SK텔레콤 · IoT / 데이터 플랫폼 개발

5G MEC 엣지 AI로 레이턴시 90ms → 8ms 단축, 파이프라인 처리량 3.8배로
SK텔레콤 IoT/데이터 플랫폼 개발 합격한 자소서

Kafka 실시간 스트리밍 이상탐지, AI DC 모니터링 대시보드, MEC 온디바이스 추론 최적화 — 5G IoT 인프라를 직접 설계한 합격자의 전략

5G MEC Kafka 스트리밍 이상탐지 AI DC 모니터링 엣지 AI 추론
합격 사례 개요

엣지에서 클라우드까지 — 5G IoT 파이프라인을 직접 설계한 합격 자소서 분석

C.H.(25세, 소프트웨어공학)는 대학 캡스톤 프로젝트에서 산업용 IoT 센서 데이터 플랫폼을 직접 설계하고, 5G MEC 환경에서 엣지 AI 추론 모듈을 최적화해 레이턴시를 90ms에서 8ms로 단축한 경험을 자소서에 담았습니다. Kafka 기반 실시간 스트리밍 파이프라인을 구축하고 LSTM Autoencoder 이상탐지 모델을 적용해 데이터 파이프라인 처리량을 기존 대비 3.8배 향상시킨 성과도 포함했습니다. SKT의 AI DC·GPUaaS 모니터링 요구사항을 직접 연구하고 AI 피라미드 인프라 레이어에서 자신의 역량이 어떻게 기여하는지 명확히 연결한 전략이 합격의 핵심이었습니다.

8ms
5G MEC 엣지 AI
레이턴시 (90ms→8ms)
3.8×
Kafka 파이프라인
처리량 향상
94.2%
LSTM 이상탐지
F1 Score
86/100
커리어던 자소서
진단 점수
SK텔레콤 IoT 데이터 플랫폼 합격 자소서 분석
Before / After

초안 vs 합격본 — IoT 경험 서술에서 5G MEC 성과 중심으로

Before — 초안
❌ "라즈베리파이로 센서 데이터를 수집해 서버로 전송하는 프로젝트를 했습니다"
❌ 레이턴시·처리량 수치 전혀 없음
❌ MEC·Kafka·스트리밍 기술 미언급
❌ 이상탐지 알고리즘 경험 없음
❌ SKT AI 피라미드 전략과의 연결 없음
After — 합격본
✅ "5G MEC 엣지 서버에서 TFLite INT8 추론 최적화 — 레이턴시 90ms → 8ms, 클라우드 라운드트립 없이 온디바이스 처리"
✅ Kafka 파티셔닝 전략 최적화로 초당 처리 메시지 3.8배 향상(12만→45만 msg/s)
✅ LSTM Autoencoder로 시계열 이상탐지, F1 Score 0.942 / False Positive 28.4%→6.1%
✅ "SKT AI DC 액침냉각 시스템 IoT 모니터링에 동일 아키텍처 적용 가능" 직접 연결
✅ SKMS SUPEX — "업계 최저 레이턴시(5G URLLC 10ms 이하)" 달성 목표로 설정한 이유 서술
자소서 진단 Scorecard

커리어던 5-항목 100점 만점 평가 결과

5G MEC / 엣지 AI 아키텍처 이해 및 구현 역량
96/100
실시간 스트리밍 파이프라인 (Kafka·Flink) 경험
88/100
시계열 이상탐지 알고리즘 구현 및 정량 성과
92/100
SKT AI 피라미드 전략 이해 및 직무 연결
80/100
SKMS (SUPEX·VWBE·패기) 가치관 자소서 적용
74/100
종합 점수 (5항목 평균)
86/100
SK텔레콤 IoT 데이터 플랫폼 개발 전략
3가지 핵심 전략

C.H.가 선택한 IoT/데이터 플랫폼 자소서 차별화 전략

01
5G MEC 엣지 AI 최적화 — 레이턴시를 숫자로 증명
클라우드 의존 없이 MEC 서버에서 TFLite 양자화(INT8) 모델로 온디바이스 추론을 구현해 레이턴시를 90ms에서 8ms로 단축한 과정을 구체적으로 서술했습니다. 이 수치가 SKT가 추구하는 5G URLLC 요구사항(10ms 이하)을 충족한다는 점을 명시하며 직무 연결성을 극대화했습니다. 단순 "IoT 경험"이 아닌 "MEC 아키텍처 설계 역량"으로 포지셔닝한 것이 핵심입니다.
02
Kafka 파이프라인 처리량 3.8배 — 스트리밍 엔지니어링 역량
초기 단일 파티션 구성으로 인한 처리량 병목(12만 msg/s)을 Kafka 파티셔닝 전략(파티션 32개, 키 기반 라우팅) 최적화와 컨슈머 그룹 스케일아웃으로 45만 msg/s까지 향상시킨 경험을 담았습니다. SKT의 AI DC에서 수천 대 GPU 장비의 실시간 텔레메트리 데이터를 처리해야 하는 요구사항과 직접 연결했습니다. Kafka 내부 구조(로그 세그먼트, Zero-copy)에 대한 이해도를 자연스럽게 드러낸 서술이 면접관에게 긍정적인 인상을 줬습니다.
03
AI DC 모니터링 연결 — SKT 사업 이해를 자소서에 내재화
단순한 학교 프로젝트 서술에 그치지 않고, 본인이 구축한 IoT 모니터링 아키텍처(센서→MEC→Kafka→InfluxDB→Grafana 대시보드)가 SKT AI DC 액침냉각 설비의 온도·전류·유량 모니터링에 동일하게 적용 가능함을 명시했습니다. GPUaaS 서비스의 GPU 가동률·메모리 사용량 실시간 대시보드 필요성과도 연결했습니다. "SKT 직무 설명서를 읽고 쓴 자소서"라는 면접 피드백을 받았습니다.
SKT AI 피라미드와 IoT 직무 연결

인프라 레이어에서 IoT/데이터 플랫폼 개발자의 위치

AI Service Layer — 에이닷(A.)
개인화 AI 비서, 통화 녹음/요약, 슈퍼앱 진화 → IoT 센서 데이터가 사용자 컨텍스트 추론에 활용
AIX Layer — 엑스칼리버·A.Biz·UAM
기업 AI 전환, UAM 상공망 제어, B2B 솔루션 → 5G IoT 데이터 기반 실시간 의사결정 지원
Infrastructure Layer — AI DC·GPUaaS·액침냉각 ← C.H.의 핵심 기여 영역
IoT 센서 → 5G MEC 엣지 AI 추론(8ms) → Kafka 스트리밍(45만 msg/s) → Flink CEP 이상탐지 → InfluxDB → Grafana 대시보드. AI DC 수천 대 GPU·냉각 설비 실시간 모니터링에 직접 적용 가능.
C.H.의 전체 아키텍처: 산업용 IoT 센서(온도·진동·전류·유량) → MQTT over 5G → MEC 서버(Jetson Xavier, TFLite INT8, 8ms) → Apache Kafka(파티션 32개, 45만 msg/s) → Apache Flink CEP 이상탐지 → InfluxDB 시계열 저장 → Grafana 실시간 대시보드(1초 갱신) → PagerDuty 알림(MTTA 12초). 전 스택 단독 설계·구현.
성과 지표 상세

합격 자소서에 담긴 핵심 IoT/데이터 성과 수치

성과 지표초기값달성값적용 기술
MEC 엣지 AI 추론 레이턴시 90ms (클라우드 라운드트립) 8ms TFLite INT8 양자화 + MEC 온디바이스
Kafka 파이프라인 처리량 12만 msg/s (단일 파티션) 45만 msg/s 파티션 32개 + 컨슈머 그룹 스케일아웃
전체 데이터 파이프라인 처리량 기준 대비 1x 3.8x 향상 MEC + Kafka + Flink CEP 통합 최적화
LSTM 이상탐지 F1 Score 0.71 (Isolation Forest 기준) 0.942 LSTM Autoencoder + 동적 임계값
False Positive Rate 28.4% (고정 임계값) 6.1% 슬라이딩 윈도우 동적 임계값(μ±3σ)
이상 감지 대응 시간 (MTTA) 8.4분 (배치 처리 기준) 12초 실시간 스트리밍 + PagerDuty 자동 연동
IoT 플랫폼 기술 스택 비교

SKT IoT 환경에서의 기술 선택 — 왜 이 스택인가

단순히 기술을 나열하는 것이 아니라 "왜 이 기술을 선택했는가"를 설명할 수 있어야 합니다. C.H.는 아래 비교 분석을 자소서와 면접에서 활용했습니다.

구분선택한 기술대안선택 이유
메시지 브로커 Apache Kafka RabbitMQ, MQTT Broker Pull 기반 컨슈머, 파티션 병렬성, 디스크 기반 내구성 — 대용량 IoT 적합
스트림 처리 Apache Flink CEP Spark Streaming, Storm True Streaming(마이크로배치 아님), 이벤트 시간 기반 윈도우, 상태 관리
엣지 AI 런타임 TFLite (INT8 양자화) ONNX Runtime, PyTorch Mobile 모델 크기 4배 감소, ARM Cortex 최적화 커널, Jetson Xavier 지원
시계열 데이터베이스 InfluxDB TimescaleDB, OpenTSDB Flux 쿼리 언어, Grafana 네이티브 연동, 연속 쿼리(자동 다운샘플링)
이상탐지 모델 LSTM Autoencoder Isolation Forest, One-Class SVM 시계열 시간 의존성 학습, 라벨 없이 학습, 재구성 오차로 해석 가능
합격자 인사이트

C.H.가 공유한 4가지 IoT/데이터 합격 인사이트

5G MEC 경험이 없어도 지원 가능한가요?
직접적인 MEC 장비 경험이 없어도 됩니다. 중요한 것은 "엣지-클라우드 하이브리드 아키텍처"를 이해하고 설계할 수 있는 역량입니다. 로컬 서버나 Raspberry Pi에서 TFLite 경량 모델을 실행하고 클라우드 동기화까지 설계한 경험만 있어도 MEC 개념을 충분히 연결할 수 있습니다. 저는 AWS EC2를 MEC 서버로 시뮬레이션해서 레이턴시 실험을 진행했고, 그 수치를 MEC 환경 추정값으로 서술했습니다.
Kafka를 써보지 않았는데 어떻게 준비했나요?
학교 프로젝트 초기에는 RabbitMQ를 썼는데, 처리량 한계에 부딪히면서 Kafka로 마이그레이션하는 과정 자체를 자소서 소재로 활용했습니다. "왜 Kafka인가"를 Pull 기반 컨슈머, 파티션 병렬성, Zero-copy I/O 관점에서 설명한 것이 차별화됐습니다. 단순히 Kafka를 "써봤다"가 아니라 "왜 선택했고 어떤 트레이드오프가 있었는가"까지 서술하면 경험 깊이가 전달됩니다.
이상탐지 모델에서 False Alarm을 어떻게 줄였나요?
LSTM Autoencoder의 재구성 오차 임계값을 동적으로 설정하는 것이 핵심이었습니다. 고정 임계값 대신 최근 1시간 슬라이딩 윈도우 통계(μ±3σ)를 기반으로 자동 조정해 시간대별 패턴 변화를 반영했습니다. 이 접근법으로 False Positive를 28.4%에서 6.1%로 낮췄고, 이 수치를 면접에서 설명하니 기술 이해도가 높다는 평가를 받았습니다.
SKT SKMS 가치관을 자소서에 어떻게 적용했나요?
SUPEX 항목에는 "5G URLLC 기준 10ms 이하"를 인간 최고 수준 목표로 설정하고 8ms를 달성한 경험을 서술했습니다. 패기(일과 싸워 이기는 기질)는 남은 2ms를 줄이기 위해 FPGA 가속과 네트워크 슬라이싱을 자발적으로 연구한 과정으로 표현했습니다. VWBE(자발적 두뇌 활용)는 팀원이 시도하지 않은 Flink CEP 이상탐지 파이프라인을 혼자 제안하고 구현한 사례로 담았습니다.
SK텔레콤 IoT 데이터 자소서 실수
흔한 실수 vs 올바른 접근

IoT/데이터 플랫폼 자소서 — 3가지 치명적 실수

❌ 흔한 실수
"아두이노와 라즈베리파이로 온도 센서 데이터를 수집하고 서버로 전송하는 IoT 시스템을 구축했습니다. 파이썬으로 데이터를 처리하고 시각화했습니다."

— 처리량·레이턴시 수치 없음. SKT 5G MEC와의 연결 없음. 학부 실습 수준과 구분되지 않음
✅ 올바른 접근
"5G MEC 환경 시뮬레이션 — Jetson Xavier 엣지 서버에서 TFLite INT8 양자화 모델로 진동 센서 이상탐지 추론 90ms→8ms 단축. Kafka 파티션 32개 구성으로 처리량 3.8배 향상. SKT AI DC GPU 텔레메트리 모니터링에 동일 아키텍처 적용 계획 보유."

— 수치 + 기술 스택 + SKT 비즈니스 연결 삼위일체
❌ 흔한 실수
SKT 지원 동기에서 "5G 통신 기업의 IoT 시장 성장 가능성을 보고 지원했습니다"라고만 작성.

— SKT AI 피라미드 전략, AI DC·GPUaaS, SKMS에 대한 이해가 전혀 없어 보임. 어떤 통신사에도 쓸 수 있는 지원 동기
✅ 올바른 접근
"SKT가 2026년 AI DC를 확장하며 GPUaaS·액침냉각 IoT 모니터링 수요가 급증합니다. 수천 대 GPU 장비의 온도·전력·부하 데이터를 실시간 처리하는 파이프라인이 필요하며, 제가 설계한 5G MEC + Kafka + LSTM 이상탐지 스택이 정확히 이 문제를 해결합니다."

— SKT 사업 이해 + 자신의 기술 직접 연결
❌ 흔한 실수
이상탐지 모델을 "구축했다"고만 서술하고 False Positive Rate, 정확도, 임계값 설정 방법 등의 세부 내용 없음.

— 어느 수준의 이상탐지인지 알 수 없음. 실제 운영 환경의 까다로움을 이해하지 못하는 것으로 보임
✅ 올바른 접근
"LSTM Autoencoder 재구성 오차 임계값을 1시간 슬라이딩 윈도우(μ±3σ) 동적 설정으로 False Positive 28.4%→6.1%로 낮추고 F1 Score 0.942 달성. 실제 공장 설비 3만 시간 데이터 학습, 이상 발생 35건 라벨링 검증."

— 구체적 구현 + 검증 방법 + 실 데이터
자주 묻는 질문

SK텔레콤 IoT/데이터 플랫폼 개발 FAQ

5G MEC(모바일 엣지 컴퓨팅) 기반 저지연 데이터 처리 역량과 Kafka 등 실시간 스트리밍 파이프라인 설계 경험이 핵심입니다. 시계열 센서 데이터 이상탐지 알고리즘, AI DC 장비 모니터링 대시보드 개발 경험도 중요한 차별화 포인트입니다. SKT의 AI 피라미드 인프라 레이어 — AI DC·GPUaaS·액침냉각 — 에 대한 이해를 자소서에 연결해야 합격 가능성이 높아집니다. 단순히 툴을 사용해본 것이 아니라, 왜 그 기술을 선택했고 어떤 트레이드오프가 있는지 설명할 수 있어야 합니다.
단순한 센서 데이터 수집이 아닌, 엣지-클라우드 하이브리드 파이프라인 설계 경험을 강조하세요. Kafka·Flink·Spark Streaming 중 하나라도 실제 처리량과 레이턴시 수치를 제시할 수 있어야 합니다. MEC 환경에서 온디바이스 AI 추론 최적화 경험, 이상탐지 모델(Isolation Forest, LSTM Autoencoder) 구현 경험도 효과적입니다. 대학원·인턴·대외활동 어디서든 IoT 데이터 처리와 관련된 정량 성과가 있다면 반드시 포함하세요. "처리량 N배 향상", "레이턴시 Xms 달성"과 같은 구체적 수치가 없다면 경쟁에서 불리합니다.
MEC(Mobile Edge Computing)는 기지국 가까이 컴퓨팅 자원을 배치해 클라우드 왕복 없이 데이터를 처리하는 기술입니다. SKT는 5G MEC를 통해 공장 자동화·스마트시티·AI DC 모니터링 등에서 초저지연 서비스를 구현합니다. IoT/데이터 플랫폼 개발자는 MEC 서버에서 동작하는 엣지 AI 추론 모듈과 중앙 데이터 레이크를 연결하는 파이프라인을 설계합니다. 5G URLLC(Ultra-Reliable Low Latency Communication)의 10ms 이하 레이턴시 요건을 충족하는 시스템 설계 경험이 있다면 반드시 자소서에 포함하세요.
SKT는 2026년 AI DC 확장과 GPUaaS 사업을 핵심 성장 동력으로 삼고 있습니다. AI DC는 수천 개의 GPU, 액침냉각 시스템, 전력 설비를 운영하며 이 모두에서 IoT 센서 데이터가 발생합니다. AI DC 장비 이상탐지, 냉각 효율 최적화, 전력 사용량 예측 등은 IoT/데이터 플랫폼 개발 직무의 핵심 과제입니다. 이 연결을 자소서에 명시하면 SKT 사업 이해도가 높다는 인상을 줍니다. 면접에서도 "우리 AI DC 모니터링에 어떻게 기여할 수 있는가"라는 질문이 나올 수 있으니 미리 준비하세요.
Kafka 파티셔닝 전략과 컨슈머 그룹 설계 방법론, 시계열 이상탐지에서 False Positive를 줄이는 방법(동적 임계값·앙상블), MEC-클라우드 하이브리드 아키텍처에서 데이터 일관성(eventual consistency) 보장 방법, MQTT와 Kafka의 차이점 및 SKT IoT 환경에서의 선택 기준, AI DC GPUaaS GPU 온도·전력 부하 예측 모델 설계 방법, LSTM Autoencoder vs Transformer 기반 이상탐지의 트레이드오프 등이 자주 출제됩니다. SKMS의 SUPEX 목표 설정 철학을 데이터 엔지니어링 관점에서 어떻게 적용했는지도 질문받을 수 있습니다.
SUPEX(인간 최고 수준 목표) 항목에는 "5G URLLC 업계 기준 10ms 이하 레이턴시를 목표로 설정하고 8ms 달성"과 같이 구체적인 최고 수준 목표와 달성 과정을 서술하세요. 혁신 항목에는 기존 배치 처리를 실시간 스트리밍으로 전환한 패러다임 전환 사례가 효과적입니다. 다양성 항목에는 전기·기계·통신 전공 팀원과의 협업으로 IoT 시스템을 구축한 경험이나, 서로 다른 프로토콜(MQTT·HTTP·CoAP) 데이터 소스를 통합한 경험을 활용하세요. 직무 전문성에는 MEC·Kafka·LSTM 이상탐지 스택을 구체적 수치와 함께 제시하면 됩니다.
SKT 합격 자소서 작성 체크리스트

제출 전 반드시 확인해야 할 IoT/데이터 자소서 10가지 체크포인트

자소서를 완성한 후 제출하기 전에 아래 체크리스트를 하나씩 확인하세요. 하나라도 "아니오"가 있다면 해당 부분을 보완해야 합니다.

체크포인트확인 기준보완 방법
✅ 레이턴시·처리량 수치가 있는가? 최소 2개 이상의 정량 수치(ms, msg/s, 배수)를 포함 없다면 유사 프로젝트에서 측정 가능한 수치를 추가로 실험해 보완
✅ MEC 또는 엣지 AI를 언급했는가? 클라우드 전용 경험이라면 엣지-클라우드 비교 분석이라도 포함 MEC 개념 이해를 면접에서 설명할 수 있도록 준비
✅ Kafka 또는 실시간 스트리밍을 다뤘는가? Kafka 미경험 시 왜 배치 처리가 아닌 스트리밍이 필요한지 이해 표현 RabbitMQ→Kafka 마이그레이션 경험으로 대체 가능
✅ 이상탐지 모델 구현 경험이 있는가? F1 Score·False Positive Rate 등 성능 지표를 명시 없다면 Isolation Forest 등 간단한 모델이라도 수치와 함께 제시
✅ SKT AI DC·GPUaaS·액침냉각과 연결했는가? 본인의 경험이 SKT 사업 과제와 어떻게 연결되는지 1문장이라도 명시 SKT 2026년 AI DC 확장 전략을 조사하고 직접 연결 문장 추가
✅ SKMS 4항목이 모두 채워졌는가? SUPEX·혁신·다양성·직무 전문성 각각 구체적 사례와 수치 포함 각 항목을 별도 문서에 초안 작성 후 통합
✅ 협업 경험이 포함됐는가? 타 전공·직군과의 협업에서 발생한 갈등과 해결 과정 포함 다양성 항목에 전기·기계 전공 팀원과의 프로젝트 추가
✅ 면접관이 궁금해할 내용을 남겼는가? 모든 것을 설명하지 말고, 면접에서 더 자세히 설명할 여지를 남겨둠 "이 수치를 어떻게 달성했는지 면접에서 물어보게 만들기" 전략 활용
✅ 첫 문장이 수치로 시작하는가? 면접관이 10초 안에 읽고 싶어지는 임팩트 있는 첫 문장 확인 "저는" 대신 핵심 수치나 상황으로 시작하도록 수정
✅ SKT를 위해 쓴 자소서인가? 삼성·LG에 동일하게 쓸 수 있는 내용이 없는지 확인 T우주·에이닷·AI DC·GPUaaS·액침냉각 중 최소 2개 이상 구체적으로 언급
실시간 모니터링 대시보드 설계

SKT AI DC 실시간 모니터링 대시보드 — Grafana 설계 전략

IoT/데이터 플랫폼 개발자는 데이터를 수집·처리하는 것뿐만 아니라 운영자가 즉각적으로 이상을 파악할 수 있는 대시보드를 설계해야 합니다. C.H.가 구축한 Grafana 대시보드의 설계 원칙을 공유합니다.

대시보드의 정보 계층 설계 — Overview → Detail → Debug
AI DC 모니터링 대시보드는 3계층으로 설계했습니다. Overview 레벨에서는 전체 GPU 랙의 온도·전력·부하를 색상 히트맵으로 한눈에 파악할 수 있게 했습니다. Detail 레벨에서는 이상 감지된 특정 GPU 클러스터의 시계열 그래프를 1초 갱신으로 표시했습니다. Debug 레벨에서는 원본 센서 데이터와 LSTM 재구성 오차 값을 로그 형태로 조회할 수 있도록 했습니다. 이 3계층 구조가 운영자의 인지 부하를 최소화하는 핵심이었습니다.
이상 알림(Alert) 체계 설계 — 알림 피로 방지
초기에는 모든 임계값 초과 시 즉각 PagerDuty 알림을 발송했는데, 알림이 너무 많아 운영자가 "알림 피로(Alert Fatigue)"로 중요한 이상을 놓치는 문제가 발생했습니다. 이를 해결하기 위해 알림 등급을 3단계(Info·Warning·Critical)로 분류하고, Critical 알림만 즉각 PagerDuty로 발송하고 나머지는 Grafana 내 알림 패널에 집계하는 방식으로 변경했습니다. 알림 피로를 줄이면서도 중요한 이상은 12초 이내에 처리하는 균형을 달성했습니다. 이 경험이 면접에서 "실제 운영을 해봤다"는 인상을 줬습니다.
InfluxDB 다운샘플링 전략 — 장기 데이터 보관 비용 최적화
AI DC GPU 수천 대의 1초 간격 센서 데이터를 무한정 저장하면 스토리지 비용이 기하급수적으로 증가합니다. C.H.는 InfluxDB의 Continuous Query(연속 쿼리)를 활용해 1초 원본 데이터는 7일만 보관하고, 이후는 1분 평균으로 다운샘플링해 6개월 보관하고, 1시간 평균으로 추가 다운샘플링해 3년 보관하는 3-tier 보관 전략을 설계했습니다. 이 전략으로 스토리지 비용을 원본 대비 94% 절감하면서도 장기 트렌드 분석이 가능하도록 했습니다.
액침냉각 시스템 IoT 모니터링의 특수 요구사항
액침냉각 시스템은 일반 공기냉각과 달리 절연 액체의 온도·유량·점도·누액 여부를 모니터링해야 합니다. 특히 누액 감지는 안전과 직결되므로 False Negative(실제 누액을 감지 못함)가 False Positive보다 훨씬 위험합니다. C.H.는 누액 감지 센서에 대해서는 임계값을 보수적으로 설정(낮은 임계값으로 민감하게)하고, 다른 센서보다 우선순위가 높은 Critical 알림 등급을 부여하는 차별화된 이상탐지 전략을 설계했습니다. 이 도메인 지식이 면접에서 "AI DC를 실제로 이해하고 있는 지원자"로 인식되게 했습니다.
IoT 데이터 파이프라인 설계 원칙

엔터프라이즈 IoT 파이프라인 설계 — SKT 수준에서 알아야 할 7가지 원칙

단순한 센서 데이터 수집에서 SKT AI DC 규모의 엔터프라이즈 IoT 파이프라인으로 도약하기 위해 반드시 이해해야 할 설계 원칙들입니다. 이 원칙들을 자소서에 자연스럽게 녹여내면 깊은 기술 이해도를 보여줄 수 있습니다.

설계 원칙핵심 내용SKT AI DC 적용 사례
1. 엣지 우선 처리 가능한 한 많은 처리를 엣지에서 수행해 네트워크 부하와 레이턴시를 줄임 GPU 온도 이상 1차 판정(TFLite)을 MEC에서 처리, 클라우드에는 집계·학습 데이터만 전송
2. 이벤트 드리븐 아키텍처 폴링(Polling) 대신 이벤트 발생 시 즉각 처리하는 반응형 설계 냉각수 온도가 임계값 초과 시 즉각 Kafka 이벤트 발행 → Flink 처리 → 알림
3. 데이터 계보 추적 데이터가 어디서 생성되어 어디로 흘렀는지 추적 가능한 Lineage 관리 GPU 장비 ID → 센서 메타데이터 → Kafka 토픽 → InfluxDB 태그 → 대시보드 연결
4. 내결함성 (Fault Tolerance) 일부 컴포넌트 장애 시에도 파이프라인 전체가 중단되지 않는 설계 Kafka 복제 계수(Replication Factor) 3, Flink Checkpoint, InfluxDB HA 구성
5. 확장성 (Horizontal Scalability) 장비 추가만으로 처리량을 선형적으로 늘릴 수 있는 구조 AI DC GPU 확장 시 Kafka 파티션·컨슈머 추가만으로 처리량 비례 증가
6. 역압 제어 (Backpressure) 다운스트림 처리 속도가 업스트림 입력 속도보다 느릴 때 자동 조절 Flink의 역압 감지 → Kafka 컨슈머 처리 속도 자동 조절 → 버퍼 오버플로 방지
7. 관측 가능성 (Observability) 메트릭·로그·트레이스 3가지 데이터로 파이프라인 상태를 완전히 파악 Prometheus + Grafana(메트릭), ELK Stack(로그), Jaeger(분산 트레이스)
자소서 분량 최적화 전략

SKT IoT/데이터 자소서 — 각 항목별 분량과 구조

SKT 자소서의 각 항목은 글자 수 제한이 있습니다. 제한 안에서 최대한 많은 정보를 담으면서 면접관의 시선을 끄는 구조를 설계하는 것이 중요합니다.

1
도입 — 수치로 시작하라
자소서 첫 문장은 면접관이 읽을지 말지를 결정하는 2초 안에 판단됩니다. "저는 열정적인 개발자입니다" 대신 "5G MEC 엣지 AI로 레이턴시 90ms → 8ms, Kafka 파이프라인 처리량 3.8배 향상"으로 시작하세요. 숫자는 거짓말하지 않습니다. 강렬한 수치 → 간략한 맥락 → SKT 연결의 3단 구조로 도입부를 구성하면 면접관이 계속 읽게 만들 수 있습니다.
2
본론 — STAR-I 구조 활용
Situation(상황): "AI DC 모니터링 시스템이 5분 배치 처리로 인해 장애 발생 후 5분이 지나야 알 수 있었습니다" → Task(과제): "실시간 이상탐지로 MTTA를 12초 이내로 줄여야 했습니다" → Action(행동): "Kafka + Flink CEP + LSTM Autoencoder 파이프라인 설계" → Result(결과): "MTTA 8.4분 → 12초, 처리량 3.8배" → Insight(인사이트): "이 경험이 SKT AI DC 모니터링에 직접 기여할 수 있습니다." 각 단계를 명확히 구분해 쓰면 면접관이 읽기 쉽습니다.
3
마무리 — SKT 연결과 성장 의지
마지막 2~3줄은 "제 경험이 SKT의 __ 과제를 해결하는 데 어떻게 기여하는가"와 "입사 후 __ 수준의 SUPEX 목표를 달성하겠다"는 내용으로 채우세요. 단순한 "열심히 하겠다" 대신 "AI DC 액침냉각 모니터링 파이프라인을 맡아 99.99% SLA를 달성하겠다"는 구체적 기여 의지가 훨씬 설득력이 있습니다. 면접관은 "이 지원자가 입사 후 무엇을 할 것인가"를 자소서에서 확인하려 합니다.
SKT IoT 업계 현황 심층 분석

2026년 SKT IoT/데이터 사업 환경 — 지원자가 알아야 할 모든 것

SKT IoT/데이터 플랫폼 개발 직무에 지원하기 위해서는 SKT의 IoT 사업 포지셔닝과 경쟁 환경을 정확히 이해해야 합니다. 이 맥락이 자소서와 면접 모두에서 설득력을 높여줍니다.

SKT IoT 사업 분야현황 (2026)IoT 데이터 플랫폼 역할지원자 연결 포인트
AI DC·GPUaaS AI DC 확장, 액침냉각 도입, GPUaaS B2B 영업 확대 수천 대 GPU·냉각·전력 IoT 센서 모니터링 파이프라인 운영 MEC + Kafka + 이상탐지 스택이 직접 적용 가능한 핵심 영역
5G 스마트팩토리 SKT 5G B2B 스마트팩토리 솔루션, MEC 공장 내 구축 증가 공장 설비 IoT 센서(진동·온도·전류) 실시간 이상탐지 산업용 LSTM 이상탐지 + Grafana 대시보드 경험 연결
UAM 상공망 UAM(도심항공교통) 상공 통신망 구축 추진, 2025년 시험 비행 UAM 기체 IoT 텔레메트리(위치·고도·속도·배터리) 실시간 처리 초저지연 스트리밍 + 이상탐지 경험이 안전 모니터링에 연결
스마트시티 교통·환경·시설물 IoT 인프라 구축, 지자체 협력 확대 교통 신호·CCTV·환경 센서 데이터 통합 플랫폼 운영 다종 데이터 소스 통합 파이프라인 설계 경험 연결
에너지 IoT 전력·가스 스마트 미터링, RE100 대응 에너지 관리 스마트 미터 시계열 데이터 수집·이상탐지·예측 분석 시계열 이상탐지 + InfluxDB 시계열 DB 경험 직접 연결
기술 스택 심화 학습 가이드

SKT IoT/데이터 합격을 위한 핵심 기술 완전 정복

SKT IoT/데이터 직무 자소서와 면접에서 반드시 알아야 할 기술 개념들을 심층적으로 정리했습니다. 단순히 툴 이름을 나열하는 것이 아니라 "왜 이 기술인가"를 설명할 수 있어야 합니다.

Kafka 파티셔닝 전략 — SKT 규모에서 왜 중요한가
Kafka 파티션 수는 소비자(Consumer) 병렬성의 상한을 결정합니다. SKT AI DC처럼 수천 대 GPU 장비의 텔레메트리 데이터가 유입될 때, 파티션 수가 적으면 컨슈머를 늘려도 처리량이 증가하지 않는 병목이 발생합니다. C.H.는 파티션 32개와 컨슈머 그룹 8개(4 컨슈머/그룹)로 45만 msg/s를 달성했습니다. 키 기반 파티셔닝(장비 ID 해시)으로 동일 장비 데이터가 동일 파티션으로 라우팅되어 순서 보장과 상태 처리가 가능하도록 설계했습니다.
TFLite INT8 양자화 — 정확도 손실 관리 방법
INT8 양자화는 FP32 모델의 가중치를 8비트 정수로 변환해 모델 크기를 4배 줄이고 추론 속도를 2~4배 높이지만, 정확도 손실이 발생합니다. C.H.는 양자화 인지 학습(Quantization-Aware Training, QAT)을 적용해 FP32 모델 대비 F1 Score 손실을 0.003(0.942→0.945 차이)으로 최소화했습니다. Post-Training Quantization(PTQ)보다 QAT가 이상탐지처럼 민감한 모델에서 정확도 유지에 유리하다는 것을 실험으로 증명했습니다. 이 내용은 면접에서 기술 깊이를 보여주는 강력한 포인트가 됩니다.
Apache Flink CEP — 이상탐지에서 왜 Spark Streaming이 아닌가
Spark Streaming은 마이크로배치(Micro-batch) 방식으로, 배치 주기(최소 100ms) 동안 발생한 이벤트를 모아서 처리합니다. AI DC 모니터링처럼 이상 발생 후 12초 이내에 알림을 보내야 하는 요구사항에서는 마이크로배치 지연이 허용되지 않습니다. Flink는 이벤트 발생 즉시(True Streaming) 처리하며, CEP(Complex Event Processing) 라이브러리로 "30초 내 온도 2회 이상 급상승" 같은 복잡한 이상 패턴을 실시간으로 탐지할 수 있습니다. 이 기술 선택의 근거를 설명할 수 있다면 면접에서 높은 평가를 받습니다.
InfluxDB vs TimescaleDB — SKT IoT 환경에서의 선택
InfluxDB는 시계열 데이터 전용으로 설계되어 쓰기(Write) 성능과 시계열 압축에 특화되어 있습니다. Flux 쿼리 언어와 Grafana 네이티브 연동, Continuous Query(자동 다운샘플링)가 AI DC 모니터링에 적합합니다. TimescaleDB는 PostgreSQL 확장으로 SQL을 그대로 사용할 수 있어 기존 관계형 데이터와 JOIN이 필요한 경우 유리합니다. C.H.는 AI DC 모니터링에서 관계형 데이터(장비 메타데이터)와의 JOIN 없이 순수 시계열 데이터만 다루는 특성상 InfluxDB를 선택했고, 이 트레이드오프 분석을 면접에서 설명했습니다.
GPUaaS 텔레메트리 데이터 처리 심화

SKT GPUaaS 모니터링 — IoT 데이터 플랫폼 개발자가 해결해야 할 과제

SKT GPUaaS는 기업 고객에게 GPU 컴퓨팅 자원을 서비스로 제공합니다. 수천 대 GPU의 실시간 텔레메트리 데이터 처리는 IoT/데이터 플랫폼 개발자의 핵심 과제입니다. C.H.가 분석한 GPUaaS 모니터링 요구사항과 자신의 경험 연결 방법을 정리했습니다.

GPUaaS 모니터링 데이터 유형수집 주기이상탐지 임계값C.H. 경험 연결
GPU 온도 (°C) 1초 Warning: 80°C, Critical: 90°C LSTM Autoencoder 온도 시계열 이상탐지 경험 직접 적용
GPU 메모리 사용율 (%) 1초 Warning: 85%, Critical: 95% 동적 임계값(μ±3σ)으로 워크로드별 패턴 변화 반영
GPU 전력 소비 (W) 1초 설계 TDP 초과 시 Critical 전력 이상 탐지 + PagerDuty 알림(MTTA 12초)
액침냉각 온도/유량 500ms 온도 >60°C, 유량 감소 >20% 보수적 임계값 설정(누액=Critical 최우선)
네트워크 대역폭 (Gbps) 5초 InfiniBand 대비 30% 이하 시 경고 Kafka 스트리밍으로 네트워크 병목 실시간 감지
GPUaaS SLA 가용성 (%) 실시간 집계 99.99% SLA 기준 (월 52분 허용) InfluxDB 연속 쿼리 + Grafana 가용성 대시보드
SKMS 자소서 4항목 작성 가이드

IoT/데이터 직무 관점에서 SKMS 4항목 완전 작성법

SK텔레콤 자소서는 SUPEX 추구·혁신·다양성·직무 전문성 4가지 항목으로 구성됩니다. IoT/데이터 직무에 최적화된 작성 전략을 항목별로 정리했습니다.

항목SKMS 핵심 개념IoT/데이터 직무 적용 사례작성 포인트
SUPEX 추구 인간이 할 수 있는 최고 수준의 목표 설정 (SuperExcellent) "5G URLLC 업계 기준 10ms 이하 레이턴시를 목표로 설정해 8ms 달성. 남은 3ms를 위해 FPGA 가속 방법론 연구 진행 중" 달성 여부보다 목표 설정의 높이와 끈질긴 도전 과정이 핵심. 실패해도 왜 그 목표를 세웠는지 설명
혁신 (기존 틀 깨기) 기존 방식을 의심하고 새로운 방법으로 돌파하는 경험 "팀 전체가 배치 처리(5분 주기)를 당연하게 여길 때, 혼자 Kafka 실시간 스트리밍 도입을 제안하고 설득. 처리 지연 8.4분→12초 단축" 팀·조직의 기존 관행을 깬 구체적 사례. "왜 바꿔야 한다고 생각했는가"의 논리가 중요
다양성 존중 다양한 배경·전공·관점을 가진 사람들과의 협업 경험 "전기공학·기계공학·통신공학 전공 팀원과 IoT 시스템 구축. 각 전공의 관점(신호 처리·진동 분석·네트워크)을 데이터 파이프라인 설계에 통합" 이종 전공·배경과의 협업에서 발생한 갈등과 해결 과정을 구체적으로 서술
직무 전문성 해당 직무에서 즉시 기여할 수 있는 기술적 역량 "5G MEC + Kafka(45만 msg/s) + LSTM Autoencoder(F1 0.942) + InfluxDB + Grafana 풀스택 IoT 파이프라인 단독 설계·구현. SKT AI DC 모니터링 요구사항 직접 분석 완료" 기술 스택을 나열하는 것이 아니라 "이 기술로 무엇을 만들었고 어떤 수치를 달성했는가"가 핵심
면접 준비 가이드

SKT IoT/데이터 직무 1·2차 면접 완벽 준비

C.H.가 경험한 1차(직무 기술 면접)와 2차(임원 가치관 면접)의 실전 질문과 답변 전략을 공유합니다.

1차
직무 기술 면접 — 실전 질문 5선
Q1. "Kafka와 RabbitMQ를 비교하고, SKT IoT 환경에서 Kafka를 선택해야 하는 이유를 설명해주세요."

Q2. "LSTM Autoencoder에서 재구성 오차(Reconstruction Error) 임계값을 어떻게 설정했나요? 동적 임계값과 고정 임계값의 트레이드오프는?"

Q3. "MEC 서버에서 TFLite INT8 양자화를 적용했을 때 정확도 손실을 어떻게 관리했나요?"

Q4. "AI DC에서 GPU 수천 대의 텔레메트리 데이터를 처리하는 파이프라인을 설계한다면 어떤 아키텍처를 제안하겠나요?"

Q5. "시계열 이상탐지에서 Concept Drift가 발생했을 때 어떻게 모델을 업데이트하겠나요?"
2차
임원 가치관 면접 — SKMS 실전 질문 5선
Q1. "SUPEX 목표를 설정했다가 달성하지 못한 경험이 있나요? 어떻게 대처했나요?"

Q2. "팀원들이 반대했던 기술적 결정을 밀어붙인 경험이 있다면 설명해주세요."

Q3. "전공이 다른 팀원과 기술적 견해 충돌이 있었을 때 어떻게 해결했나요?"

Q4. "SKT IoT 데이터 플랫폼 개발자로서 5년 후 어떤 SUPEX 수준의 목표를 가지고 있나요?"

Q5. "데이터 엔지니어링에서 가장 중요한 것이 기술인가요, 아니면 비즈니스 이해인가요? 본인의 생각을 말씀해주세요."
tip
C.H.의 면접 합격 핵심 팁
"기술 면접에서는 '저는 이렇게 했습니다'가 아닌 '저는 이렇게 설계했고, 이런 트레이드오프가 있었으며, 이런 이유로 이 방법을 선택했습니다'의 구조로 답했습니다. 숫자를 기억하는 것도 중요하지만, '왜 그 숫자가 의미 있는가'를 SKT 비즈니스와 연결해 설명하는 것이 더 중요했습니다. 임원 면접에서는 SKMS 용어(SUPEX·VWBE·패기)를 자연스럽게 사용하되, 형식적으로 쓰지 않고 본인의 경험에 정확히 대응시켜 말하는 것이 핵심이었습니다."
SKT IoT 직무 커리어 로드맵

SKT IoT/데이터 플랫폼 개발자의 성장 경로

입사 후 SKT에서 IoT/데이터 플랫폼 개발자로 성장하는 전형적인 경로와 목표 직위를 이해하고 있다는 것을 자소서와 면접에서 보여주면 장기적 기여 의지를 증명할 수 있습니다.

단계기간주요 역할핵심 역량
주니어 엔지니어 입사 후 1~3년 AI DC 텔레메트리 파이프라인 유지보수, Kafka 토픽 관리, 이상탐지 모델 재학습 Kafka·InfluxDB·Grafana 운영, LSTM 모델 재학습 자동화
시니어 엔지니어 3~6년 5G MEC 신규 아키텍처 설계, GPUaaS 모니터링 플랫폼 구축, 팀 기술 스택 의사결정 분산 시스템 설계, MLOps 파이프라인, 팀 리딩
플랫폼 아키텍트 6~10년 SKT AI 피라미드 인프라 레이어 전체 데이터 아키텍처 설계, 글로벌 통신사 협업 기술 표준화 엔터프라이즈 아키텍처, 기술 전략, AI DC 설계
기술 리더 / CTO 트랙 10년 이상 SKT 글로벌 AI 인프라 방향성 설정, 차세대 IoT 플랫폼 R&D 리드 경영 전략, 기술 투자 의사결정, 글로벌 파트너십
C.H.의 5년 후 목표 (면접 답변 예시): "입사 후 3년 안에 SKT AI DC의 GPU 텔레메트리 이상탐지 파이프라인을 완전 자동화하는 MLOps 시스템을 구축하겠습니다. 이 시스템이 AI DC 장애 예방에 기여해 SKT GPUaaS의 SLA(서비스 수준 협약) 99.99% 달성에 기여하는 것이 SUPEX 수준의 목표입니다. 중장기적으로는 SKT의 글로벌 통신사 AI 얼라이언스(소프트뱅크·도이치텔레콤)에서 IoT 데이터 플랫폼 기술 표준을 이끄는 역할을 하고 싶습니다."
관련 기술 심화 학습

SKT IoT/데이터 합격을 위한 추가 준비 자료

자소서 작성 전 반드시 알아야 할 SKT IoT 관련 핵심 개념과 학습 방향을 정리했습니다. 이 개념들을 이해하고 있어야 자소서와 면접에서 자연스럽게 활용할 수 있습니다.

5G URLLC와 eMBB의 차이 — IoT 자소서 필수 개념
5G는 eMBB(고속 대용량), URLLC(초저지연·고신뢰), mMTC(대규모 IoT) 3가지 시나리오로 구분됩니다. 산업용 IoT와 AI DC 모니터링은 URLLC 시나리오에 해당하며 레이턴시 1~10ms, 신뢰도 99.999%가 요구됩니다. MEC는 URLLC를 실현하는 핵심 기술입니다. 자소서에서 "5G IoT"를 언급할 때 어떤 시나리오에 해당하는지 명시하면 기술 이해도를 높게 평가받습니다.
액침냉각(Immersion Cooling)과 AI DC IoT 모니터링의 관계
액침냉각은 서버를 절연 액체에 담가 냉각하는 차세대 데이터센터 기술로, SKT AI DC에 도입되고 있습니다. 전통 공기냉각 대비 냉각 효율 4배, 전력 효율(PUE) 1.03 달성이 가능합니다. IoT 관점에서는 액체 온도·유량·압력 센서 데이터를 실시간 모니터링해야 하며, 이상 탐지(과열·누액·유량 이상)가 핵심 과제입니다. 이 내용을 자소서에 담으면 SKT AI DC 전략과의 연결이 자연스러워집니다.
Apache Kafka vs Apache Pulsar — 최신 스트리밍 트렌드
2026년 현재 대규모 IoT 환경에서는 Kafka와 Pulsar가 경쟁하고 있습니다. Pulsar는 멀티 테넌시와 계층적 스토리지(tiered storage) 면에서 Kafka보다 유리하지만, 생태계 성숙도에서는 Kafka가 앞섭니다. SKT AI DC처럼 수천 대 장비의 텔레메트리를 처리하는 환경에서는 Kafka의 파티셔닝 전략과 컨슈머 그룹 모델이 검증된 선택입니다. Pulsar를 알고 있다는 것 자체가 최신 기술 트렌드를 파악하고 있다는 신호가 됩니다.
Digital Twin과 IoT 데이터 플랫폼의 연결
Digital Twin은 물리적 시스템의 디지털 복제본으로, IoT 센서 데이터를 실시간으로 반영해 시뮬레이션하는 기술입니다. SKT는 5G MEC와 IoT 데이터를 기반으로 AI DC Digital Twin을 구축해 장애를 예측하고 유지보수를 최적화하려 합니다. IoT/데이터 플랫폼 개발자는 Digital Twin의 데이터 공급자 역할을 합니다. 자소서에서 "IoT 데이터가 Digital Twin에 어떻게 활용되는가"를 설명하면 SKT의 장기 비전과 연결된 지원자로 인식됩니다.
합격 자소서 완전 공개 (요약)

C.H.의 SKT IoT/데이터 자소서 — 핵심 문장 발췌

합격자가 실제로 사용한 문장의 핵심 구조와 표현 방식을 분석합니다. 문장을 그대로 복사하지 말고, 구조와 논리를 자신의 경험에 적용하세요.

SUPEX 항목 — 실제 사용 문장 구조
"저는 '5G URLLC 표준이 요구하는 10ms 이하 레이턴시를 MEC 온디바이스 추론으로 달성한다'는 SUPEX 수준의 목표를 설정했습니다. 기존 클라우드 API 방식(90ms)으로는 불가능한 목표였지만, TFLite INT8 양자화와 Jetson Xavier의 CUDA 코어를 최대한 활용해 8ms를 달성했습니다. 목표에 2ms 못 미쳤지만, FPGA 가속 방법론을 스스로 연구하며 남은 차이를 좁히기 위해 끊임없이 도전했습니다. 이 패기(일과 싸워 이기는 기질)가 SKT의 AI DC GPUaaS 플랫폼에서 새로운 SUPEX 목표를 달성하는 원동력이 될 것입니다."
혁신 항목 — 실제 사용 문장 구조
"프로젝트 팀 전체가 5분 주기 배치 처리를 '당연한 방법'으로 여길 때, 저는 AI DC 모니터링 시나리오에서 5분 지연은 '장애를 발견했을 때 이미 시스템이 다운됐다'를 의미한다는 것을 계산으로 증명했습니다. 팀원들의 반대(구현 복잡도, 학습 부담)에도 불구하고 Kafka 실시간 스트리밍 POC를 혼자 2주 만에 구현해 처리 지연을 8.4분에서 12초로 줄인 결과를 보여주었고, 결국 팀 전체가 실시간 파이프라인으로 전환하는 결정을 이끌어냈습니다."
직무 전문성 항목 — 실제 사용 문장 구조
"저는 5G MEC 엣지 서버(Jetson Xavier NX)에서 TFLite INT8 양자화 모델로 산업용 IoT 진동 센서 이상탐지 추론을 90ms에서 8ms로 단축하고, Apache Kafka(파티션 32개, 컨슈머 그룹 8개)로 실시간 메시지 처리량을 12만 msg/s에서 45만 msg/s(3.8배)로 향상시켰습니다. LSTM Autoencoder 기반 이상탐지 모델에 동적 임계값(슬라이딩 윈도우 μ±3σ)을 적용해 False Positive를 28.4%에서 6.1%로 낮추고 F1 Score 0.942를 달성했습니다. 이 풀스택 IoT 파이프라인(센서→MEC→Kafka→Flink→InfluxDB→Grafana)은 SKT AI DC 수천 대 GPU 장비의 실시간 모니터링에 직접 적용 가능한 아키텍처입니다."
합격 후기 요약 — C.H.의 전형 과정

서류 → 1차 → 2차 → 최종 합격까지 — C.H.의 SKT IoT 전형 리뷰

C.H.의 실제 전형 경험을 단계별로 정리했습니다. 각 단계에서 무엇이 중요했는지 파악해 자신의 준비에 활용하세요.

서류 전형 — 탈락 예상에서 합격으로 반전된 이유
"SKT는 학벌보다 직무 연관성을 더 중시한다"는 것을 전형을 통해 실감했습니다. 지방 대학 소프트웨어공학 전공으로 학벌 면에서는 불리했지만, 5G MEC 레이턴시 수치와 Kafka 처리량 데이터가 자소서 첫 문장에 있었기 때문에 서류를 통과했다고 생각합니다. SKT 인사팀이 공개한 서류 심사 기준에 "직무 연관 경험의 구체성"이 최우선 순위임을 확인하고 자소서를 수치 중심으로 재작성한 것이 핵심이었습니다.
1차 직무 기술 면접 — 가장 어려웠던 질문
"AI DC에서 GPU 가동률 데이터를 보니 특정 패턴이 보입니다. 이게 이상인지 정상인지 어떻게 판단하겠나요?"라는 즉흥 시나리오 질문이 가장 어려웠습니다. 저는 "먼저 해당 GPU의 이전 1주일 가동률 트렌드(슬라이딩 윈도우)와 비교하고, 인접 GPU들의 동시 패턴과 비교한 뒤, LSTM 재구성 오차를 확인하겠다"는 3단계 판단 프로세스로 답변했습니다. 즉흥적인 기술 질문에서 "프로세스"로 답하는 것이 면접관에게 신뢰를 줍니다.
2차 임원 면접 — 예상치 못한 질문
"당신이 설계한 파이프라인이 운영 중 장애로 전체 AI DC 모니터링이 다운됐다면 어떻게 책임지겠나요?"라는 날카로운 질문을 받았습니다. "기술적 장애는 발생할 수 있습니다. 중요한 것은 사전에 내결함성(Fault Tolerance) 설계를 적용해 단일 장애점(SPOF)을 없애는 것입니다. 저는 Kafka 복제 계수 3, Flink Checkpoint, InfluxDB HA를 기본으로 설계합니다. 장애 발생 시에는 투명한 포스트모템(Post-mortem) 보고서를 작성하고 재발 방지 조치를 시스템에 반영하겠습니다"라고 답했습니다.
최종 합격 후 받은 피드백
입사 후 채용 담당자에게 받은 피드백은 "자소서에서 SKT AI DC 모니터링을 직접 언급한 지원자가 거의 없었다"는 것이었습니다. 대부분의 지원자가 IoT·데이터 경험을 서술했지만 SKT의 구체적 사업 과제와 연결하지 못했던 반면, C.H.는 AI DC·GPUaaS·액침냉각이라는 SKT 2026년 핵심 인프라 과제와 본인의 경험을 직접 연결한 점이 강점이었습니다. "SKT를 위해 쓴 자소서"와 "일반 회사에 쓴 자소서"의 차이가 합격을 결정했습니다.
SKT IoT/데이터 직군 — 지원 전 최종 체크리스트

서류 제출 전 반드시 확인해야 할 10가지 항목

C.H.의 합격 경험과 SKT 채용 공고 분석을 바탕으로 정리한 최종 점검 목록입니다. 제출 전 각 항목을 직접 체크하세요.

#체크 항목확인 방법
1자소서 첫 문장에 수치가 있는가?레이턴시, 처리량, F1 Score 등 측정 가능한 성과 포함 여부
2SKT 5G·AI DC·GPUaaS와 연결했는가?SKT 사업 키워드 최소 2개 이상 언급
3SKMS 4항목(SUPEX·혁신·다양성·직무) 커버?자소서 4개 문항이 각 항목에 대응되는지 확인
4기술 스택이 SKT 공고 요건과 일치하는가?Kafka, Flink, InfluxDB, 5G MEC 등 공고 필수 기술 체크
5이프랜드·메타버스 언급을 제거했는가?2025년 3월 이프랜드 종료 — 언급 시 시장 인식 부족으로 감점
6프로젝트에서 본인의 역할이 명확한가?"팀 프로젝트"가 아닌 "내가 설계/구현/개선"으로 서술
7이상탐지 모델의 판단 기준이 설명되는가?동적 임계값, 슬라이딩 윈도우 등 알고리즘 설명 포함
8장애 대응/내결함성 설계가 언급되는가?Fault Tolerance, SPOF 제거, 복제 전략 등 신뢰성 요소
9자소서 분량이 항목당 700자 이상인가?SKT 자소서는 항목당 700~1,000자가 최적 분량
10커리어던 AI 진단으로 최종 점수 확인?86점 이상이 서류 통과 기준선 (C.H. 기준)
내 자소서, SK텔레콤 IoT/데이터 합격 기준에 맞나요?

커리어던 AI 자소서 진단으로 5G MEC 역량·Kafka 경험·이상탐지 성과 표현을 지금 바로 점검하세요

무료 자소서 진단 받기