MLOpsエンジニア

以下のいずれかの経験・知識が求められます。

• PythonによるML関連システムの設計・開発経験
• MLOpsパイプライン（学習・評価・推論）の構築・運用経験
• 機械学習APIサーバーの設計・開発・運用経験
• データパイプライン（ETL/ELT）の構築・運用経験
• IaC（Terraform等）によるクラウドインフラ構築・管理経験
• CI/CDパイプラインの構築・運用経験
• クラウドサービス（AWS/GCP等）を用いたシステム構築経験
• サービス監視・アラート設計・運用経験

• 自律的な問題解決力:
  MLOps基盤という未確定要素の多い領域で、既存の枠組みにとらわれず、幅広い視野を持ちながら最適解を追求できる主体性が求められます。
• データサイエンティストとの協働力:
  データサイエンティストやエンジニアなど多職種と日常的に連携し、技術的な課題を円滑にコミュニケーションしながら解決できる能力が必要です。
• 技術的好奇心と継続的な学習意欲:
  MLOps・生成AI・クラウドなど急速に進化する技術領域において、最新動向をキャッチアップし続け、プロダクトに適用していく姿勢が求められます。
• 技術的な言語化・教育力:
  社内ライブラリ開発や他エンジニアへのスキルトランスファー・啓蒙活動など、技術を分かりやすく伝え、組織全体の底上げに貢献できる能力が必要です。
• 品質・信頼性への責任感:
  機械学習モデルの運用・継続学習・精度監視を重視する文化のもと、システムの安定性・Site Reliabilityを高めるための実装や設計に真摯に向き合える姿勢が求められます。

• 機械学習・深層学習の実務経験:
  推薦システム・不正検知・広告最適化など実運用の機械学習モデル開発・デプロイ経験があると、データサイエンティストとの連携をより深めることができます。
• 生成AI・LLMの実用化経験:
  生成AIを実プロダクトに組み込んだ開発・運用経験、またはLLMを活用したシステム設計の知見があると即戦力として活躍できます。
• 大規模データ基盤・ストリーミング処理の経験:
  BigQuery・Spark・Kafka等を用いた大規模データパイプラインの設計・運用経験があると、タイミーの豊富なデータを最大限に活用した基盤構築に貢献できます。
• Feature Store・モデル監視ツールの活用経験:
  Feast・Tecton等のFeature StoreやMLflow・Prometheusなどを用いたモデル監視の実務経験があれば、即座に活躍できます。
• 採用・組織開発への関与経験:
  エンジニア採用の選考・採用広報への関与経験、または組織内での技術勉強会のファシリテーション経験があると、チームの成長にも貢献できます。

• プロダクトスケールでのMLOps実践スキル:
  1,000万人超のユーザーを抱えるプロダクトにおいて、大規模データを扱うMLパイプライン・Feature Store・モデル監視など、実運用レベルのMLOps全般を体系的に習得できます。
• 生成AI実運用のノウハウ:
  生成AIの実プロダクト導入における設計・開発・運用・ルール整備の一連のプロセスを経験し、市場価値の高い生成AI実装スキルを身につけることができます。
• IaC・SREのベストプラクティス:
  Terraform等によるインフラ自動化やCI/CD構築、パフォーマンスチューニングなど、SRE的な視点でのエンジニアリング能力を高められます。
• ML戦略立案・全社展開の経験:
  ML基盤活用戦略の策定・推進や啓蒙活動を通じて、技術的な実装だけでなく組織全体のML活用を推進するビジネス視点のスキルが培われます。
• 技術教育・スキルトランスファー能力:
  データサイエンティストや他エンジニアへの教育・スキルトランスファーを担うことで、技術を噛み砕いて伝える力や後進育成のマネジメントスキルが身につきます。