 LLM은 판단과 의사결정에 집중시키고 실제 규칙 집행은 결정론적 로직이 담당하도록 역할을 분리했습니다. 또 다른 어려움은 운영 단계에서의 성능, 비용, 안정성 문제입니다. 실사용 환경에서는 다양한 이슈가 발생하기 때문에 관측 가능성 체계를 구축하고 모델 호출 구조를 지속적으로 최적화했습니다. 이 과정을 통해 새로운 것을 만드는 단계에서 안정적으로 운영되도록 만드는 단계로 사고방식을 전환해야 한다는 점을 많이 배우고 있습니다. 또한, 기술적 해결 못지않게 중요한 건 현업과의 지속적인 대화입니다. AI 사업은 기술 프로젝트라기보다 변화 관리 프로젝트에 더 가깝다는 점을 현장에서 실감하고 있습니다.

Q. 실제 프로젝트는 어떤 방식으로 진행되나요?

제 AI Agent 사업은 "모델부터 만들자"가 아니라, 현업의 일을 이해하는 것에서 출발합니다. 먼저 현업 인터뷰를 통해 전문가의 판단 기준을 끌어내고, 이를 "입력–판단–근거" 중심의 의사결정 구조로 체계화합니다. 이후 Agent가 활용할 데이터와 지식 베이스를 구축하고, 필요한 기능을 Tool 형태로 개발해 레거시 시스템과 연동합니다. 이때 규칙 집행은 시스템이 담당하고, Agent는 판단에 집중하도록 역할을 분리합니다. 그 다음으로는 Planner–Executor 기반의 Agent 아키텍처를 설계하고, 워크플로우와 메모리, 에러 처리, 관측 가능성까지 포함해 운영 가능한 구조로 완성해 나갑니다. 이 과정은 AI 수행팀뿐 아니라 고객사의 현업 및 IT 부서, 외부 파트너가 함께 협업하며 진행됩니다. 무엇보다 중요한 점은, 이 모든 단계가 순차적으로 끝나는 것이 아니라는 것입니다. 세 단계를 오가며 반복적으로 보완하고 다듬어가는 과정이 실제 프로젝트의 본질이라고 생각합니다.

Q. 이 직무에 필요한 핵심 역량은 무엇인가요?

제가 현장에서 일해보며 가장 중요하다고 느낀 핵심 역량은 고객의 비즈니스를 이해하고 이를 기술 문제로 번역하는 능력입니다. 고객의 요구 이면에 있는 실제 업무 구조와 가치, 제약 조건을 파악하고 이를 입력/판단 로직/평가 기준 등 실행 가능한 형태로 구체화할 수 있어야 합니다. 이 번역 능력이 결국 사업의 성패를 좌우한다고 생각합니다. 또한, LLM에 대한 균형 잡힌 시각이 필요합니다. LLM은 매우 강력한 도구이지만 만능은 아니기 때문에, 문제의 성격에 따라 규칙 기반이나 전통적인 접근까지 포함해 가장 적합한 방법을 선택할 수 있는 판단력이 중요합니다.

Q. 마지막으로 지원자에게 해주고 싶은 조언이 있다면?

우선, 기술 자체보다 문제를 해결하려는 책임감이 중요합니다. AI 사업의 본질은 최신 기술을 적용하는 것이 아니라, 실제 비즈니스 문제를 해결하고 생산성 향상으로 이어지게 만드는 데 있습니다. 특히 강조드리고 싶은 부분은 실제 운영 환경의 무게를 이해하는 태도입니다. PoC와 실사업은 다르며, 성능·비용·예외 상황까지 고려해 안정적으로 운영할 수 있어야 비로소 의미 있는 결과를 만들 수 있습니다. 또한 현업과 함께 문제를 풀어가는 자세도 중요합니다. 전문가의 지식을 존중하고 협업을 통해 해답을 만들어가는 과정이 좋은 결과로 이어진다고 생각합니다. 끝으로, 이 일의 매력을 한 가지 말씀드리면 빠르게 발전하는 AI 기술을 실제 서비스와 시스템으로 구현해낼 수 있다는 점입니다. 논문이나 데모에서 보던 기술이 현장에 적용되고, 그것이 실제 비즈니스 임팩트로 이어지는 과정을 직접 경험할 수 있다는 점이 큰 보람이라고 생각합니다.