[26상] 한화오션 / AI 개발 / 자기소개서 항목별 풀이
[산업/기업/직무 분석]
# AI의 눈으로 본 한화오션
한화오션을 지원하면서 "조선업에서 AI가 뭘 하지?"라는 의문을 가진 분이 있다면, 이 질문에 먼저 답을 잡고 가야 합니다. 한화오션은 구 대우조선해양이 2023년 한화그룹에 편입되며 탄생한 회사입니다. 매출 12.7조 원(2025년 기준), 영업이익 1.1조 원을 기록한 국내 조선 빅3 중 하나이며, 전 세계 LNG운반선 4척 중 1척을 건조한 글로벌 Top Tier 조선사입니다. 그런데 AI개발 지원자에게 중요한 포인트는 매출 규모가 아닙니다. 한화오션이 2040년 매출 30조 원 비전을 달성하기 위해 설정한 4대 투자 축 가운데 "스마트 야드"가 핵심 축으로 들어가 있다는 사실입니다. 스마트 야드란 거제 옥포조선소를 IoT 센서, AI 알고리즘, 로봇 공정으로 무장시켜 2030년까지 핵심 공정 자동화율 70%를 달성하겠다는 프로젝트입니다. 이 목표를 실현하려면 조선소의 데이터를 수집하고, 모델을 만들고, 현장에 안착시키는 사람이 필요합니다. AI개발 직무가 바로 그 역할을 맡습니다.
# 조선소 AI개발, 구체적으로 무슨 일을 하는가
한화오션 AI개발 직무의 일상을 한 줄로 요약하면, "조선소의 문제를 데이터와 알고리즘으로 해결하는 사람"입니다. 아침에 출근하면 전일 생산 공정 데이터나 설비 센서 로그를 점검하고, 생산현장 팀장이나 품질관리 엔지니어와 미팅을 합니다. "용접부에서 재작업이 자꾸 나오는데, 용접 전에 불량 징후를 잡아낼 수 없느냐" 같은 현업의 문제를 듣고, 이를 데이터 문제로 번역하는 것이 첫 번째 업무입니다. 그 다음 단계는 수집된 센서 데이터(전류, 전압, 용접 속도, 온도 등)로 머신러닝 모델을 설계하고, 프로토타입을 만들어 현장에서 테스트하고, 피드백을 받아 개선하는 사이클을 반복합니다. 1년 단위로는 "용접 불량률 30% 감소", "설비 고장 예측으로 월 40시간 다운타임 절감" 같은 KPI를 책임집니다. 내부 협업 대상은 생산부서, 설계부서, 품질팀, IT기획팀, 스마트야드 추진단(PMO) 등 최소 5개 이상이고, 외부로는 AI 솔루션 스타트업, 대학 연구소, 한화시스템 AI팀과도 협력합니다. 따라서 자소서에서 "Python/PyTorch를 다룰 줄 안다"만으로는 부족합니다. 현장의 문제를 듣고, 기술 언어로 바꾸고, 다시 현장 용어로 설명할 수 있는 커뮤니케이션 역량까지 보여줘야 합니다.
[자기소개서 항목별 풀이]
항목 1. 한화오션에 지원하게 된 동기와 한화오션이 'Global Ocean Solution Provider'로 도약하는데 본인이 기여할 수 있는 바를 작성해 주세요. (1000자)
[Q&A]
Q: AI개발 직무인데 조선업 지원동기를 어떻게 써야 하나요?
A: 조선업 자체에 대한 열정보다, 조선소라는 현장에 AI를 적용했을 때 발생하는 고유한 가치에 주목하세요. 한화오션의 비전 중 스마트 야드, 디지털 선박, 방산 솔루션 등에서 AI가 맡는 역할을 구체적으로 짚되, 본인의 기술 역량이 그 역할에 어떻게 연결되는지를 보여주는 것이 핵심입니다.
[1] 출제 의도 해석 (WHY)
이 항목이 지원동기와 기여 방안을 하나로 묶은 이유가 있습니다. 한화오션은 2023년 한화그룹 편입 이후 "Global Ocean Solution Provider"라는 비전을 선언했는데, 이것은 선박을 잘 만든다는 의미가 아닙니다. 상선과 군함 건조를 넘어 디지털 해양 솔루션, 해상풍력, 스마트 야드까지 포괄하는 종합 해양 플랫폼 기업으로 전환하겠다는 선언입니다. AI개발 직무는 이 비전의 기술적 핵심축에 해당합니다. 평가자가 보려는 것은 두 가지입니다. 첫째, 한화오션이 왜 조선소에 AI 인력을 뽑는지, 그 배경을 이해하고 있는가. 둘째, 본인의 AI 역량이 한화오션의 구체적 과제(스마트 야드, 디지털 트윈, 공정 예측 등)와 어떻게 연결되는지 자기만의 시각으로 설명할 수 있는가. 추상적 포부가 아니라 실행 가능한 기여 방안을 기대합니다.
[2] 평가 체크포인트 (WHAT)
첫째, 한화오션의 최근 전략(스마트 야드 자동화율 70% 목표, 디지털생산센터 신설, 한화시스템과의 AI 협업, MASGA 프로젝트 참여 등)을 팩트 기반으로 이해하고 있는가.
둘째, "Global Ocean Solution Provider" 비전을 본인의 언어로 재해석하되, AI개발 직무의 관점에서 기여 방안을 구체적 과제 수준(예: 용접 품질 예측, 설계 자동화, 공정 최적화)으로 제시했는가.
셋째, 지원 계기가 "AI 산업이 유망해서"라는 외부 관점이 아니라, 본인이 경험한 프로젝트나 학습에서 출발한 내면적 동기와 연결되어 있는가.
[3] 상위 1% 예시 (HOW)
[편견에 머무르지 않고, 데이터로 확인하다]
제조 데이터 분석 수업에서 교수님은 "품질 불량의 80%는 소수의 주요 공정에서 발생한다"고 가르쳤습니다. 파레토 법칙에 기반한 이 통설은 교과서에서 의심 없이 받아들여지는 원리였습니다. 그런데 학기 과제로 실제 제조 공장의 용접 공정 데이터 1만 2천 건을 분석했을 때, 이상한 점을 발견했습니다. 주요 공정으로 분류된 구간의 불량률은 예상대로였지만, "비주요"로 분류된 보조 공정에서 산발적으로 발생하는 미세 결함이 누적되어 최종 검사 불합격의 35%를 차지하고 있었습니다.
이 발견이 흥미로웠던 이유는, 현장에서 비주요 공정의 데이터를 아예 수집하지 않고 있었기 때문입니다. 저는 팀원 3명에게 "측정하지 않는 공정은 관리할 수 없다"는 가설을 세우고 검증해 보자고 제안했습니다. 보조 공정의 온도, 습도, 작업 속도 데이터를 IoT 센서 시뮬레이션으로 추가 수집한 뒤, XGBoost 분류 모델에 해당 변수를 통합하자 전체 불량 예측 정확도가 72%에서 86%로 올랐습니다. 교수님께서도 "교과서적 가정을 데이터로 반증한 좋은 사례"라고 평가해 주셨고, 해당 과제는 학기 최우수 프로젝트로 선정되었습니다.
이 경험은 두 가지를 남겼습니다. 하나는 기존 이론을 의심하고 데이터로 검증하는 사고 방식이고, 다른 하나는 제조 현장에서 AI가 발휘하는 가치가 "기존에 보지 못한 패턴을 발견하는 것"에 있다는 확신입니다. 한화오션이 스마트 야드를 통해 핵심 공정 자동화율 70%를 목표로 세운 것도, 결국 조선소 곳곳에 센서를 심고 데이터를 읽어내는 사람이 있어야 가능한 일입니다. 저는 한화오션의 옥포조선소에서 생산 공정 리스크 예측 AI를 개발하며, 현장이 미처 측정하지 않았던 데이터에서 불량의 원인을 찾아내는 역할을 하고 싶습니다. 통설이 아니라 데이터가 말하는 현실에서 출발하는 것이야말로 Global Ocean Solution Provider의 기술적 토대라고 생각하며, 이 신념을 옥포조선소 현장에서 증명해 보이겠습니다.
[예시문 해부]
제조 수업의 통설("파레토 법칙")을 인용한 뒤, 실제 데이터 분석으로 반증하는 구조를 사용하여 도입부에서 독자의 시선을 잡았습니다. 기존 이론에 의문을 제기하고 실험으로 검증하는 탐구 일지 형태는 AI개발 직무의 핵심 사고방식과 자연스럽게 맞물립니다.
비주요 공정의 데이터를 추가 수집하여 예측 정확도를 72%에서 86%로 끌어올렸다는 구체적 수치를 제시하여, "측정하지 않는 공정은 관리할 수 없다"는 가설을 증명하는 과정이 설득력 있게 전개되었습니다.
마무리에서 한화오션 스마트 야드의 구체적 목표(자동화율 70%)와 본인이 맡을 역할(생산 공정 리스크 예측 AI)을 연결하여, 추상적 포부가 아닌 실행 가능한 기여 방안을 제시했습니다.
항목 2. 본인의 성격 상 장/단점을 기술하고, 업무 환경 또는 단체 활동에서 어떻게 발현되는지 알려주세요. (1000자)
[Q&A]
Q: AI개발 직무에서 성격의 장단점이 왜 중요한가요?
A: AI개발은 혼자 코딩하는 직무가 아닙니다. 생산현장 작업자, 품질팀, IT부서, 경영진까지 서로 다른 언어를 쓰는 사람들과 매일 소통해야 합니다. 따라서 평가자는 기술 역량 못지않게 "이 사람이 현장에서 마찰 없이 협업할 수 있는가"를 봅니다.
[1] 출제 의도 해석 (WHY)
이 항목은 지원자의 자기 인식 수준을 측정합니다. 화려한 장점 나열보다, 단점을 얼마나 솔직하게 인지하고 구조적으로 관리하는지에 더 높은 점수가 갑니다. 한화오션 AI개발자는 현업 부서 5개 이상과 동시에 협업하면서 기술 언어와 현장 언어를 번역하는 역할을 맡습니다. 생산 직원에게 모델 예측 결과를 설명할 때는 현장 용어를 써야 하고, 경영층에 보고할 때는 비즈니스 임팩트로 전환해야 합니다. 이런 환경에서 자기 성격의 강약점을 정확히 파악하고, 약점이 프로젝트에 미치는 영향을 선제적으로 관리하는 사람이 필요합니다. 평가자는 장단점 그 자체가 아니라, "이 약점이 조선소 AI 프로젝트에서 어떤 문제를 일으킬 수 있고, 어떻게 보완하고 있는가"를 보려 합니다.
[2] 평가 체크포인트 (WHAT)
첫째, 장점이 AI개발 직무의 구체적 상황(현업 요구 분석, 다부서 조율, 프로젝트 추진)에서 어떻게 발휘되는지 실제 사례로 입증했는가.
둘째, 단점이 진짜 약점으로 느껴질 만큼 솔직하되, 그로 인해 발생한 문제와 이를 보완하기 위한 구체적 행동이 함께 서술되었는가.
셋째, 장단점 모두 AI개발자의 실무 맥락(현장 피드백 수렴, 모델 성능 vs 현업 활용도 균형, 프로젝트 일정 관리)과 연결되어 직무 적합성이 끝까지 유지되는가.
[3] 상위 1% 예시 (HOW)
[관성에 질문을 던지는 습관]
장점은 "당연하다고 여기는 방식"에 질문을 던지는 습관입니다. 캡스톤 프로젝트에서 제조 공정 이상 탐지 모델을 만들 때, 팀 전원이 Autoencoder 기반 비지도 학습을 기본 접근법으로 정했습니다. 논문에서도 가장 많이 인용되는 방식이었고, 지도교수님도 추천한 방법이었습니다. 하지만 저는 전처리 단계에서 데이터를 살펴보면서, 이상 데이터의 패턴이 시간축을 따라 점진적으로 변하는 특성을 발견했습니다. 그래서 팀 미팅에서 "Autoencoder만으로 시계열 드리프트를 잡기 어려울 수 있으니, LSTM과 앙상블하는 소규모 실험을 먼저 돌려보면 어떻겠느냐"고 제안했습니다. 반대 의견도 있었지만, 3일 안에 비교 결과를 보여주겠다고 약속하고 소규모 파일럿을 진행했습니다. 결과적으로 앙상블 모델의 F1 스코어가 기존 대비 11% 포인트 올랐고, 팀은 만장일치로 해당 접근을 최종 모델로 채택했습니다. 이처럼 다수의 합의에 묻히지 않고 근거를 갖춰 대안을 제시하되, 소규모 실험이라는 낮은 리스크의 방법으로 설득하는 것이 제 장점입니다.
단점은 이 습관이 과도해질 때 나타납니다. 같은 프로젝트의 후반부에서, 최종 발표 준비가 급한데도 모델 튜닝에 매달리며 "조금만 더 올릴 수 있다"고 고집을 부린 적이 있습니다. 팀원이 "지금 정확도가 충분한데 발표 자료가 비어 있다"고 피드백을 주었고, 그때서야 기술적 완벽주의가 프로젝트 전체 일정을 압박하고 있다는 걸 인지했습니다. 이후 저는 프로젝트 시작 시 기한 기준을 먼저 세우고, 팀원과 매주 진척도를 공유하는 루틴을 만들었습니다. 완벽한 모델을 추구하되, 적시성을 고려하여 현장에서 쓸 수 있는 모델을 만들겠다는 원칙을 한화오션 AI개발 직무에서도 적용하겠습니다.
[예시문 해부]
장점을 "관성에 정중하게 질문하는 습관"으로 정의하고, 팀 전체가 Autoencoder를 당연시하는 상황에서 소규모 실험으로 대안을 증명하는 구조로 전개했습니다. AI개발 직무에서 기존 방법론에 의문을 제기하고 데이터로 검증하는 역량이 핵심이라는 점과 정확히 맞물립니다.
단점(기술적 완벽주의)을 같은 프로젝트 안에서 드러내 서사의 일관성을 유지하면서, "기한 기준 설정 + 주간 진척 공유"라는 재현 가능한 보완 행동을 제시했습니다.
마무리에서 본인이 수립한 원칙을 조선소 납기 환경과 연결하여, 장단점 모두 AI개발 직무 맥락에서 의미를 갖도록 마감했습니다.
항목 3. 해당 직무를 수행하는데 가장 중요한 역량은 무엇이고, 그 역량을 준비하기 위해 어떤 노력을 해 오셨는지 알려주세요. (1000자)
[Q&A]
Q: AI개발 역량으로 코딩 능력만 어필하면 되나요?
A: 코딩은 기본 전제이지 차별화 요소가 아닙니다. 한화오션이 AI개발자에게 기대하는 역량은 "조선소의 문제를 데이터와 알고리즘으로 정의하고, 현업이 실제로 쓸 수 있는 형태로 전달하는 능력"입니다. 따라서 프로그래밍 역량은 깔고 가되, 도메인 문제를 정의한 경험이나 현업과 소통한 사례를 함께 보여주세요.
[1] 출제 의도 해석 (WHY)
이 항목의 핵심은 "가장 중요한 역량은 무엇이고"라는 앞부분에 있습니다. 평가자는 지원자가 직무의 본질을 이해하고, 여러 역량 중 핵심을 골라내는 판단력을 보려 합니다. 한화오션 AI개발 직무 채용공고에는 "생산공정 Risk 예측 AI 개발", "데이터 수집/분석, 분석 결과 기반 위험요소 사전 예측 AI 기술 연구"라고 명시되어 있습니다. 즉, 이 직무는 순수 연구가 아니라 현장 적용을 전제한 개발입니다. 따라서 역량으로 "딥러닝 모델링"만 꼽으면 절반만 맞습니다. 모델을 만드는 능력과, 그 모델을 현장에 안착시키는 능력을 동시에 언급해야 합니다. 뒷부분의 "어떤 노력을 해 오셨는지"에서는 교과서적 수강 목록이 아니라, 실제 프로젝트에서 겪은 시행착오와 그로부터 학습한 실전 경험이 필요합니다.
[2] 평가 체크포인트 (WHAT)
첫째, 선택한 핵심 역량이 한화오션 AI개발 직무의 실제 과제(공정 예측, 품질 검사, 설비 예지보전 등)와 연결되는가.
둘째, 해당 역량을 준비한 과정이 "수업 수강 + 자격증 취득"의 나열이 아니라, 프로젝트 경험 안에서 시행착오를 겪고 개선한 구체적 서사로 구성되었는가.
셋째, 역량 준비 과정에서 현업(또는 도메인 전문가)과 소통한 경험이 포함되어 있어, 모델링 이외의 소프트스킬까지 입증하고 있는가.
[3] 상위 1% 예시 (HOW)
[현장의 언어로 번역하는 AI 개발자]
AI개발 직무에서 가장 중요한 역량은 "현장의 문제를 모델 문제로 정의하고, 모델의 결과를 다시 현장의 언어로 되돌려주는 번역 능력"이라고 생각합니다. 아무리 정교한 알고리즘이라도 현장 작업자가 쓰지 않으면 존재하지 않는 것과 같기 때문입니다. 이 역량을 키우기 위해 세 가지로 준비를 해왔습니다.
첫째, 데이터 모델링의 기초 체력입니다. Python, PyTorch, Scikit-learn을 활용한 프로젝트를 학부 과정에서 6건 이상 수행했고, 그중 시계열 예측과 컴퓨터 비전 두 분야에 집중했습니다. 특히 졸업 프로젝트에서는 제조 설비의 진동 센서 데이터로 고장 예측 모델을 만들었는데, 초기 정확도 68%에서 피처 엔지니어링과 하이퍼파라미터 튜닝을 거쳐 82%까지 끌어올린 경험이 있습니다.
둘째, 도메인 문제를 정의하는 연습입니다. 교내 스마트팩토리 연구실에서 학부 연구생으로 한 학기 동안 활동하며, 생산 라인 담당 연구원에게 매주 "지금 현장에서 가장 답답한 문제가 뭐냐"고 물었습니다. "설비 진동이 커지면 불량이 나는 것 같은데, 언제 점검해야 할지 감으로 판단한다"는 대답을 듣고, 이를 "진동 주파수 패턴 변화로 고장 시점을 48시간 전에 예측하는 모델"이라는 과제로 번역한 것이 졸업 프로젝트의 출발점이었습니다.
셋째, 결과를 전달하는 방식입니다. 프로젝트 결과를 발표할 때 AUC나 F1 Score만 나열하지 않고, "이 모델을 적용하면 월 평균 설비 정지 시간이 12시간 줄어들 것으로 추정된다"는 식으로 비즈니스 임팩트로 변환하여 전달하는 연습을 반복했습니다. 실제로 교수님께서도 "기술 지표와 비즈니스 가치를 동시에 보여주는 발표"라고 피드백해 주셨습니다. 한화오션 옥포조선소에서 생산 공정 데이터를 다루게 된다면, 이 세 가지 준비가 조선소 현장과 AI 기술 사이를 잇는 튼튼한 연결고리가 될 것이라 확신합니다.
[예시문 해부]
핵심 역량을 "현장-모델 간 번역 능력"으로 정의하여, 코딩 역량만으로는 부족하다는 직무 특성을 정확히 짚었습니다. 한화오션 AI개발 직무가 현업 적용을 전제로 한다는 채용공고의 맥락과 일치합니다.
역량 준비를 세 가지(모델링 기초 체력, 도메인 문제 정의, 결과 전달 방식)로 나누어 각각 프로젝트 경험과 수치(정확도 68%에서 82%, 고장 예측 48시간 전)로 뒷받침했습니다.
연구실에서 현업 담당자에게 "가장 답답한 문제"를 묻고 이를 모델 과제로 번역한 서사가 포함되어, AI개발자에게 요구되는 커뮤니케이션 역량까지 자연스럽게 증명했습니다.