DINQ: AI 에이전트로 AI 인재를 발굴하고 분석하는 인재 엔진

AI 분야 채용이 어려운 이유는 인재가 흩어져 있기 때문입니다. 대규모 모델을 학습시키고 멀티모달 파이프라인을 만들거나 추론 최적화를 다룬 엔지니어와 연구자의 성과는 논문 사전 공개본, 코드 저장소, 학회 발표에 남습니다. 채용 사이트 프로필에는 잘 드러나지 않습니다. DINQ는 이 문제를 AI 에이전트로 풉니다. 먼저 공개 자료에서 후보자를 찾고, 그 사람이 무엇에 강한지를 구조화된 형태로 보여줍니다.

DINQ는 AI 분야에 집중한 인재 엔진입니다. 에이전트가 공개 자료에서 연구자와 개발자를 식별하고, 기업과 연구기관이 특정 기술 요구에 맞는 후보자를 추리는 일을 돕습니다. 또 하나의 이력서 데이터베이스가 아니라, 공개된 기술 흔적을 채용 담당자가 판단할 수 있는 신호로 바꾸는 도구입니다.

데이터 계층은 여러 신뢰할 수 있는 공개 자료를 통합하며 Google Scholar와 GitHub가 그 예입니다. 학술 성과, 코드 활동, 기술 스택 선호를 하나의 후보자 기록으로 모아 연구 실적과 엔지니어링 역량, 실무 경험을 함께 평가합니다.

웹 화면 외에 DINQ-as-a-Service(DaaS) 형태도 제공합니다. 기존 채용 시스템에 연결할 수 있어 새 도구를 늘리지 않고 검색과 인물 분석을 현재 업무 흐름 안에서 쓸 수 있습니다.

주요 기능

글로벌 인재 검색

에이전트가 공개 자료에서 AI 인재를 찾습니다. 묻는 것은 누가 지원했는가가 아니라 누가 실제로 그 문제를 다루고 있는가이며, 후보군을 처음부터 만들어야 할 때 효과적입니다.

다중 소스 통합

학술 신호와 코드 신호를 같은 기록에 담아 논문은 강하지만 구현 경험이 불분명한 경우, 저장소는 활발하지만 체계적 연구가 보이지 않는 경우를 구분하는 데 도움을 줍니다.

의미 기반 검색

이름이나 연구자 프로필 주소 외에 필요한 인물상을 자연어로 설명할 수 있습니다. 멀티모달 모델을 전문으로 하면서 제품화 경험이 있는 연구자처럼 지정할 수 있고, 순위는 기술 배경을 함께 고려합니다.

세밀한 필터

기술 스택, 경력 연차, 지역, 희망 연봉을 조합해 넓은 후보군을 한 명씩 검토할 수 있는 규모로 줄입니다.

후보자 심층 분석

후보자마다 분석 깊이를 지정할 수 있고, 다차원 분석을 펼쳐 보여줍니다. 연대순 이력서가 아니라 핵심 속성과 성장 가능성을 제시합니다.

시각화된 인물상

스킬 레이더, 성장 타임라인, 영향력 지수로 능력의 구조와 경력 경로를 한눈에 볼 수 있습니다.

협업 네트워크 지도

학술 공저 관계, 산업계 연결, 영향력 확산 경로를 그려 후보자의 협업 범위와 업계 내 위치를 판단하는 자료가 됩니다.

실시간 동향 분석

집계 분석으로 주목받는 기술 방향, 인재 이동 히트맵, 세부 영역별 연봉 참고치를 보여줍니다.

이벤트 기반 갱신

기록을 계속 추적해 새 논문이나 저장소가 반영됩니다. 등록 시점에 정보가 멈추지 않습니다.

DaaS 연동과 데모 요청

기업은 자사 채용 시스템에 연결할 수 있고, 도입 전에 데모를 요청해 기능과 데이터 경계를 확인할 수 있습니다.

사용 방법

1. 계정을 만들고 좌석과 권한을 팀에 어떻게 나눌지 정합니다.
2. 구체적인 요구에서 시작합니다. 연구자 프로필 주소를 붙여넣거나 이름을 입력하거나, 원하는 인물상을 자연어로 적습니다.
3. 기술 스택, 경력, 지역, 희망 연봉 조건으로 결과를 좁힙니다.
4. 후보자별 심층 분석 화면을 열어 스킬 레이더와 성장 타임라인을 함께 봅니다.
5. 팀 적합성과 인맥 범위가 중요하면 협업 네트워크 지도를 확인합니다.
6. 연봉 참고치로 보상 범위를 조정한 뒤 첫 접촉으로 넘어갑니다.
7. 기업 사용자는 데모를 요청해 DaaS 연동 범위와 데이터 처리 방식을 확인합니다.

적합한 사용자

• AI 팀을 구성하는 채용 담당자: 지원 이력서 바깥에 있는 인재를 찾아야 하는 경우.
• 연구기관과 연구소: 특정 기술 방향의 협업자나 연구자를 찾는 경우.
• 면접관과 기술 관리자: 첫 통화 전에 기술적 판단을 세우고 싶은 경우.
• 투자자와 업계 분석가: 인재 이동 방향과 세부 영역의 연봉 수준을 추적하는 경우.
• AI 연구자와 엔지니어 본인: 외부 관점에서 자신의 위치를 가늠하고 성과를 설명하려는 경우.

도입 전 알아둘 제약

• 가격, 요금제 구성, 무료 한도가 공개되지 않아 예산은 제공사에 확인해야 합니다.
• 대상이 공개 자료에 의존합니다. 비공개 사내 프로젝트, 자체 시스템, 영어권 외 커뮤니티는 반영이 고르지 않아 점수는 판단 재료이지 결론이 아닙니다.
• 공개된 정보원은 일부뿐이며 전체 목록과 갱신 주기, 소급 연수는 명시되지 않았습니다.
• 영향력 지수와 스킬 레이더의 산출 방식이 공개되지 않아 영역을 넘는 점수 비교는 신뢰하기 어렵습니다.
• 개인 데이터를 다루므로 정보원의 적법성, 보존 기간, 삭제 절차를 지역 개인정보 규정에 맞춰 확인해야 합니다.
• 의미 기반 검색의 품질은 설명의 품질에 달려 있어 요구가 모호하면 결과도 모호해집니다.

자주 묻는 질문

채용 사이트와 무엇이 다른가요?

채용 사이트는 일자리를 찾는 사람을 보여줍니다. DINQ는 공개된 연구와 코드를 바탕으로 실제로 일하는 사람을 보여주므로 구직 활동을 하지 않는 후보자에게도 닿습니다.

이름을 몰라도 쓸 수 있나요?

가능합니다. 연구자 프로필 주소에서 시작하거나 필요한 인물상을 자연어로 설명할 수 있습니다.

분석 결과를 그대로 채용 결정에 쓸 수 있나요?

선별 보조로 쓰는 것이 적절합니다. 면접 인상, 협업 이력, 팀 적합성은 공개 신호로 알 수 없습니다.

기존 채용 시스템을 바꿔야 하나요?

아니요. DaaS 형태로 검색과 분석을 현재 시스템에 연결할 수 있습니다.