팔란티어의 FDE, 포인랩이 FDE를 찾는 이유
현장에서 문제를 정의하고, 데이터를 분석하고, 개발과 적용을 거쳐 결과까지 확인하는 FDE. 팔란티어가 개척한 역할을 포인랩이 찾는 이유와 함께 만들고 싶은 변화를 이야기합니다.

산업 현장에서 시스템을 배포하고 나면, 이런 궁금증이 남을 때가 있습니다.
이거 지금 누가 쓰고 있지? 원래 고치려던 그 문제, 진짜 나아졌나?
답을 듣기도 전에 다음 일이 시작되곤 해요. 티켓은 닫히고, 다음 스프린트가 시작됩니다. 내가 만든 기능이 현장에서 어떻게 쓰이는지까지 알아보기는 쉽지 않죠.
포인랩이 찾는 FDE(Forward Deployed Engineer)는 그 질문을 처음부터 끝까지 쫓아가는 사람입니다. 현장에서 문제를 정의하고, 데이터를 뜯어보고, 필요한 기능을 만들어 적용하고, 정말 달라졌는지 확인하는 것까지. 문제의 시작부터 결과까지, End-to-End로요.
팔란티어가 개척한 이 역할을 포인랩이 왜 찾는지, 그리고 FDE와 함께 어떤 변화를 만들고 싶은지 이야기해 볼게요.
팔란티어가 개척한 역할, FDE
팔란티어는 공식 채용 공고에서 이 직무를 Forward Deployed Software Engineer, 줄여서 FDSE라고 부르며 자사가 개척한 역할로 소개합니다. 고객과 직접 일하면서 중요한 문제를 파악하고, 데이터를 다루고, 필요한 기능을 개발해 배포하는 일까지 작은 팀이 함께 맡아요. 동료 엔지니어와 아키텍처를 설계하고, 현장 담당자와 요구사항을 구체화하는 일도 포함됩니다. 팔란티어 공식 채용 공고 (새 탭에서 열림)
포인랩이 FDE와 함께하고 싶은 일도 이처럼 문제의 시작과 결과를 함께 살피는 일입니다. 순서로 풀어보면 이렇습니다.
- 문제를 정의합니다. 어떤 업무에서 어려움이 생기는지, 무엇을 바꾸려는지, 어떤 결과를 성공으로 볼지 현장 담당자와 함께 정해요.
- 데이터로 확인합니다. 필요한 기록을 모으고 정리하면서 처음 세운 가설이 맞는지 살펴봐요. 데이터가 충분한지, 믿고 사용할 수 있는지도 이때 확인합니다.
- 만들고 테스트합니다. 분석 결과를 바탕으로 필요한 기능을 설계하고 구현해요. 기존 도구를 활용할지, 새로 개발할지도 문제에 맞춰 판단합니다.
- 적용하고 검증합니다. 실제 업무에 적용한 뒤 사용 방식과 운영 중 생기는 문제를 살펴봐요. 처음 정한 목표에 가까워졌는지 확인하고, 기대와 다르면 문제 정의나 분석 단계로 돌아갑니다.
팔란티어 역시 FDE의 성과를 고객의 목표에 얼마나 기여했는지로 설명해요. 코드의 품질을 챙기는 것과 함께, 그 코드로 현장의 어떤 문제가 나아졌는지까지 확인하는 역할입니다. Dev versus Delta (새 탭에서 열림)
여기서 End-to-End는 혼자 모든 일을 한다는 뜻이 아니에요. 현장 담당자와 각 분야의 동료들이 분석과 설계를 함께 검토하고 역할을 나눕니다. FDE는 그 과정에서 처음 풀기로 한 문제가 흐려지지 않도록 살피고, 적용 이후의 결과까지 챙겨요.
예를 들어 분석 결과가 현장의 설명과 다르다면, 어느 한쪽을 바로 정답으로 정하기 어렵습니다. 데이터가 놓친 조건은 없는지 담당자와 확인하고, 분석 방법은 동료와 검토해야 해요. 기술적으로 가능한 방법이 여러 개라면 개발 시간과 운영 부담도 함께 비교합니다. 이런 대화 속에서 무엇을 먼저 시도하고 무엇을 더 확인할지 판단하는 것 역시 FDE의 일입니다.

제품 엔지니어와 FDE는 무엇이 다를까요
팔란티어의 설명을 빌리면, 두 역할은 주로 바라보는 문제의 범위가 달라요.
| 역할 | 주로 바라보는 문제 |
|---|---|
| 제품 개발 엔지니어 | 여러 고객이 함께 쓸 제품과 기능을 설계하고 발전시킵니다. |
| FDE | 한 고객의 중요한 문제에 집중해 필요한 기술을 적용하고, 구현·배포부터 결과 확인까지 맡습니다. |
역할의 경계가 완전히 나뉘는 건 아닙니다. FDE가 현장에서 발견한 요구가 제품의 새 기능으로 이어지기도 하고, 제품 팀이 만든 기능이 여러 현장의 문제를 푸는 데 쓰이기도 해요. 두 역할은 기술적 판단과 현장의 피드백을 주고받으며 함께 제품을 발전시킵니다. 팔란티어 엔지니어링 직무 소개 (새 탭에서 열림)
산업 현장에서는 어떤 문제를 풀게 될까요
고질적으로 불량이 나는데 원인을 찾는 데 시간이 오래 걸리는 현장을 생각해 볼게요.
“불량이 나면, 원인 찾는 데 하루가 꼬박 걸려요.”
이런 이야기를 들었다면 어디서부터 시작해야 할까요? 먼저 담당자가 일을 하는 과정을 함께 살펴볼 수 있어요. 기록을 어디서 찾는지, 어떤 자료를 대조하는지, 어느 단계에서 시간이 오래 걸리는지요. 숙련된 담당자가 “이럴 땐 보통 저 설비부터 확인한다”고 말하는 경험도 중요한 단서가 됩니다.
먼저 풀 문제와 확인할 지표를 정해요
불량 자체를 줄이는 일과 원인을 찾는 시간을 줄이는 일은 다른 과제예요. 같은 이야기를 듣더라도 무엇부터 해결할지에 따라 필요한 데이터와 개발할 기능이 달라집니다.
이번 과제를 원인 검토에 드는 시간을 줄이는 일로 정했다면, ‘관련 기록을 찾는 시간’이나 ‘원인 후보를 검토하는 시간’을 함께 살펴볼 수 있어요. 현재 얼마나 걸리는지부터 확인해야 적용 후의 변화도 비교할 수 있습니다.
‘하루가 걸린다’는 말도 조금 더 나눠볼 필요가 있어요. 실제로 자료를 분석하는 데 걸리는 시간인지, 다른 부서의 답변을 기다리는 시간까지 포함한 것인지에 따라 접근이 달라지니까요. 모든 불량을 한 번에 다루기보다 자주 반복되거나 영향이 큰 유형부터 범위를 정할 수도 있습니다. 현장에서 중요하게 보는 문제와, 지금 확보할 수 있는 데이터로 확인 가능한 부분을 함께 놓고 우선순위를 정하는 거예요.
속도만 빨라져도 충분한지는 따로 살펴봐야 합니다. 검토 시간을 줄이는 동안 중요한 기록이 빠지거나 판단의 정확도가 낮아지면 곤란하겠죠. 시간을 재는 기준과 함께, 꼭 확인해야 하는 항목이 빠짐없이 검토됐는지도 살펴보기로 합의할 수 있어요.
데이터를 모으고 같은 기준으로 맞춰봐요
설비 로그, 작업 기록, 품질 기록이 서로 다른 곳에 있다면 먼저 필요한 데이터를 모아야 해요. 기록의 시각과 설비 이름, 제품이나 작업을 구분하는 기준을 맞추고, 누락되거나 잘못 입력된 값도 확인합니다.
여기서 시간의 의미를 맞추는 일이 중요할 수 있습니다. 품질 검사 기록이 남은 시각과 해당 제품이 설비를 통과한 시각은 다를 수 있어요. 검사 시각의 설비 상태만 붙여 놓으면 엉뚱한 조건을 비교하게 됩니다. 제품이나 생산 묶음을 추적할 수 있는지 확인하고, 공정 사이의 이동 시간도 고려해야 해요. 기록이 없다는 것이 실제로 작업이 없었다는 뜻인지, 수집이 중단됐다는 뜻인지도 구분해야 하고요.
그다음 문제가 생긴 상황과 그렇지 않은 상황을 비교해 봅니다. 특정 운전 조건이나 작업 변경 시점에서 차이가 나타나는지 살펴보면 확인해야 할 후보를 좁힐 수 있어요. 다만 데이터에서 함께 나타난 패턴이 곧 원인은 아닙니다. 현장 지식과 추가 검증을 바탕으로 판단해야 해요.
분석한 내용을 실제 업무에서 쓸 수 있게 만들어요
관련 기록과 비교 근거를 한 화면에서 살펴볼 수 있다면 담당자의 업무가 달라질 수 있어요. 필요한 데이터를 처리하고 화면을 구현한 뒤, 테스트를 거쳐 현장에 적용합니다. 누가 어떤 정보에 접근할 수 있는지, 데이터는 얼마나 자주 갱신돼야 하는지, 오류가 생기면 어떻게 확인할지도 함께 정해야 합니다.
이 과정에서 AI가 필요한 부분도 구체적으로 판단할 수 있어요. 복잡한 기록에서 정보를 찾는 데 도움이 될지, 이상 패턴을 살펴보는 데 필요할지, 혹은 데이터를 정리하고 검색하는 기능부터 갖추는 편이 나을지요. 사용할 기술은 해결할 문제와 데이터의 상태를 보고 선택합니다.
처음부터 모든 기능을 갖추기보다, 담당자가 판단하는 데 꼭 필요한 화면과 데이터부터 작게 만들어 확인할 수도 있습니다. 이때 나온 피드백으로 개발 방향을 조정하는 거예요. 다만 검토용으로 만든 화면을 그대로 운영에 넘길 수는 없습니다. 데이터가 늦게 들어왔을 때의 표시, 잘못된 값을 발견했을 때의 처리, 기능을 수정한 뒤 확인할 테스트까지 갖춰야 현장에서 계속 사용할 수 있어요.
적용한 뒤에 무엇이 달라졌는지 확인해요
이제 실제 사용 기록과 처음 정한 지표를 함께 봅니다. 관련 기록을 찾는 시간이 줄었는지, 원인 후보를 검토하는 과정이 수월해졌는지 확인해요. 담당자가 어느 화면에서 멈추는지, 여전히 따로 찾아보는 자료는 무엇인지도 중요한 피드백입니다.
적용 전후의 숫자도 맥락과 함께 읽어야 해요. 생산하는 품목이나 작업량, 담당자의 숙련도가 바뀌었다면 그 차이가 결과에 영향을 줄 수 있습니다. 가능하면 비슷한 조건끼리 비교하고, 함께 달라진 조건을 기록해 둡니다. 한 번의 좋은 결과만으로 효과를 단정하지 않고, 다른 상황에서도 도움이 되는지 지켜보는 과정이 필요해요.
기대했던 변화가 없다면 데이터가 부족한지, 화면이 불편한지, 애초에 다른 문제를 먼저 풀어야 하는지 다시 살펴봅니다. 분석과 개발, 현장 적용은 이렇게 여러 번 오가며 구체화돼요.

만들고 난 뒤에도 살펴볼 일이 있습니다
개발 환경에서 잘 돌아가던 기능도 현장에서는 다른 조건을 만나요. 데이터가 제때 들어오지 않을 수 있고, 사용자의 권한이나 업무 순서가 예상과 다를 수도 있습니다. 그래서 적용과 운영, 검증까지 개발의 범위 안에서 살펴봐야 해요.
팔란티어 FDE 인터뷰에서도 데이터 파이프라인, 접근 권한, 테스트와 배포, 장애 원인 파악과 모니터링을 실제 업무로 다룹니다. 현장에서 얻은 기술적 경험을 제품 개발팀에 전달하는 역할도 소개하고요. A Day in the Life of a Palantir FDSE (새 탭에서 열림)
앞의 제조 현장 예시에서도 단계마다 남겨야 할 것들이 있습니다. 처음 합의한 문제와 지표, 데이터에서 확인한 사실과 아직 검증하지 못한 가설, 구현한 기능과 테스트 결과, 적용 이후의 사용 기록이에요. 이런 기록이 쌓이면 무엇이 도움이 됐고 무엇을 더 고쳐야 하는지 근거를 놓고 이야기할 수 있습니다.
기록은 다음에 이 일을 맡을 사람에게도 도움이 됩니다. 왜 특정 기준으로 데이터를 묶었는지, 어떤 조건에서는 결과를 주의해서 봐야 하는지 남겨 두면 같은 검토를 처음부터 반복하지 않아도 돼요. 현장 담당자가 사용하며 발견한 예외를 개발팀과 공유하고, 기술적인 변경이 업무에 미칠 영향을 함께 확인하는 일도 이어져야 합니다.
물론 답답한 순간도 있을 거예요. 필요한 기록이 없거나, 다 됐다고 생각했던 기능을 다시 고쳐야 할 수도 있으니까요. 그만큼 내가 내린 기술적 판단이 실제 업무에 어떤 차이를 만드는지 가까이에서 볼 수 있습니다. 사용자의 반응을 듣고 다음 개선에 반영하는 과정은 엔지니어에게도 중요한 배움이 됩니다.포인랩은 어떤 팀인가요
포인랩은 2024년 6월 설립된 산업 AI 기업입니다. 현장에 쌓인 데이터와 경험을 바탕으로 문제를 정의하고, AI가 실제 업무에 도움이 되도록 분석과 개발, 현장 적용을 이어가는 팀이에요.
Closing the Gap between AI & Reality.
우리가 이 문장을 이야기하는 이유도 여기에 있습니다. AI의 가능성을 현장에서 체감할 수 있는 변화로 만들고 싶어요. 필요한 기록을 찾는 시간이 줄고, 판단의 근거가 더 분명해지고, 반복되는 업무에 쓰던 시간을 더 중요한 일에 쓸 수 있는 변화요.
앞에서 살펴본 제조 현장을 다시 떠올려 볼게요. 새로 온 담당자가 필요한 기록을 더 빨리 찾고, 선배가 어떤 근거로 판단했는지 이해할 수 있게 됩니다. 숙련된 담당자는 같은 자료를 찾고 설명하는 일을 줄이고, 자신의 경험이 더 필요한 문제에 집중할 수 있어요. 포인랩은 이런 변화가 한 팀과 한 공장을 넘어 더 많은 현장에 쌓이기를 바랍니다.
그 과정에서 얻은 경험도 다음 개발에 남기고 싶어요. 반복해서 쓰이는 데이터 처리 방식이나 분석 절차는 더 다듬고, 현장마다 다른 설비와 공정의 조건은 새로 확인하는 거죠. 한 번의 적용으로 끝내지 않고, 다음 문제를 더 잘 풀 수 있는 기술과 경험을 쌓아가려 합니다.
대한민국 제조 산업의 다음 경쟁력 "자율 제조"
포인랩이 바라보는 목표입니다. 그리고 이 목표를 현장에서 함께 만들어갈 동료가 지금 필요합니다.
그래서, 포인랩의 FDE를 찾습니다
포인랩은 현장의 문제를 정의하는 순간부터 데이터를 분석하고, 개발한 기능을 적용해 결과를 확인하는 과정까지 함께할 FDE를 찾고 있어요.
현장 담당자의 이야기를 들으며 무엇부터 풀어야 할지 구체화하고, 기록을 모아 처음 세운 가설을 확인합니다. 필요한 기능을 동료와 설계하고 직접 구현한 뒤에는 실제 업무에서 어떻게 쓰이는지 살펴봐요. 기대했던 결과가 나오지 않으면, 데이터와 기능을 다시 들여다보며 다음 방법을 찾습니다.
이 과정에는 기술을 고르는 일만큼 중요한 판단이 있어요. 지금 가장 먼저 풀 문제는 무엇인지, 어디까지 구현해 확인할지, 무엇을 더 검증해야 하는지 결정하는 일입니다. 현장 담당자와 각 분야의 동료가 가진 지식을 함께 살피며 답을 찾아가고 싶어요.
내가 만든 기능이 누구에게 어떤 도움이 되는지 궁금했던 분, 분석한 내용을 직접 구현하고 그 결과까지 보고 싶었던 분이라면 포인랩의 FDE 역할을 살펴봐 주세요. 우리도 아직 풀고 싶은 문제가 많습니다. 그 문제를 함께 풀면서 포인랩의 다음 단계를 만들어갈 동료를 기다립니다.
포인랩과 함께, 현장에서 진짜 변화를 만들어봐요.
자세한 업무와 지원 방법은 FDE 채용 공고에서 확인해 주세요.
함께 읽으면 좋은 자료
- 팔란티어 공식 FDSE 채용 공고 (새 탭에서 열림): 팀 단위 End-to-End 수행과 데이터·개발·배포 업무를 소개합니다.
- Dev versus Delta (새 탭에서 열림): 제품 개발 엔지니어와 FDE가 바라보는 문제의 차이를 설명합니다.
- A Day in the Life of a Palantir FDSE (새 탭에서 열림): FDE의 개발·배포·운영 업무와 현장의 피드백을 다룹니다.
우리 산업 현장에도 AI를 적용할 수 있을까요?
어디서 시작할지 고민이라면, 포인랩과 산업 AI 전환의 첫걸음을 함께 찾아보세요.


