기본정보

회 사 명	감바랩스		사업자번호	510-88-02366
대 표 자	박세진		홈페이지	https://gambalabs.ai/
기업구분	중소기업
사업장주소(본사)	소재지	서울 부산 대구 인천 광주 대전 울산 세종 경기 강원 충북 충남 전북 전남 경북 경남 제주	우편번호	46241
	상세주소	부산 금정구 부산대학로63번길 2 (장전동)
사업분야	클라우드 연결 없이도 기기 내부에서 (온디바이스, MCU)에서 동작하는 초경량 AI를 통해 가전 전자 제품 및 산업 현장에서 음성인식/화자인식/이상감지 기능을 구현하는 기업입니다 온디바이스 환경에 맞춰 모델의 경향화, 소음환경 대응, 오인식 저감 등을 핵심과제로 두고 기술을 고도화합니다.
주 제 품	On-Device AI Solution (KWS, Speaker Verification, Light-weight STT, Number KWS, Light NLU)
회사보유 기술현황 및 업적	- 보유기술 : KWS, Speaker Verification, Light-weight STT, Number KWS, Light NLU - 보유특허 : 특허명 국가 출원일 출원번호 음성과 음향 인식을 위한 인공 신경망 모델 학습 장치 및 추론 시스템 | 대한민국 | 23.09.07 | 10-2023-0118700 오디오 데이터 수집 단말 및 수집 제어 서버 | 대한민국 | 23.09.12 | 10-2023-0120888 임베디드 화자 키워드 인식시스템 및 방법 | 대한민국 | 24.04.25 | 10-2024-0055052 임베디드 화자 인식시스템 및 방법 | 대한민국 | 24.04.25 | 10-2024-0055055 네거티브 단어 자동생성 방법 및 장치 | 대한민국 | 24.09.26 | 10-2024-0130347 명령어 인식 시스템 및 방법 | 대한민국 | 24.09.26 | 10-2024-0130377 - 주요실적 : LG 슈퍼스타트 AI 챌린지 성과 우수기업 선정 - 차세대 LG그램 노트북 기술 탑재 LG 슈퍼스타트 Incubator 3기 선정 및 MOU 체결

사업자등록증	감바랩스_사업자등록증.pdf

회사소개자료	감바랩스 회사 소개자료.pdf

회사로고	gambalabs.png

기본정보

참여이력	기참여		ICT기술분류	지각/인지
사업장주소(본사)	부산 금정구 부산대학로63번길 2 (장전동)			소재지	서울 부산 대구 인천 광주 대전 울산 세종 경기 강원 충북 충남 전북 전남 경북 경남 제주
근무지 주소(실습생)	부산 금정구 부산대학로63번길 2 (장전동) 402호			소재지	서울 부산 대구 인천 광주 대전 울산 세종 경기 강원 충북 충남 전북 전남 경북 경남 제주
회사소개	클라우드 연결 없이도 기기 내부에서 (온디바이스, MCU)에서 동작하는 초경량 AI를 통해 가전 전자 제품 및 산업 현장에서 음성인식/화자인식/이상감지 기능을 구현하는 기업입니다 온디바이스 환경에 맞춰 모델의 경향화, 소음환경 대응, 오인식 저감 등을 핵심과제로 두고 기술을 고도화합니다.
주요 제품 및 서비스	On-Device AI Solution (KWS, Speaker Verification, Light-weight STT, Number KWS, Light NLU)
회사보유 기술현황 및 업적	- 보유기술 : KWS, Speaker Verification, Light-weight STT, Number KWS, Light NLU - 보유특허 : 특허명 국가 출원일 출원번호 음성과 음향 인식을 위한 인공 신경망 모델 학습 장치 및 추론 시스템 | 대한민국 | 23.09.07 | 10-2023-0118700 오디오 데이터 수집 단말 및 수집 제어 서버 | 대한민국 | 23.09.12 | 10-2023-0120888 임베디드 화자 키워드 인식시스템 및 방법 | 대한민국 | 24.04.25 | 10-2024-0055052 임베디드 화자 인식시스템 및 방법 | 대한민국 | 24.04.25 | 10-2024-0055055 네거티브 단어 자동생성 방법 및 장치 | 대한민국 | 24.09.26 | 10-2024-0130347 명령어 인식 시스템 및 방법 | 대한민국 | 24.09.26 | 10-2024-0130377 - 주요실적 : LG 슈퍼스타트 AI 챌린지 성과 우수기업 선정 - 차세대 LG그램 노트북 기술 탑재 LG 슈퍼스타트 Incubator 3기 선정 및 MOU 체결
인력현황	경영·행정	연구개발	홍보·마케팅	생산·기타	합계
	2 명	13 명	0 명	0 명	15 명

참여배경

참여배경

참여배경

◦ 이번 학기 인턴십 운영 과정에서 임베디드 소형(Consumer 가전 환경)에 탑재 가능한 비전 모델 파이프라인이 구축되었으며, 현재는 단순 연구·시연 단계를 넘어 지속적으로 운영·개선하며 제품 적용 수준으로 끌어올리는 단계에 진입했습니다. 이에 따라 해당 파이프라인을 상시 관리하고 데이터 학습/검증/배포 전 과정을 안정적으로 유지하면서 모델 성능을 고도화할 수 있는 실무 인력이 필요해졌습니다. ◦ 특히 비전 모델은 데이터 편차, 환경 변화(조도·각도·배경), 디바이스 제약(메모리·연산량·지연 시간) 등으로 인해 지속적인 성능 튜닝과 문제 해결이 요구됩니다. 따라서 인턴십에서는 단발성 모델 개발이 아니라, (1) 데이터 전처리 및 품질 관리, (2) 학습/검증 자동화 및 재현성 확보, (3) 오류·실패 케이스 분석과 성능 개선, (4) 경량화/양자화(최적화) 및 온디바이스 테스트까지 포함한 실제 운영형 개발 역량을 강화하는 방향으로 프로젝트를 수행하고자 합니다. ◦ 이를 통해 실습생은 구축된 파이프라인을 기반으로 모델 개발—고도화—배포—검증의 실무 사이클을 경험하며, 당사는 안정적인 파이프라인 운영과 함께 제품 적용을 위한 성능 개선을 지속적으로 추진할 수 있도록 인력 기반을 확보하고자 합니다.

실습조건

실습조건

실습요일	주 5일제	월 화 수 목 금
실습시간	전일제	(09:00 ~ 18:00)
실습조건	휴가	월 1회 휴가 부여
	복리후생	식사(점심) 교통 기숙사
	기타 지원사항	On-Device AI 관련 기술자료 제공 • 실습 간에 결과 발표 및 피드백 제공 • 프로젝트 산출물에 대한 기술 리뷰

실습환경 사진

프로젝트 내용

프로젝트 개요

프로젝트명	실시간 임베디드 비전 인식 시스템
목표	• 소형 가전 디바이스에 탑재 가능한 비전, 모션 인식 AI 모델 고도화 및 학습 • 모델 성능 및 크기 최적화를 위한 전처리 자동화 파이프라인 구축 • 최종적으로 TFLite 포맷으로 추론 가능한 모델로 변환 및 테스트 수행 • STM32N6 보드를 통한 실제 구동, 벤치마크 및 테스트 수행
주요내용	• 기존에 구축된 학습 파이프라인(baseline)을 기반으로 데이터 전처리—학습—평가—배포까지 전 과정을 실무 방식으로 고도화 • 라벨링된 음성, 비전, 모션 데이터셋을 활용하여 전처리 자동화, Augmentation 전략 개선, Feature Extraction/분석을 수행하고 성능 향상에 기여 • TensorFlow 기반 학습 실험을 반복 수행하며 모델 구조, 하이퍼파라미터, 데이터 구성을 개선하고, TFLite 변환 및 양자화(PTQ/QAT) 적용 후 디바이스 에뮬레이터에서 성능 검증
주요결과물	• 고도화된 온디바이스(On-Device) AI 인식 모델(TensorFlow/TFLite, FP32 및 양자화 버전 포함) • 전처리·학습·평가 자동화 코드 개선분(스크립트 기반 파이프라인 및 실험 재현성 개선) • 성능 평가 리포트(정확도, 지연 시간, 메모리 사용량, 모델 크기 및 양자화 영향 분석) • 실습 성과 발표 자료(Baseline 대비 개선 포인트, 실험 결과, 배포 및 검증 결과 정리)

실습생 직무

실습생 직무

직무구분
기술스택
직무내용	Baseline 학습 모델 분석 및 개선 포인트 도출 - 기존 학습 코드 구조 이해(데이터 로더, Loss/Metric, 체크포인트 로깅 등) - Baseline 성능 지표 정리 및 실패 케이스 분석(오분류 조건, 데이터 편향 분석) 데이터 전처리·정제 및 자동화 고도화 - 라벨 오류 정정, 포맷 변환, 데이터 스플릿 및 메타데이터 정비 -Augmentation 정책 설계/개선(도메인별: 음성·비전·모션) 및 적용 자동화 Feature Extraction 및 신호/비전 기반 데이터 분석 - 예: MFCC/Log-Mel 추출, 이미지·영상 전처리, Optical Flow/Keypoint 변환 등 - 특징 분포 분석을 통한 성능 저하 원인 추적 및 개선안 제시 TensorFlow 기반 모델 고도화 실험 수행 - 모델 구조 개선(경량 백본/헤드 변경 등), 하이퍼파라미터 튜닝, 학습 전략 개선 - 실험 결과 시각화 비교 및 재현 가능한 실험 관리(실험 로그, Config 정리) TFLite 변환 및 온디바이스(On-Device) 검증(배포 관점 포함) - TFLite Converter 적용, Representative Dataset 구성 - PTQ/QAT 등 양자화 적용 후 정확도, 지연 시간, 메모리, 모델 크기 영향 분석 - 디바이스 또는 에뮬레이터에서 추론 파이프라인 통합 테스트 및 최적화 지원 문서화 및 기술 공유 - 실험 노트/리포트 작성, 코드 리뷰 대응, 중간/최종 발표 자료 작성
요구(우대) 역량	전공 기초 및 필수 역량 • ML/DL 기본 개념 이해(CNN, Overfitting, Regularization, 평가 지표 등) • 데이터 전처리 및 분석 기본 역량(분포 확인, 오류 진단, 재현성 있는 정리) • Linux 환경에서의 개발 및 실험 수행 능력(CLI, 파일/프로세스 관리, Shell 사용) 필수 기술 스택 • Python 중급 이상(데이터 처리, 실험 스크립팅, 디버깅 역량) • TensorFlow 학습 코드 이해 및 수정 능력(또는 빠른 학습 및 적용 역량) • Git 기반 협업에 대한 기본 이해(브랜치 관리, PR/리뷰, 커밋 규칙 준수) 우대 역량 • OpenCV, librosa 등 도메인(비전/음성) 전처리 경험 • TFLite 변환, 최적화, 양자화 경험(PTQ/QAT, Representative Dataset 구성) • 임베디드 보드 또는 에뮬레이터 기반 추론 경험(RPi, ARM 보드 등) 태도 및 협업 역량(중요) • 실험 기록과 문서화 습관(재현성 확보), 피드백 수용 및 개선 반복 • '문제 정의 → 가설 → 실험 → 결론'의 흐름으로 자율적으로 프로젝트를 추진하는 역량

실습생 지도계획

지도계획

지도계획

◦ 전담 멘토링 체계(1:1 또는 2:1) 실습생 2명당 전담 멘토 1명 배정: 실무 기준의 목표 및 우선순위 설정 지원 ◦ 정기 지도 루틴(주간) 주 1회 정기 멘토링(예: 60~90분): 진행 상황 점검, 기술 이슈 해결, 다음 주 목표 합의 주 1회 코드/실험 리뷰 기반: PR 코드 리뷰 + 실험 결과 리뷰(지표, 로그, 재현성 중심) ◦ 비동기 피드백 및 문서화 운영 협업 문서/노트 기반(예: OneNote 등)으로 실험 기록 템플릿 제공 및 상시 피드백 Baseline 대비 개선 항목(데이터/모델/양자화)을 체크리스트로 관리 ◦ 세미나/운영(중간 및 후반) 중간 점검 세미나(진도/리스크 공유), 후반 성과 발표 세션 운영 특정 주제(양자화, 디바이스 추론 성능 분석 등) 내부 미니 세션 비정기 진행 ◦ 지원 리소스 Baseline 학습기/참조 코드 및 내부 가이드 제공(TFLite 전처리, 배포/테스트 절차) 실험 환경(서버/GPU/디바이스 또는 에뮬레이터) 및 계정/권한 지원

실습생 평가계획

실습생 평가계획

평가기준	• 기술 고도화 기여도: Baseline 대비 성능 개선(정확도, 지연 시간, 메모리, 모델 크기 등) 및 개선 근거의 타당성 • 문제 해결 역량: 이슈를 구조적으로 분석하고 원인 파악(가설 설정 및 실험), 검증하는 능력 • 실험 관리 및 재현성: 실험 설계, 로그, 설정, 결과 정리 수준 및 재현 가능한 형태의 산출물 • 협업 및 소통: 코드 리뷰 대응, 커뮤니케이션 태도, 피드백 반영 속도 및 품질 • 태도 및 성실성: 일정 준수, 주간 목표 달성, 문서화 및 보고의 지속성
평가방법	• 중간 평가(예: 6~8주 차) 멘토 면담 및 중간 산출물 리뷰(실험 리포트, PR 내역, 성능 개선 근거) 개선 방향 재설정(데이터, 모델, 양자화 중 우선순위 확정) • 최종 평가(종료 전) 최종 보고서 제출(개선 내역, 실험 비교표, 디바이스 검증 결과 포함) 내부 기술 발표(포트폴리오 형태) 및 질의응답 멘토 및 실무진 평가를 종합하여 정성·정량 평가 실시 • 결과 공유 및 피드백 평가 결과에 대한 구체적인 피드백 제공 희망자를 대상으로 진로 및 역량 개발 코멘트 제공

추진일정

추진일정

주차	내용
1~4주차	온디바이스 비전 모델 시스템 이해 및 베이스라인 확보 • Edge AI 시스템 개발 환경 온보딩(보드·런타임·툴체인 빌드 및 디버깅 흐름 이해) • 기존 비전 모델 및 샘플 프로젝트 분석(입력 파이프라인, 전·후처리, 추론 경로 확인) • 데이터(이미지/영상) 전처리 파이프라인 학습 및 재현(증강·라벨링·TFRecord/데이터로더 등) • 현 베이스라인 성능 지표 정리(정확도·지연 시간·메모리·전력 관점) 및 개선 후보 도출 • 개발 사항 문서화 및 주간 진도 점검(리포트 및 코드 리뷰 기반)
5~8주차	비전 모델 고도화(성능 개선 및 학습 실험 체계화) • 모델 고도화 실습: 백본/헤드 개선, 입력 해상도 및 전처리 최적화, 데이터 증강 및 품질 개선 • 성능 개선 실험 반복: A/B 테스트, 실패 케이스 분석, 하이퍼파라미터 탐색 • 학습 실험 자동화 보조: 실험 스크립트화, 실험 로그 및 결과 정리, 재현성 확보 • 중간 점검 세미나: 개선 결과 공유(지표 비교), 다음 단계(배포 및 최적화) 계획 확정 • 개발 사항 문서화 및 진도 점검
9~12주차	배포 준비 및 추론 최적화(경량화/양자화 적용) • Edge AI 추론 시스템 학습 및 통합(전·후처리 포함 End-to-End 파이프라인 구성) • 모델 경량화 전략 적용(프루닝, 구조 변경, 입력 축소 등 가능 범위 내 적용) • 양자화(PTQ/QAT) 및 캘리브레이션 절차 수립(데이터 선정 및 정확도 저하 요인 분석) • 타깃 디바이스 기준 성능 검증 및 튜닝(지연 시간·메모리·정확도·안정성) • 개발 상황 보고 및 세미나(배포 후보 모델 확정 및 문서화), 진도 점검
13~16주차	실사용 배포 패키징 및 최종 시연/문서화 • 배포 형태로 패키징(모델 파일, 메타데이터 버전 규칙, 빌드 산출물 정리) • 디바이스 탑재 및 통합 테스트(회귀 테스트, 예외 케이스 처리, 성능 및 안정성 최종 검증) • 최종 디버깅 및 시연 데모(시나리오 구성, 성능 리포트 포함) • 최종 문서화(설치/실행 가이드, 실험 설정 이력, 재현 절차, 트러블슈팅 가이드) • 최종 개발 상황 보고 및 세미나(성과 공유 및 향후 개선 과제 정리)

기대효과

기대효과

기대효과

◦ 우수 인재 조기 발굴 및 채용 연계 기반 확보 다년간의 현장실습 운영 경험과 정규직 전환 실적을 바탕으로 실습 기간 동안 실무 적합성을 사전 검증하여 채용 리스크를 낮추고, 조직·업무 적합도까지 포함한 인재 선발 역량을 고도화할 수 있습니다. ◦ On-Device AI 개발 생산성 및 제품화 가능성 제고 데이터 전처리 자동화, 실험 반복 수행, 성능 검증 및 테스트 케이스 확장 등 실무 부담을 분산함으로써 개발 사이클을 단축하고, 재현 가능한 실험 기록과 결과 자산을 축적하여 제품화 가능성을 높일 수 있습니다. ◦ 기술 내재화 및 협업 문화 강화 실습생 참여를 기반으로 코드 리뷰, 문서화, 지식 공유가 자연스럽게 정착되며, 멘토링 과정에서 기존 인력의 커뮤니케이션 및 문서화 역량이 향상되어 조직 전체의 기술 내재화 수준이 강화됩니다. ◦ 지역 기반 산학협력 확장 및 지속 가능한 인재 순환 구조 기여 부산대 등 지역 대학과의 협력을 통해 지역 인재의 실무 진입 경로를 확대하고, 기업-대학 간 협력 레퍼런스 축적을 통해 중장기적으로 안정적인 인재 파이프라인을 구축할 수 있습니다.

향후 실습생 채용 계획

채용계획

채용계획

◦ 채용 연계 기본 방향 및 대상 실습 종료 후 평가 결과가 우수하고 실무 적합성이 확인된 인원을 대상으로 정규직 채용 전환을 적극 검토합니다. 특히 학업 일정(졸업·학점)에 지장이 없는 인원부터 우선적으로 순차 검토하여, 단기 실습이 아닌 장기 인력 육성으로 연결되도록 운영합니다. ◦ 채용 프로세스(선발 기준 및 절차) 1. 실습 중 상시 평가 기술 습득 속도, 실험/개발 기여도, 재현성 있는 결과 정리(로그·리포트), 협업 태도(커뮤니케이션·코드 리뷰 참여 등)를 기준으로 주기적 피드백 및 기록 2. 실습 종료 성과 평가 산출물(코드·문서·실험 결과) 기반의 정량/정성 평가 및 실무진 종합 리뷰 3. 채용 면담(인터뷰) 직무 적합성, 문제 해결 접근 방식, 협업 방식 및 성장 계획 확인 4. 최종 결정 실무진 평가 및 면담 결과를 종합하여 채용 여부 결정 후 처우 및 입사 시점 협의