ソフトウェアエンジニア / 機械学習基盤の開発?運用

以下のいずれかの経験・知識が求められます。

• Kubernetesクラスタの構築・運用経験
• Go言語によるバックエンド・インフラ開発経験
• 物理GPUサーバのセットアップ・パラメータチューニング経験
• Linuxサーバの運用・管理経験
• 機械学習ジョブの管理・デプロイに関する知識
• コンテナ技術（Docker等）の実務経験

• 技術への深い好奇心と自律的な学習姿勢:
  最新のKubernetesバージョンへのキャッチアップや新技術の検証を継続的に行うポジションのため、自ら情報収集し技術トレンドを追い続ける姿勢が求められます。
• ユーザー視点でのプラットフォーム改善思考:
  社内のML/DSエンジニアをユーザーとして捉え、UXの改善や新機能のニーズを的確に把握しながら開発に反映できるコミュニケーション力が必要です。
• チームの垣根を越えた横断的な協働力:
  <cite index="8-5">ハードウェア担当者とソフトウェア担当者が職種の垣根を越えて相互理解しながらプロジェクトを推進することが重要とされており</cite>、職種を超えた連携を厭わない姿勢が求められます。
• 複雑な技術的課題に対する問題解決力:
  Kubernetesカスタムコントローラー開発や大規模GPU環境特有の障害対応など、前例の少ない技術的課題を自ら調査・検証し解決に導く力が必要です。
• 技術情報の対外発信・コミュニティ貢献意欲:
  OSSへのコントリビュートや技術ブログ・カンファレンス発表を通じて、社外に向けて技術的な知見を積極的に共有しようとする意欲が評価されます。

• NVIDIA GPU技術の深い知見:
  NVIDIA H100/H200などのGPUドライバ管理、NCCL・RoCEv2/RDMAなどの高速通信技術、分散学習の最適化に関する実務経験があると即戦力として期待されます。
• Kubernetesカスタムコントローラー（Go言語）の開発経験:
  Kubernetesのオペレーター・カスタムコントローラーをGo言語で実装した経験は、本ポジションのコア業務に直結するスキルとして高く評価されます。
• Kubeflow等ML系Kubernetesエコシステムの実務経験:
  Kubeflow、Argo Workflows、KServeなど機械学習パイプライン構築に用いるOSSの導入・運用経験があると、業務に即座に貢献できます。
• OSSコントリビューション実績:
  機械学習基盤や分散システム関連のOSSへのPRマージ実績やメンテナ経験があれば、チームの対外的な技術発信活動において大きく貢献できます。
• 大規模分散機械学習・LLM学習基盤の構築・運用経験:
  複数ノードにまたがる大規模な分散学習環境を設計・運用した経験は、本ポジションで取り組む技術課題に直結します。

• 最先端GPU・HPC技術の実践的な専門知識:
  <cite index="8-2">プライベートクラウド「Cycloud」上でIaaSからKaaSまで幅広いサービスを提供し、GPUサーバの調達から導入まで低コストかつスピード感を持って対応できる環境</cite>の中で、NVIDIA H100/H200やRoCEv2/RDMAなど最先端GPU・ネットワーク技術を深く習得できます。
• Kubernetes深堀り技術（カスタムコントローラー・スケジューラー）:
  <cite index="1-2">Kubernetesにおけるスケジューラーが機械学習向けの計算基盤においていかに重要かを理解し、実際にGKE上で試したり実装したりすることで理解を深められる</cite>環境です。Go言語を用いたカスタムコントローラー開発のスキルを実務を通じて習得できます。
• MLOps・ML基盤エンジニアリングの高度な実践スキル:
  <cite index="5-3">「機械学習システムの10%は機械学習、90%はソフトウェアエンジニアリング」であり</cite>、ML基盤全体の設計・開発・運用を担うことで、MLOpsエンジニアとしての総合的な実践力が身につきます。
• OSSコミュニティでの技術発信・コントリビューション経験:
  KubeflowなどのMLエコシステムへの検証・導入・コントリビュートを行う中で、OSSプロジェクトへの参画経験と対外的な技術ブランディング力を獲得できます。
• 大規模プラットフォームのユーザー体験設計力:
  社内のML/DSエンジニアという多様なユーザーのニーズに応えながらプラットフォームを磨き続けることで、開発者向けプロダクトのUX設計・改善スキルが培われます。