機械学習エンジニア

以下のいずれかの経験・知見が求められます。

• 機械学習モデルの設計・開発・評価・改善の実務経験
• Pythonを用いた機械学習システムの開発経験
• 自然言語処理（NLP）または検索技術に関する実務経験
• LLM（大規模言語モデル）を活用したシステム構築の経験
• AWSなどのクラウド基盤上でのMLシステム運用経験
• 仮説立案〜実験計画〜効果測定の一連のサイクルを回した経験

• 課題発見力・主体性:
  「そもそも何を評価するべきか」という問いを自ら立て、上流から課題解決をリードできる姿勢が求められます。指示待ちではなく、自ら問題を定義し推進できる力が重要です。
• 論理的思考・仮説検証力:
  仮説立案→実験計画→効果測定→改善というサイクルを高速に回せる思考力と実行力が必要です。データドリブンな意思決定を行える素養が求められます。
• 最新技術へのキャッチアップ力:
  機械学習・自然言語処理・検索技術の動向を継続的にウォッチし、論文実装や知見の社内共有を積極的に行える姿勢が求められます。
• ドメイン知識習得への意欲:
  法律・リーガルテックという専門性の高い領域において、弁護士や法務の専門家と協業しながら知識を深めていける好奇心・学習意欲が重要です。
• コミュニケーション・協調性:
  エンジニアチームのみならず、弁護士・法務専門家・ビジネス職メンバーと連携しながら開発を進めるため、専門外の相手にも技術的な内容をわかりやすく伝えられるコミュニケーション力が求められます。

• グラフデータベース・ナレッジグラフの知識:
  NeptuneなどのグラフDBや、ナレッジグラフ構築・活用の経験があると、「Legal Graph」の開発・改善に即戦力として貢献できます。
• RAG・エージェント型AIシステムの構築経験:
  LangChain・LangGraphを用いたRAGシステムやマルチエージェントの設計・実装経験は、「Legal Brain エージェント」の開発に直結するスキルとして高く評価されます。
• OpenSearch・Vector Searchを用いた検索システムの経験:
  検索精度向上や速度改善に直接関わるため、意味検索・ベクトル検索の実装経験があると即戦力として活躍できます。
• MLOpsの構築・運用経験:
  SageMakerやVertex AIなどのML基盤を活用したモデルの学習・評価・デプロイの自動化（MLOps）の知識・経験は、開発プロセス全体の効率化に貢献できます。
• 法律・リーガルドメインの知識:
  法令・判例・法律実務などの基礎知識がある場合、弁護士や専門家との協業をよりスムーズに進めることができ、プロダクト品質の向上に寄与できます。

• リーガル特化の高度な機械学習・NLP技術:
  法令・判例・ガイドラインなど独自性の高いリーガルデータを用いたモデル開発・検索システム改善の実績を積むことで、リーガルAI分野における希少なスキルセットを身につけられます。
• 生成AI・LLMエージェントシステムの設計・運用スキル:
  LangChain・LangGraph・Gemini・Bedrockなど最前線のLLM技術を用いたエージェントシステムの設計・実装・評価の一連の経験を通じて、生成AI活用の高い専門性を獲得できます。
• グラフDBを活用したナレッジエンジニアリング:
  Amazon Neptuneを用いたグラフ構造のデータ設計・クエリ最適化・AI連携など、特殊性の高いナレッジグラフ活用スキルを習得できます。
• 上流〜下流を一貫した機械学習プロジェクトのリード経験:
  課題定義・仮説立案・実験設計・効果測定・改善サイクルを主体的に推進することで、技術力にとどまらないプロジェクトマネジメント・リーダーシップ能力を磨けます。
• 法律・リーガルテック領域のドメイン知識:
  弁護士・法務専門家との協業を通じて、法律実務・契約・コンプライアンスに関する深いドメイン知識を自然に習得でき、将来的にリーガルテック分野での市場価値向上につながります。