AI Researcher (전문연구요원 가능) | 히츠

AI Researcher (전문연구요원 가능) | 히츠

AI Researcher (전문연구요원 가능) | AI 연구팀 | Research | 생성 모델, 물성 예측, 구조 예측 | 경력 무관 | 정규직 | 히츠 본사(기업부설연구소) | 채용 시 마감

히츠는 어떤 회사인가요? 하나의 신약이 탄생하기까지 소요되는 시간은 10~15년인데 반해, 신약개발 성공률은 9,000분의 1에 불과합니다. 인류의 건강한 미래를 위해 필요한 약이 더 많이 더 빠르게 개발되도록, 히츠는 AI를 비롯한 디지털 기술을 통해 고비용 저효율의 신약개발 산업을 혁신하는 기업입니다. 혁신의 첫 시작으로 신약개발 연구자 대상의 웹 기반 AI 신약개발 플랫폼(SaaS) ‘HyperLab’을 만들고 있으며, 국내 연구기관 및 제약사 뿐만 아니라 해외에서도 HyperLab을 사용하고 있습니다. 어떤 팀에 합류하게 되나요? AI연구팀은 더 효율적인 신약개발을 위한 인공지능 모델, 히츠의 핵심 기술을 개발하고 있습니다. 연구 대상들로는 화합물의 약물 효능 예측, 약리학적 물성 예측, 분자 설계를 위한 인공지능 모델 등이 있습니다. 신약개발은 다양한 전문 분야의 지식과 기술이 필요한 과정인 만큼 이를 위한 인공지능 개발 역시 여러분의 다양한 배경이 필요합니다. 물리, 화학, 컴퓨터 과학 등 다양한 전문성을 가진 동료들과 함께 혁신적인 인공지능 기술 개발에 참여할 수 있습니다. 더불어 딥러닝 연구에 있어 필요한 노하우나 지식을 물어보기 쉬운 전문적인 창구가 있어 도전적인 목표도 과감하게 시도할 수 있습니다. AI 연구팀의 더 많은 이야기를 알아보세요. 히츠 AI 연구팀 멤버의 이야기 아래 업무들 중 하나를 맡게 돼요. 1. Foundation model 활용—신약개발을 위한 분석 기능 개발 히츠의 HyperLab은 단순한 물성 예측 소프트웨어에서 나아가 신약개발 분야의 진정한 데이터 플랫폼으로 변화하고 있습니다. 연구자가 데이터를 입력하고, 거기에 AI가 프로젝트와 관련된 다양한 모달리티의 데이터를 더하여 structure–activity relationship (SAR)을 도출합니다. AI가 해석 가능하게 제공하는 SAR을 연구자는 본인의 가설과 비교하고, 프로젝트의 다음 단계를 위한 아이디어를 얻습니다. 이처럼 신약개발 연구자에게 지속적인 유용성을 제공하는 진정한 의미의 AI는 foundation model로써만 구현 가능하다고 히츠는 믿고 있습니다. 본 주제에서 연구팀원은 다음의 업무를 진행합니다. Multimodal 데이터 기반 SAR 분석, 그리고 의약화학팀과의 협력을 통한 검증. Few-shot/zero-shot learning 기반 물성 예측 및 물질 디자인. 도메인 특화 foundation model들의 빠른 실험, 파생 기능 구상 및 개발. 예: 단백질 [Science 2025], 유전체 [Science 2024], 전사체 [Nature 2025] [NeurIPS 2024]. 관련 개념: large language models (LLMs), representation learning, multimodality, domain-specific fine-tuning, retrieval-augmented generation (RAG), multi-agent systems, LLMOps. 2. 세포 수준에서의 효능 및 물성 예측 모델 개발 히츠의 HyperLab은 단백질 수준의 상호작용에서 한 차원 높은 곳을 바라봅니다. 세포 수준에서 약물 후보 물질의 활성 및 물성을 예측하고, 약물과 표적 단백질의 상호작용이 세포 및 조직에 영향을 미치기까지 일어나는 복잡한 생물학적 과정을 모사하고자 합니다. 본 주제에서 연구팀원은 다음의 업무를 진행합니다. 분자 구조 데이터와 오믹스 데이터의 유기적 결합을 통한 세포 내 약물 활성 예측 모델 개발. 유전자 조절 네트워크, 세포 내 신호 전달, 단백질-단백질 상호작용 네트워크 등의 생물학적 시스템 정보를 반영한 해석 가능한 예측 모델 개발. 생물학적인 노이즈와 실험 batch effect를 극복하기 위한 모델링 전략 탐색. 새로운 약물 후보 물질 및 표적 세포에 대한 zero-shot/few-shot 일반화 능력 향상. 모델의 예측 결과와 생물학적인 데이터를 통합한 직관적인 시각화 및 분석 기능 제공. 관련 개념: multi-omics, meta-learning, transfer learning, bioinformatics, systems biology. 3. 분자 생성 인공지능 모델 개발 생물학적 활성, 합성가능성, ADMET 등 복합적인 조건이 최적화된 화합물 발굴을 위한 생성 모델 개발. 초거대 가상 화학공간을 효과적으로 학습하여 다양한 분자 구조를 생성할 수 있도록 모델 고도화. 생성 결과를 의약화학적으로 설명할 수 있는 해석·분석 기능 개발. 관련 개념: generative models, multi-objective optimization, generative flow networks, reinforcement learning, ultra-large virtual screening. 4. ADMET 예측 모델 개발 In vitro, in vivo, clinical 등 신약개발의 다양한 단계에서 조사되는 약물동태학적 (pharmacokinetic) 물성들을 정확하게 예측하고 신뢰할 수 있는 결과 제공. 물성별 기작과 데이터 생성 과정을 자세히 이해하여 데이터를 수집하고 정제. 단순한 ligand-based 모델링을 넘어 단백질 구조, foundation models, 연합학습 등 차세대 방법으로 일반화할 수 있는 모델 개발. 관련 개념: pharmacokinetics, toxicity, foundation models, transfer learning, federated learning, structural alerts, data imbalance. 5. 차세대 모달리티 약물 설계 모델 개발 펩타이드, 핵산, 중·고분자 등 beyond the rule of 5 (bRo5) 약물 설계 모델 개발. bRo5 분자의 생물학적 활성 · ADMET 예측 및 분자구조 생성. 관련 개념: targeted protein degradation, peptide drugs, antibody–drug conjugates. 이런 경험을 할 수 있어요. 히츠는 진정한 신약개발 플랫폼, HyperLab을 서비스 하고 있습니다. HyperLab의 핵심 기능을 개발하는 AI연구팀원으로서 실제로 산업에 필요한 AI를 개발하고, 외부 사용자에게 서비스 하여 연구의 가치를 느낄 수 있습니다. 히츠의 연구진들은 세계적인 수준의 논문을 발표해왔습니다. 국내 최고 수준의 인공지능 신약개발 연구를 경험할 수 있다고 자부합니다. 히츠에는 상식적인 사람들이 모여있습니다. 우리는 중요한 문제가 무엇인지 알고 있으며, 현실적인 방향을 바라봅니다. 히츠에 합류하면 구성원들과 함께 중요한 문제를 이해할 수 있는 방법으로 푸는 데에 몰두할 수 있습니다. 히츠의 AI연구1팀은 누군가가 주어준 비전에 안주하지 않고, 회사의 올바른 방향을 각자의 가치관으로 끊임없이 생각하고 공유합니다. 회사라는 곳에서 모든 제안이 실현되는 것은 무척 어렵습니다. 하지만 진심어리고 합리적인 제안이라면 적잖은 기간을 거치더라도 실행에 옮겨지도록 누군가는 노력합니다. 히츠의 리더진은 그런 누군가들이 이루고 있습니다. 이런 동료를 찾고 있어요. 다음의 역량들을 갖추신 분. 앞선 내용으로부터 어떤 연구들을 하게 될지 파악할 수 있는 분. 업무소통 시 논점을 올바르게 파악하고 명료하게 의사소통 할 수 있는 분. 탑 티어 학회나 저널에 공개되는 최신 기술을 팔로우 업 하여 빠르게 테스트, 내재화 할 수 있는 분. 모델 개발을 위해 데이터를 수집하고, 데이터의 생성 과정을 이해하여 올바르게 정제할 수 있는 분. 딥러닝의 활용을 위한 단단한 기초를 갖춘 분 (아래 질문 중 5개 이상 자신있게 답할 수 있는 분): Batch로 나누어서 학습하는 이유가 무엇인가요? 메모리가 무한이라면 모든 데이터를 한 batch로 만들어서 학습하는 게 좋을까요? Dropout이 무엇인가요? Dropout의 작동 방식이 학습 시와 inference 시 어떻게 다른가요? 딥러닝 모델에서 activation function의 기능은 무엇인가요? 딥러닝 모델에서 activation function을 모두 제거하면 어떻게 될까요? Transformer의 attention 알고리즘에 대해서 설명해주세요. RNN과 다르게 Transformer는 대규모 병렬 연산이 가능한 이유가 무엇인가요? 생성 모델에서 잠재 변수를 도입할 때 이점은 무엇인가요? Active learning에 대해 설명해주세요. 무작위로 새로운 데이터를 관찰하는 것보다 active learning이 효율적인 이유가 무엇인가요? 화합물의 독성을 예측하는 이진분류 모델을 서비스 하고자 할 때, 최종 모델을 준비하는 과정을 데이터 분리와 분류 임곗값의 관점에서 설명해주세요. 딥러닝 모델의 예측에 대한 신뢰도를 가늠할 수 있는 방법을 설명해주세요. AI 모델을 상업화하여 플랫폼에서 서비스할 때 확장·가중되는 연구자의 역할을 이해하는 분. 다양한 배경과 역할을 갖춘 구성원들과 협력하여 프로젝트를 이끌 수 있는 분. 리눅스 서버 (클러스터, job scheduler 등) 사용에 능숙한 분. 이런 역량이 있으면 더 좋아요. 딥러닝 응용 분야로 박사 학위 또는 3년 이상 기업/연구소 경력을 보유한 분. ICML, NeurIPS, ICLR, AAAI, IJCAI, ECCV, ICCV, CVPR, SIGIR, WWW, ACL, EMNLP, KDD 등 탑 티어 AI 학회나 저널에 논문을 출판한 경력이 있는 분. Kaggle, Dacon과 같은 챌린지에서 수상한 경력이 있는 분. 화학, 생화학, 생명과학 등 신약개발 관련 분야를 학습하거나 연구한 경험이 있는 분 (아래 같은 기본 개념들을 설명할 수 있는 분): 분자간 상호작용 (수소 결합, van der Waals 상호작용, π–π 상호작용 등) 분자의 3차원 구조의 형성 원리 화학 반응과 열역학적 평형 단백질의 구조 효소의 기작 Amazon Web Services 사용에 능숙한 분. 예: Bedrock, SageMaker, EC2, S3, ParallelCluster, EBS/EFS/FSx 등. ※ 위 역량은 우대 사항으로 필수 자격 요건에 해당하지 않습니다. 복리후생 제도를 소개합니다. 나의 업무 효율에 맞춘 근무 시간 및 형태 출근 시간을 미리 지정해두지 않고, 매일 오전 7시~10시 사이 자유롭게 출근할 수 있어요. 필요한 경우 점심 시간을 최대 2시간까지 사용할 수 있어요. 입사 1개월의 적응기간을 마친 후, 주 1회 재택근무가 가능해요. 업무 능률 향상을 위한 아낌 없는 지원 노트북, 모니터, 키보드, 마우스 등의 업무 장비를 본인이 원하는 브랜드와 스펙에 맞추어 구매할 수 있어요. 재택근무에 필요한 업무 장비를 지원 받을 수 있어요. 잘 먹으면서 일할 수 있도록, 팀원들이 먹고 싶은 간식을 신청 받아 무제한으로 제공해요. 점심식사, 커피 구매 등 자유롭게 나누어 사용 가능한 팀별 회식비 예산을 매월 지원해요. 강의 수강, 세미나 참석, 도서 구입, 사내 스터디 운영 등 성장에 필요한 활동을 지원해요. 히츠 채용 홈페이지를 통해 지원하고 합류할 경우, 입사 시 성장지원금 100만 원을 지급해요. 구성원의 건강하고 지속가능한 삶을 위해 마련된 제도 모든 구성원에게 자유롭게 사용 가능한 20일의 연차를 부여해요. 연차는 분 단위 사용이 가능해요. - 3년 단위로 장기 근속 휴가를 추가 부여해요. 연 20만 원의 건강검진 비용을 지원해요. (배우자의 검진 비용도 추가 지원 받을 수 있습니다.) 각종 경조사 휴가 및 경조비를 지원해요. 합류 여정을 안내 드려요. 서류 전형 〉 실무자 인터뷰 〉 대표이사 인터뷰(평판 조회 병행)〉 최종 합격 인터뷰 전형은 강남역 인근에 위치한 히츠 오피스에서 대면으로 진행됩니다. 실무자 인터뷰 단계에서 10분 PPT 프레젠테이션 전형을 병행합니다. 평판 조회 전형은 평판 조회 플랫폼 스펙터를 통해 진행됩니다. 참고해 주세요. 최종합격시 3개월간 수습기간이 있으며, 수습기간 중 급여나 처우의 차이는 없습니다. 본 채용은 상시 채용으로 합격자 발생 시 별도의 안내 없이 마감될 수 있습니다. 본 채용은 전문연구요원 채용이 가능합니다. 각 전형 결과는 합/불 여부와 관계없이 모든 지원자에게 메일로 안내 드립니다.