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。

• Pythonを用いた機械学習・データ処理の実務経験
• 自然言語処理（NLP）・画像認識・情報抽出などのMLアルゴリズム開発経験
• 検索エンジン（Elasticsearch / OpenSearch等）の設計・運用経験
• LLM・生成AIを活用したアプリケーション開発経験（RAGを含む）
• AWSまたはGoogle Cloud等のクラウドインフラを用いたシステム開発経験
• MLOpsまたはLLMOpsの構築・運用経験

• 技術課題の自律的な解決力:
  曖昧な要件や未踏領域の課題に対しても、自ら仮説を立て検証・実装まで推進できる主体的なマインドが求められます。
• 事業課題と技術の橋渡し能力:
  事業上の課題をデータ・技術視点で捉え直し、実装可能な解決策に落とし込む思考力・コミュニケーション力が必要です。
• 変化を恐れないチャレンジ精神:
  急速に進化するAI・ML領域において、新技術を積極的にキャッチアップし、プロダクトへの適用を試みる姿勢が重視されます。
• チームを超えた協働力:
  R&D・プロダクト・ビジネス職と密に連携する場面が多く、職種を越えた円滑なコミュニケーションと協働が求められます。
• 品質と速度を両立する実装力:
  研究・プロトタイプにとどまらず、実サービスへの導入を見据えた最適化・API化・品質担保まで責任を持って推進できることが求められます。

• ベクトル検索・RAGシステムの実装経験:
  ベクトルデータベースやRAGを活用した検索・推薦システムの設計・実装経験があると、即戦力として活躍できます。
• 大規模データパイプラインの構築経験:
  BigQuery・DynamoDB等を用いた大規模データ処理基盤の設計・運用経験は、データ戦略領域において特に歓迎されます。
• 名寄せ・エンティティ解決アルゴリズムの経験:
  企業・人物データのクレンジングや名寄せエンジン開発経験は、独自ビジネスDBの構築において高く評価されます。
• Kotlin・TypeScript・Rustなど複数言語での開発経験:
  Python以外の言語でのバックエンド・インフラ開発経験は、マルチプロダクト体制における柔軟な技術選定に貢献できます。
• 学術研究・論文実装の経験:
  機械学習・NLP領域の論文を実装・応用した経験があると、R&D部門での研究開発業務において強みを発揮できます。

• 実サービスで通用するMLOps・LLMOps実装スキル:
  モデルの学習・評価・デプロイ・モニタリングまで一貫して担当する経験を通じ、プロダクション品質のMLOps/LLMOps環境構築スキルが身に付きます。
• 検索・推薦システムの設計・チューニング力:
  キーワード検索・ベクトル検索・RAGを組み合わせた検索精度向上やパフォーマンスチューニングの実践的なノウハウが得られます。
• 大規模ビジネスデータを活用したデータサイエンス力:
  名刺・契約書・請求書など多種多様なビジネスデータを扱う中で、統計モデリング・インサイト抽出・データ基盤設計の実務スキルが習得できます。
• 生成AI・LLM活用の実践的な応用力:
  最先端の生成AI技術をプロダクトに落とし込む経験を通じ、LLMのプロンプト設計・ファインチューニング・RAG実装など、市場価値の高いスキルが身に付きます。
• クラウドネイティブなインフラ設計・運用スキル:
  AWS・Google Cloud・Kubernetes・Terraformを活用したスケーラブルなインフラ設計・運用の実務経験が積め、インフラ領域の技術力を高められます。