【テクノロジー戦略推進本部】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・運用の実務経験
• Pythonを用いたデータ処理・モデル実装の経験
• 統計・最適化手法の実務での活用経験
• MLOps・モデル運用基盤の構築・改善経験
• GCPまたはAWS等クラウド環境でのML基盤構築経験
• ビジネス課題を機械学習・AIで解決した実績

• 課題構造化力:
  現場の業務課題を整理し、機械学習・生成AIで解決可能なテーマとして定義・仮説立案できる能力。PdMやアナリストと議論しながら課題の全体像を把握する姿勢が求められます。
• 自律的な改善サイクルの推進力:
  検証→実運用→継続改善のサイクルを自律的に回せる行動力。入社6か月以内に既存ユースケースを理解し、自分でサイクルを回し始めることが期待されています。
• 技術選択の判断力:
  課題特性に応じて、従来型機械学習・生成AI・統計・最適化のどれを用いるかを適切に選定できる技術的判断力。特定技術への固執なく柔軟に手法を選べることが重要です。
• クロスファンクショナルな連携力:
  PdM・SWE・データアナリストなど多職種と協働し、課題整理からモデル設計・運用まで一気通貫で推進できるコミュニケーション能力が必要です。
• 事業理解への関心:
  リユース事業の業務フロー・データ構造・KPIへの理解を深め、技術だけでなく事業成長への貢献を意識して動ける姿勢が求められます。

• 生成AI・LLMの実務活用経験:
  RAGやファインチューニング、プロンプトエンジニアリングなど、生成AIを業務に組み込んだ経験があると即戦力として期待されます。
• BigQuery・データ基盤の活用経験:
  GCP上でのBigQueryを活用したデータ分析・特徴量エンジニアリングの経験。インフラ構成への理解もあるとより評価されます。
• リユース・EC・小売業界の業務知識:
  買取・販売・在庫管理などリユース事業特有の業務フローへの理解、またはEC・小売領域でのAI活用経験が歓迎されます。
• MLOpsフレームワーク・ツールの活用経験:
  MLflow・Vertex AI・Kubeflowなど、モデルのデプロイ・監視・バージョン管理に関わるMLOpsツールの活用経験。
• テクニカルリード・チームリード経験:
  複数のAI活用プロジェクトを横断してリードした経験や、技術方針の意思決定に関与した経験があると、1年後のキャリアパスに直結します。

• 事業課題起点のAI設計力:
  現場の業務課題を整理し、機械学習・生成AI・最適化を組み合わせてソリューションを設計する能力を、実際のリユース業務データを使いながら実践的に習得できます。
• MLOps・AI運用基盤の構築経験:
  GCP（Cloud Run・BigQueryなど）を活用した実運用環境でのモデルデプロイ・監視・継続改善プロセスを一気通貫で経験でき、MLOpsの実践力が身につきます。
• 生成AI×従来MLのハイブリッド設計スキル:
  生成AIだけでなく統計・最適化・機械学習を課題に応じて使い分けるマルチアプローチの設計経験を積め、特定技術に依存しないAIエンジニアとしての市場価値が高まります。
• テクノロジー戦略の推進・ステークホルダー折衝力:
  CTOや事業責任者と直接連携しながらAI活用テーマを推進する経験を通じて、技術面だけでなく組織横断のプロジェクトリード能力を培うことができます。
• リユース×データドリブン経営の知見:
  M&Aによる複数事業統合・多チャネル展開という複雑な事業環境での実データを用いた課題解決経験は、他業界にも応用可能な希少な経験となります。