【データエンジニア】ノンデスク産業の現場データを資産に。AI/ML活用の基盤構築をリード

以下のいずれかの経験・知見が求められます。

• ETLパイプライン設計・実装経験
• データウェアハウス（DWH）の設計・構築経験
• SQLおよびPythonなどのデータ処理言語の実務経験
• クラウドサービス（AWS / GCP / Azure 等）を用いたデータ基盤構築経験
• 非構造化データ（画像・音声・テキスト等）の処理経験
• MLOpsまたは機械学習基盤の構築・運用経験

• 自律的な課題発見・解決能力:
  立ち上げフェーズのAI組織において、指示を待つのではなく自ら課題を発見し、技術選定から実装まで主体的に推進できる姿勢が求められます。
• ビジネス視点を持ったエンジニアリング:
  ビジネスチームや経営層とのコミュニケーションも多い環境のため、技術だけでなく事業・ビジネスへの貢献を意識しながらデータ基盤を設計・構築できる能力が必要です。
• 高い学習意欲と好奇心:
  AI・ML領域は技術進化が著しく、常に最新技術をキャッチアップし、チームへ知識共有できる姿勢が求められます。社内バリューにも「好奇心を持って学び続けよう」が掲げられています。
• アジャイル環境への適応力:
  1週間スプリントで開発を進めるアジャイル開発手法のもと、スピーディに仮説検証を繰り返しながら成果を出せる柔軟性と実行力が必要です。
• チームとの協働・コミュニケーション力:
  Figmaやmiroを使ったデザイン議論、ナレッジ共有、勉強会参加など、エンジニア・ビジネス双方のチームと連携しながらチームパフォーマンスを高める協調性が求められます。

• MLOps・機械学習パイプライン構築経験:
  MLflowやKubeflow、Airflowなどを活用したMLOps基盤の設計・運用経験があると、AIモデルの開発サイクルを効率化する基盤構築に即戦力として活躍できます。
• データガバナンス・品質管理の実務経験:
  データカタログ整備やデータ品質管理フレームワークの構築経験は、大量の現場データを扱う本ポジションにおいて特に歓迎されます。
• アノテーション設計・ラベリング業務経験:
  画像・音声・テキストなど非構造化データのアノテーション設計や管理経験は、AIモデルの学習データ作成業務に直結するスキルとして高く評価されます。
• 物流・ロジスティクス業界のドメイン知識:
  物流業界の業務フローや課題に対する知見があれば、現場データの解釈精度を高め、より事業貢献度の高いデータ基盤設計が可能になります。
• モダンデータスタック（dbt・Snowflake・BigQuery等）の活用経験:
  dbt、Snowflake、BigQuery、Fivetranなどモダンデータスタックの実務活用経験は、技術選定フェーズから大きな貢献が期待できます。

• ゼロイチのデータ基盤設計・構築経験:
  AI組織の立ち上げフェーズから参画するため、ETL・DWH・データガバナンスをゼロから設計・構築するエンドツーエンドの経験を積むことができます。これはキャリア上の大きな差別化要素となります。
• MLOps・AI活用基盤の実践スキル:
  実際のプロダクションデータを用いたMLOpsの推進やAIモデル学習データの整備を通じて、AI/ML基盤エンジニアとして市場価値の高いスキルセットを体系的に習得できます。
• 希少な非構造化データの処理技術:
  FAX・画像・音声・車両ログといったWeb上に存在しない一次データの収集・変換・活用技術は、一般的なエンジニア経験では得難い希少なスキルです。
• 事業・ビジネスと連動したデータエンジニアリング:
  経営層やビジネスチームと直接連携しながら開発を進めるため、技術的なデータエンジニアリングにとどまらず、事業課題を技術で解決するプロダクト思考が自然と身につきます。
• 垂直型SaaSにおけるドメイン知識:
  ノンデスク産業・物流業界に特化したVertical SaaSの開発・運用を通じて、特定業界に深く根ざしたドメイン知識を持つデータエンジニアとして専門性を高めることができます。