AIエンジニアになるには?学ぶ順番となるまでのロードマップ
AIエンジニアに興味はあるものの、何から学べばいいのか、未経験の自分でも本当になれるのかと迷っていないでしょうか。
生成AIが仕事の道具として広まり、AIをサービスや業務に組み込める人材を求める企業が増えています。AIエンジニアの有効求人倍率は1.96で、人手が足りない状態が続いています。
ただし、必要な知識の範囲は広く、学ぶ順番を間違えると遠回りになりがちです。未経験から目指すなら、学習の手順と最初に経験を積む職種まで見通しておくのが近道です。
この記事では、以下の内容を解説します。
- AIエンジニアの仕事内容と平均年収
- 未経験からAIエンジニアを目指せるかどうかの現実
- 必要な7つのスキルと役立つ資格
- 未経験から転職するまでの6ステップ
- 最初に経験を積みやすい4つの職種
これからAIエンジニアを目指したい未経験の方に、遠回りしないための学び方と進み方をお伝えしているので、ぜひ参考にしてください。

著者
関口 樹
(Sekiguchi Tatsuki)
2020年に新卒でIT・Web・ゲーム業界専門の人材紹介会社に入社いたしました。当初はスカウト担当として、候補者の方々との接点作りに尽力。その後、転職活動のプロセス全体を直接支援したいという強い希望からキャリアアドバイザーへ転身しました。エンジニアやクリエイティブ職を専門とし、月間MVPやQMVPを複数回受賞するなど、現場の最前線で累計171名の方々の入社を支援してまいりました。2022年からはマネジメント職に就き、最大30名の組織を統括しながら、自社採用の面接官や次世代マネージャーの育成にも携わり、組織全体の支援質向上に努めてきました。現在は、個人のキャリア支援への強い志を持ち、MyVisionに入社いたしました。
プロフィール詳細を見る

監修者
伊東 光雄
(Ito Mitsuo)
専門学校卒業後、約12 年間IT サービス事業会社にてシステム開発、インフラ運用管理、自社製品の新規開拓営業に従事。その後、2014 年に株式会社ワークポートに就業しキャリアアドバイザーとして転職相談にお越し頂く求職者に対し、キャリアに関する相談業務~求人企業のご紹介~内定・入社までのサポート及び、入社後のアフターフォロー業務全般に従事。
プロフィール詳細を見る
目次
CONTENTS
AIエンジニアとは?仕事内容と求められる役割
AIエンジニアは機械学習やディープラーニングを使ってAIを開発し、サービスや業務に組み込む技術者です。機械学習はデータから規則を見つけて予測や判断をさせる技術で、ディープラーニングはその手法のひとつです。
仕事は大きく、次の3つに分かれます。
- AIモデルを設計・開発し、データで学習させる
- AIをサービスや業務システムに組み込む
- 学習用のデータを集めて整え、分析に使う
同じような仕事でも、求人での呼び名は会社ごとにさまざまです。機械学習エンジニアや、データサイエンティストとして募集されることもあります。担当範囲も会社によって違うため、求人を探すときは仕事内容まで読みましょう。
AIエンジニアの仕事内容や必要なスキルについては、次の記事でも解説しています。ぜひ参考にしてください。

AIエンジニアとは?仕事内容・年収・なり方を解説
AIモデルを設計・開発し、データで学習させる
AIモデルの開発は、解きたい課題に合う手法を選び、データを使って学習させる仕事です。たとえば、工場の製品画像から傷や欠けを見分けるAIや、過去の売上から来月の需要を予測するAIがこれにあたります。
学習させたAIは、精度を確かめながら調整を重ねます。正解の決まった作業ではなく、試しては直す工程が仕事の中心です。
なお、新しい手法そのものを研究する仕事は、大学院で研究を積んだ人が担うことが多い領域です。未経験から目指す場合は、既存の手法を使って業務の課題を解くところから入るのが現実的でしょう。
AIをサービスや業務システムに組み込む
学習を終えたAIは、そのままでは業務で使えません。アプリや社内システムから呼び出せる形にし、利用者が使える状態にするのもAIエンジニアの仕事です。
チャットボットやおすすめ表示、顔認証などの機能は、この組み込みの仕事によって実現しています。最近は、ChatGPTのような生成AIの機能を外部から呼び出し、社内の業務システムに組み込む案件も増えました。
今の求人で需要が伸びているのは、AIを作る仕事よりも、AIを使える形にするこの実装の仕事です。Webアプリやクラウドの経験が活きるため、未経験者にとっての入口にもなります。
学習用のデータを集めて整え、分析に使う
AIの精度は、学習に使うデータの質で大きく変わります。そのため、欠けている値や表記の揺れを直してデータを整える作業も、AIエンジニアの大切な仕事です。こうした下準備は前処理と呼ばれ、実務では作業時間の多くを占めます。
さらに、学習させたAIの結果を分析し、どこで間違えやすいかを確かめて改善につなげるところまでが仕事です。データを整える力は、未経験から最初に実務で任されやすいスキルでもあります。
AIエンジニアの平均年収
厚生労働省の「job tag」によると、AIエンジニアの平均年収は609.8万円です。この数字はAIエンジニアを含む職業分類の平均で、データエンジニアやシステムの運用管理を担う職種も含まれています。
同じ分類の平均年収を経験年数別に見ると、次のとおりです。
| 経験年数 | 平均年収 |
|---|---|
| 0年 | 約455万円 |
| 1〜4年 | 約462万円 |
| 5〜9年 | 約519万円 |
| 10〜14年 | 約574万円 |
| 15年以上 | 約588万円 |
経験を積むほど年収は上がりますが、0年と1〜4年の差は小さく、伸びが大きくなるのは5年目以降です。未経験で転職した直後から、平均年収に届くとは限らない点は押さえておきましょう。
一方で、AIの専門性を求める求人の年収は高めです。テックゴーが保有する求人の平均年収は、AIエンジニアで約834万円でした。
また、AIエンジニアの有効求人倍率は1.96で、求職者1人に対して2件近い求人があります。AIを業務に取り入れる企業は増えており、需要は今後も高い状態が続く見込みです。人手が足りない職種なので、経験を積むほど年収を上げやすいでしょう。
参考:厚生労働省 job tag「AIエンジニア」
役割や企業ごとのAIエンジニアの年収相場については、次の記事でも解説しています。ぜひ参考にしてください。

AIエンジニアの年収は?役割・企業別の相場と1000万円に届く条件
未経験でもAIエンジニアになれる?
結論からいうと、未経験からでもAIエンジニアは目指せます。ただし、いきなりAI開発の仕事に就く人は少なく、近い職種で実務経験を積んでから移る道が現実的です。
目指せるかどうかを判断する材料は、次の5つです。
- 学歴や資格は応募の必須条件ではない
- 実際に働く人には情報系の大学・大学院の出身者が多い
- 未経験からいきなりAI開発職で採用されるのは難しい
- 文系や数学が苦手でも基礎から学べば目指せる
- 30代から目指すなら前職の業界知識を武器にしよう
それでは、順に見ていきましょう。
学歴や資格は応募の必須条件ではない
AIエンジニアになるために、法律で決められた学歴や資格はありません。求人でも、学歴より何を作れるかを見る企業が増えています。
AIエンジニアに関する国家資格もないため、資格がなくても応募はできます。採用で見られるのは、資格の有無よりも手を動かして作った成果物です。
とはいえ、条件がないことは、誰でも採用されるという意味ではありません。基礎を固めて実力を示せる成果物を用意して、はじめて応募できる状態が整います。
実際に働く人には情報系の大学・大学院の出身者が多い
実際にAIエンジニアとして働く人には、情報科学や工学を学んだ大学・大学院の出身者が多くいます。働く人が多いと感じる学歴の回答では、修士課程卒が63.6%と大卒の57.6%を上回りました。
とくに、新しいAIの手法を研究する職種では、大学院で研究を重ねた人が多く活躍しています。一方で、AIを業務に組み込む実装の仕事は、スキルと実績で評価される余地が大きい領域です。
社会人がこれから大学院に通い直すのは、時間と費用の負担が大きい選択です。研究職を目指すのでなければ、働きながら学んで実装寄りの職種を狙うほうが近道でしょう。
参考:厚生労働省 job tag「AIエンジニア」
未経験からいきなりAI開発職で採用されるのは難しい
AI開発職の求人は、機械学習の実務経験や、モデルを作って運用した実績を求めるものが目立ちます。そのため、学習だけを終えた未経験者がいきなり採用されるケースは多くありません。
企業がAIの仕事を任せるには、データの扱いやシステム開発の基本を、現場で身につけていることが前提になるためです。そこで現実的なのが、データ分析や開発の仕事で1〜2年ほど経験を積み、AIの業務に移る道です。

関口 樹
Sekiguchi Tatsuki
求人票の「必須」と「歓迎」は分けて読みましょう。歓迎条件に機械学習の経験が書かれている求人は、未経験からでもAIの業務に近づける入口になることがあります。
文系や数学が苦手でも基礎から学べば目指せる
文系出身でも、AIエンジニアは目指せます。AIの仕事で使う数学は線形代数・微分積分・確率統計の基礎が中心で、証明を自分で導けるほどの深さは求められません。
はじめは高校数学の復習から入り、Pythonでコードを動かしながら、数式が何を計算しているのかを理解していけば十分です。数学を先に完璧にしようとするより、手を動かしながら必要な範囲だけ学ぶほうが挫折しにくいでしょう。
ただし、数学をまったく避けて通ることはできません。数式の意味がわかっていないと、モデルの結果がおかしいときに原因を考えられないためです。
文系からエンジニアを目指すときの現実と進め方については、次の記事でも解説しています。ぜひ参考にしてください。

文系からエンジニアになれる?現実・向いている人の特徴・転職するためのロードマップを解説
30代から目指すなら前職の業界知識を武器にしよう
20代から30代前半であれば、未経験からエンジニアへ転職する例は多く、AIの分野も十分に目指せます。30代後半になると企業は即戦力を求めやすくなるため、学習に加えて前職の経験をどう活かすかで評価が変わるでしょう。
AIは、金融・製造・医療・小売などの業界で業務の課題を解くために使われます。業界の業務や課題を知っている人は、AIで何を解決すべきかを判断できるため、現場で重宝される存在です。
たとえば、ポートフォリオのテーマを前職の業界の課題にすると、業界知識とAIのスキルを一緒に伝えられます。30代から目指す場合は、学習期間を1年以上と見込み、今の仕事を続けながら準備を進めましょう。
AIエンジニアに必要な7つのスキル
AIエンジニアに必要なスキルの中心は、Python・数学・機械学習の3つです。実務ではこれに加えて、データを整える力やクラウドなどの開発スキル、課題を聞き取って提案する力も求められます。
必要なスキルは、次の7つです。
- Python
- 数学・統計(線形代数・微分積分・確率統計)
- 機械学習・ディープラーニング
- データ処理・前処理
- データベース・SQL
- クラウド・Gitなどの開発・運用スキル
- 課題を聞き取り、AIで解決策を提案する力
7つを一度に学ばなくても、上から順に積み上げれば十分です。以下、それぞれをどこまで身につければよいかを見ていきます。
Python
PythonはAI開発でもっとも使われているプログラミング言語で、AIエンジニアを目指すならほぼ必須です。文法がシンプルで、プログラミングが初めての人でも学びはじめやすい言語でもあります。
AI開発では、ライブラリと呼ばれる便利な部品を組み合わせて使います。代表的なものは次のとおりです。
| ライブラリ | 主な用途 |
|---|---|
| NumPy | 数値の計算 |
| pandas | 表形式のデータの加工 |
| scikit-learn | 機械学習のモデル作成 |
| PyTorch・TensorFlow | ディープラーニング |
まずは変数・条件分岐・繰り返し・関数を使い、短い処理を自分で書ける状態を目指しましょう。
数学・統計(線形代数・微分積分・確率統計)
機械学習の仕組みを理解するには、線形代数・微分積分・確率統計の3つの基礎が必要です。それぞれ、AIの中で次のように使われています。
| 分野 | AIでの使われ方 |
|---|---|
| 線形代数 | 大量のデータをまとめて計算する |
| 微分積分 | 予測の誤差を小さくしていく |
| 確率統計 | データの傾向と結果の確からしさを読む |
公式の暗記や証明は求められません。大切なのは、計算が何のためにおこなわれているかを理解することです。高校数学の範囲を復習し、コードで実際に計算しながら学ぶと、イメージがつかみやすくなります。
機械学習・ディープラーニング
機械学習は、データから規則を見つけて予測や分類をさせる技術です。ディープラーニングはその手法のひとつで、画像認識や文章の理解など、複雑な処理を得意としています。
はじめに学ぶのは、次の3つの基本の手法です。
| 手法 | できること |
|---|---|
| 回帰 | 売上などの数値を予測する |
| 分類 | メールを迷惑メールかどうかに分ける |
| クラスタリング | 似たデータをまとめる |
AIといえばディープラーニングと思われがちですが、実務ではシンプルな手法で十分な場面も多くあります。基本の手法で全体の流れをつかんでから、ニューラルネットワークへ進むと理解が深まるでしょう。
さらに最近は、ChatGPTのような大規模言語モデルを業務で使う案件が増えています。社内の文書を検索して答えさせるRAGという仕組みも、基礎を固めたあとに学んでおきたい領域です。
データ処理・前処理
実際のデータには、空欄や表記の揺れ、重複が混ざっています。そのため、AIに学習させる前に、データを使える形に整える前処理が欠かせません。
前処理では、次のような作業をおこないます。
- 空欄になっている値を補う
- 日付や単位の書き方をそろえる
- 重複したデータや不要なデータを消す
- 学習に使う項目を作る
前処理はAIエンジニアの仕事の中で多くの時間を使う工程で、現場で差がつきやすいスキルです。pandasを使い、CSVファイルの読み込みから集計、グラフ化までを一通りできるようにしておきましょう。
データベース・SQL
企業のデータは、データベースと呼ばれる仕組みに保存されています。そこから必要なデータを取り出すときに使う言語が、SQLです。
学習に使うデータを集めたり、結果を集計したりする場面で、SQLは日常的に使われます。PythonとSQLの両方を扱えると、データの取り出しから分析までを自分ひとりで進められます。
SQLは文法が比較的シンプルで、未経験からでも身につけやすいスキルです。データ分析の仕事では日々使うため、AIの仕事に近い職種へ応募するときの強みにもなるでしょう。
クラウド・Gitなどの開発・運用スキル
AIを業務で使える状態にし、動かし続けるには、開発と運用のスキルも求められます。代表的なものは次の3つです。
- Gitでコードの変更履歴を管理する
- APIでほかのシステムとつなぐ
- AWSやGoogle Cloud、Azureで開発・運用する
さらに運用が始まると、AIの精度を見守り、新しいデータで学習し直す作業も続きます。こうしたAIの運用を仕組みで回す考え方は、MLOpsと呼ばれます。
WebアプリやクラウドのスキルはAI以外の仕事でも使えるため、学んで損になりません。未経験の段階では、Gitの基本操作と、クラウドで簡単なアプリを動かす経験からはじめましょう。
課題を聞き取り、AIで解決策を提案する力
AIエンジニアは、技術だけを扱う仕事ではありません。依頼者が抱える課題を聞き取り、AIで何ができて何ができないかを、わかりやすく説明する力も求められます。
たとえば「問い合わせ対応を楽にしたい」と相談された場合、すべてをAIに任せる以外の方法もあるはずです。よくある質問だけをAIに答えさせる方法を示せると、導入が進みやすくなります。AIを使うこと自体を目的にせず、課題を解く手段として提案できる人は現場で頼りにされます。
仕事で相手の要望を聞き取り、解決策を考えてきた経験は、そのままこの力に活かせるでしょう。
AIエンジニアを目指すための3つの学び方
AIエンジニアを目指す学び方は、大きく3つに分かれます。働きながら目指すなら、独学かスクール・オンライン講座ではじめるのが現実的です。
| 学び方 | 費用 | 期間の目安 | 向いている人 |
|---|---|---|---|
| 独学 | 低い | 自分で調整できる | 自分で計画を立てられる人 |
| プログラミングスクール・オンライン講座 | 中〜高 | 数ヶ月〜1年 | 質問できる環境がほしい人 |
| 大学・大学院・専門学校 | 高い | 2〜4年 | 研究職を目指す人 |
以下、それぞれの学び方の特徴と選び方を見ていきます。
独学
独学は費用を抑えやすく、仕事の合間に自分のペースで進められる学び方です。オンライン学習サービスや書籍、動画を組み合わせれば、AIの基礎は独学でも身につきます。
ただし、つまずいたときに質問できる相手がいないため、途中でやめてしまう人が多いのも事実です。続けるためには、次のような工夫が役立ちます。
- 1日15〜30分でも学習の時間を決める
- 学んだ内容を記録して進み具合を見える化する
- Kaggleなどのコミュニティで同じ目標の仲間を見つける
- 生成AIに伴走してもらう
独学でAIエンジニアになることは可能ですが、成果物まで作りきれるかどうかで結果が変わります。まずは無料の教材で試し、続けられそうかを確かめてから有料の講座を検討しましょう。
プログラミングスクール・オンライン講座
プログラミングスクールやオンライン講座は、体系立てられたカリキュラムで効率よく学べる方法です。わからない点を講師に質問でき、転職の支援がついているスクールもあります。
一方で、受講料は数万円から数十万円かかります。費用を抑えたい場合は、経済産業省とIPAが運営するマナビDXで講座を探すのもひとつの方法です。無料で受けられる講座や、教育訓練給付金など受講料の補助がある講座が掲載されています。
E資格を目指す場合は、JDLA認定プログラムの受講が受験の条件です。スクールを選ぶときは、目指す資格や成果物に合ったコースかを確認しましょう。
参考:IPA「マナビDX」
大学・大学院・専門学校
大学や大学院、専門学校では、AIの理論から実装までを体系的に学べます。とくに大学院は、新しい手法を研究する職種を目指す人にとって有力な選択肢です。
ただし学び終えるまでに、大学なら4年、修士課程なら2年かかります。専門学校でも2年以上が必要です。社会人が仕事を辞めて通う場合は、学費に加えて、その間の収入も途絶える点を考えておかなければなりません。
AIを業務に組み込む実装の仕事なら、学校に通い直さず、働きながら学ぶ道で十分に目指せます。研究職を目指したい場合に限り、社会人入学の制度がある大学院を調べてみましょう。
AIエンジニアを目指す人に役立つ5つの資格
AIエンジニアになるために必須の資格はありません。ただし、資格の勉強は学ぶ範囲を整理するのに役立ち、応募のときに基礎を身につけたことを示す材料にもできます。
役立つ資格は、次の5つです。
| 資格 | 主催 | 向いている段階 |
|---|---|---|
| G検定 | JDLA | AIの全体像をつかみたい |
| E資格 | JDLA | ディープラーニングを実装したい |
| Python 3 エンジニア認定試験(基礎・データ分析) | Pythonエンジニア育成推進協会 | Pythonの理解を確かめたい |
| 統計検定 | 統計質保証推進協会 | 統計の基礎を固めたい |
| 基本情報技術者試験 | IPA | ITの基礎を示したい |
資格を取ること自体が目的になると、評価されやすい成果物づくりが後回しにされがちです。学習の区切りとして取り、ポートフォリオづくりと並行して進めましょう。
G検定
G検定は日本ディープラーニング協会が実施する、AIとディープラーニングの基礎知識を問う試験です。受験資格はなく、自宅からオンラインで受験できます。
| 項目 | 内容 |
|---|---|
| 受験料 | 一般13,200円(税込) |
| 形式 | 多肢選択式、145問程度 |
| 実施回数 | オンラインで年6回(2026年) |
AIで何ができるのかを幅広く学べるため、学習の最初の目標に向いています。ただし、問われるのは知識で、プログラムを書く力は測れません。実装の力は成果物で示しましょう。
参考:JDLA「G検定」
E資格
E資格は日本ディープラーニング協会が実施する、ディープラーニングを実装する力を問うエンジニア向けの資格です。G検定より専門的で、理論の理解とPythonでの実装の知識が問われます。
受験するには、試験日の過去2年以内にJDLA認定プログラムを修了していることが条件です。受験料は一般33,000円(税込)で、試験は年2回、会場で実施されます。
認定プログラムの受講料もかかるため、Pythonと機械学習の基礎を独学で固めてから挑戦するのがおすすめです。次回は2027年2月の試験で、申し込みは2026年12月1日から始まります。
参考:JDLA「E資格」
Python 3 エンジニア認定試験(基礎・データ分析)
Python 3 エンジニア認定試験は、Pythonエンジニア育成推進協会が実施する試験です。AIエンジニアを目指す人には、文法を問う基礎試験と、データ分析の知識を問うデータ分析試験の2つが役立ちます。
| 試験 | 問われる内容 | 受けたい時期 |
|---|---|---|
| 基礎試験 | Pythonの文法 | 文法を学んだあと |
| データ分析試験 | NumPy・pandasなどの使い方 | データ処理を学んだあと |
データ分析試験は40問の選択式で、正答率70%で合格です。どちらも全国のテストセンターで、年間を通じて受験できます。学習の進み具合を確かめる区切りとして、ちょうどよい難しさの試験です。
参考:Pythonエンジニア育成推進協会「Python 3 エンジニア認定データ分析試験」
統計検定
統計検定は、統計の知識と活用する力を測る検定で、4級から1級までの級があります。AIエンジニアを目指すなら、まずは大学の基礎レベルの統計を問う2級が目標になるでしょう。
2級はパソコンで解答するCBT方式で、会場と日時を選んで受験できます。受験料は一般7,000円(税込)で、100点満点中60点以上で合格です。
機械学習の結果を正しく読むための統計の力を、まとめて身につけられる資格です。統計とデータ処理をあわせて学びたい人は、統計検定のデータサイエンス基礎を検討してもよいでしょう。
参考:統計検定「統計検定2級」
基本情報技術者試験
基本情報技術者試験は、IPAが実施するITの国家試験で、ITエンジニアの入門とされる試験です。プログラミングやネットワーク、セキュリティなど、ITの基礎を幅広く問われます。
AIに特化した試験ではありませんが、IT業界での実務経験がない人にとっては、基礎を学んだことを示す材料として使えます。データ分析や開発の職種に応募するとき、評価の材料にしやすい資格です。
試験はCBT方式で、年間を通じて受験できます。なお、2026年12月28日からはシステムの入れ替えのため一時休止となり、2027年1月下旬に再開する予定です。
参考:IPA「基本情報技術者試験」
未経験からAIエンジニアになるまでの6ステップ
未経験からAIエンジニアになるまでは、次の6ステップで進めます。前半の4ステップは学習と成果物づくり、後半の2ステップは仕事に就くための段階です。
| ステップ | 目安の時期 |
|---|---|
| 1. Pythonの基礎文法を身につける | 1〜3ヶ月目 |
| 2. データ処理と数学の基礎を固める | 3〜6ヶ月目 |
| 3. 機械学習のモデルを小さく動かしてみる | 6〜9ヶ月目 |
| 4. 業務を想定したポートフォリオを作り、GitHubで公開する | 9〜15ヶ月目 |
| 5. AIに近い職種で実務経験を積む | 1〜2年 |
| 6. AIエンジニアの求人に応募する | 実務経験を積んだあと |
時期は、週に10〜15時間ほど学習する場合の目安です。ITの実務経験がない場合、学習をはじめてから成果物ができるまで、1年〜1年半を見込んでおきましょう。学習時間を多く取れる人は、そのぶん早く進められます。
1. Pythonの基礎文法を身につける
最初のステップは、Pythonの基礎文法を身につけることです。変数・条件分岐・繰り返し・関数を一通り学び、短い処理を自分で書いて動かせる状態を目指します。
AI開発では、ライブラリを呼び出して使う場面が中心です。そのため、はじめから難しい文法をすべて覚えなくても先に進めます。
完璧に理解してから次へ進もうとすると、学習が長引いて挫折しやすくなります。サンプルのコードを書き写して動かし、エラーを直す経験を重ねながら、少しずつ慣れていきましょう。
2. データ処理と数学の基礎を固める
次は、データを扱う力と数学の基礎を固める段階です。pandasやNumPyを使い、CSVファイルを読み込んで集計し、グラフにするまでを一連の流れとしてできるようにします。
あわせて、高校数学の範囲で線形代数・微分・確率統計を復習しましょう。数学はなんとなくわかる程度で先に進み、つまずいたときに戻って学び直せば十分です。
実際のデータには欠けている値や表記の揺れがあるため、それを直す練習も入れておくと、実務に近い力がつきます。
3. 機械学習のモデルを小さく動かしてみる
データを扱えるようになったら、scikit-learnを使って実際に機械学習のモデルを作ります。データを学習用と確認用に分け、予測の精度を確かめて改善する流れを一度体験しておきましょう。
練習の題材には、データ分析のコンペティションサイトであるKaggleの入門コンペが向いています。タイタニック号の乗客データから生存者を予測する課題は、初心者向けとして定番です。
このステップでは、理論の勉強ばかりで手を動かさないことと、すべての分野を同時に学ぼうとすることを避けましょう。ひとつのモデルを最後まで動かしきると、理論の意味もつかみやすくなります。
参考:Kaggle「Titanic - Machine Learning from Disaster」
4. 業務を想定したポートフォリオを作り、GitHubで公開する
基礎が身についたら、採用担当者に見せられるポートフォリオを作ります。ポートフォリオとは、自分のスキルを示すために作った成果物のことです。
テーマは、業務の課題を想定したものを選びましょう。題材の例は次のとおりです。
- 過去の売上から来月の需要を予測する
- 問い合わせの文章を内容ごとに分類する
- 社内の資料を検索して答えるチャットボットを作る
完成したコードはGitHubで公開し、説明文に次の内容をまとめます。
- 解こうとした課題を書く
- 使ったデータの出どころを書く
- その手法を選んだ理由を書く
- 精度をどう改善したかを書く
採用で見られるのは完成度の高さよりも、何を考えてどう改善したかを説明できるかどうかです。

関口 樹
Sekiguchi Tatsuki
ポートフォリオは2〜3本あると、応募先に合わせて見せる作品を選べます。1本は得意な分野を深めたもの、もう1本は業務の課題を想定したものにすると、見せ方の幅が広がるでしょう。
ポートフォリオの題材選びと公開の手順については、次の記事でも解説しています。ぜひ参考にしてください。

エンジニアポートフォリオの作り方6STEP|題材24選(NG例と公開手順)
5. AIに近い職種で実務経験を積む
成果物ができたら、AIの仕事に近い職種で実務経験を積みます。学習だけで経験のない状態から、AI開発職に採用される人は多くありません。まずはデータやシステムを実際に扱う仕事で、1〜2年ほど経験を積むのが近道です。
入口になりやすい職種は、次の4つです。
- データアナリスト
- Webアプリケーション・バックエンドエンジニア
- インフラ・クラウドエンジニア
- QA・テストエンジニア
どの職種でも、学んだPythonやSQLを日々の仕事で使える機会があるかを、応募の前に確かめましょう。
学習を続けながら、成果物ができた段階で転職活動をはじめましょう。準備が完璧になるのを待っていると学んだ内容が古くなり、年齢の面でも選択肢が狭まります。
未経験からIT企業に転職する進め方については、次の記事でも解説しています。ぜひ参考にしてください。

未経験でIT企業への転職を成功させるロードマップ!転職しやすい職種も紹介
6. AIエンジニアの求人に応募する
実務経験を積んだら、AIエンジニアの求人に応募します。求人はAIエンジニアのほかに、機械学習エンジニアやデータサイエンティストという職種名でも出ているので、仕事内容を読んで探しましょう。
面接では、作ったものと、その手法を選んだ理由をよく聞かれます。実務でデータをどう扱い、どんな課題を解いてきたかを具体的に話せるよう準備しておきましょう。

関口 樹
Sekiguchi Tatsuki
応募書類では、AIの学習内容よりも、今の仕事でデータやシステムを扱った経験を先に書くと評価されやすくなります。実務の中でPythonやSQLを使った場面があれば、具体的に書き出しておきましょう。
実務の経験とAIの学習をどう組み合わせて伝えるかは、自分だけでは判断しにくいものです。経験の伝え方に迷ったときに頼れるのが、エンジニア特化の転職エージェント「テックゴー」です。テックゴーには元エンジニア・ITコンサル出身のアドバイザーが多く、これまでの経験がAIの求人でどう評価されるかを一緒に整理できます。
元エンジニアのアドバイザーが対応
未経験者がAIエンジニアへの入口にしやすい4つの職種
未経験からAIエンジニアを目指すなら、まずはデータやシステムを扱う職種で実務経験を積むのが現実的です。入口にしやすい職種として、次の4つを紹介します。
| 職種 | AIの仕事に活きる経験 | 求人の平均年収 |
|---|---|---|
| データアナリスト | データの集計と分析 | 約719万円 |
| Webアプリケーション・バックエンドエンジニア | AIを組み込む開発 | 約827万円 |
| インフラ・クラウドエンジニア | AIを動かす基盤づくり | 約676万〜743万円 |
| QA・テストエンジニア | AIの品質の検証 | 約661万円 |
平均年収はテックゴーが保有する求人のデータで、経験者向けの求人も含みます。未経験で入社した直後の年収は、これより低くなる場合もあるでしょう。以下、それぞれの職種からAIの仕事にどう近づけるかを見ていきます。
データアナリスト
データアナリストは、企業のデータを集計・分析し、売上や顧客の動きから課題を見つける職種です。SQLやPythonでデータを扱う機会が多く、AIエンジニアに必要なデータ処理の力をそのまま磨けます。
分析を続けるうちに、予測モデルを作る業務に関わる機会も出てきます。社内でAIのプロジェクトが始まったときに、データを理解している人として声がかかりやすい立場です。
経験を積んだあとは、機械学習エンジニアやデータサイエンティストへ移る道が開けます。
データアナリストの求人情報
プロダクトマネージャー
想定年収
800~1,200万円
勤務地
東京都(港区浜松町)
業務内容
●本ポジションのミッション ・ユーザーが「これこそ求めていた」と実感できる明確な価値を提供するプロダクト設計 ・サービスを継続したくなるような新しい機能の設計 ・顧客フィードバックとデータに基づく継続的かつスピーディーな開発プロセス設計 ・市場の変化や新たなニーズに柔軟に対応し、製品を進化させ続ける体制構築 ●具体的な業務内容 ▼英語学習プロダクトのグロースリード ・プロダクトのロードマップ策定 ・開発項目の優先度決め ・ユーザーリサーチ ・機能要件、ワイヤーフレームの作成 ・社内デザイナーと共にUI/UXデザインの策定 ・カリキュラム/コンテンツ担当者とのコンテンツ方針策定 ・開発の進行、リリース管理 ・サービス運営におけるオペレーション設計 ●期待する成果 プロダクト開発の観点から英語学習事業やサブスク事業の非連続な成長を実現いただくことを期待します。 既存サービスだけでなく新規サービス開発も担っていただきたいと考えております。 <プロダクト/ 業務概要> ●提供プロダクト プログリットでは、英語学習を支援する複数のプロダクトを展開しています。 ・My PROGRIT(英語コーチング事業) 英語コーチングサービス「プログリット」受講生向けアプリです。学習管理とトレーニングを一体化し、学習計画から実践、記録、振り返りまでをシームレスに行えることが特徴です。 https://about.progrit.co.jp/news/20250901 ・シャドテン(シャドーイング学習サービス) 英語リスニング力を強化するためのアプリケーションです。英語のプロフェッショナルが毎日お客様のシャドーイングを添削します。 https://www.shadoten.com ・スピフル(スピーキング特化型学習アプリ) 口頭英作文と独り言英会話で、英語の瞬発力と表現の幅を広げるための英語学習アプリです。AI(LLM)を使った正誤判定機能が特徴です。 https://www.supiful.jp ・ディアトーク(英会話レッスンサービス) ビジネス特化型AI英会話アプリ。Speech-to-Speech LLMモデルを活用した、リアルに近い英会話体験が特徴です。 https://www.diatalk.com ・プロワーズ(英単語アプリ) プログリットが蓄積してきた英語コーチングのノウハウをもとに、「覚えた」で終わらず「瞬時に使える」レベルまで語彙を定着させる、ビジネスパーソン向け英単語アプリです。 https://prowords.progrit.co.jp ●体制 プロダクト戦略部プランニンググループ ・部長:ムガール(執行役員 CPO) ・PdM:5名
View More
IVT1/データアナリスト/データエンジニア ハイポテンシャル
想定年収
400~650万円
勤務地
東京都(港区)
業務内容
AI基盤・データ・クラウド環境を一気通貫で手掛ける開発業務をお願いしたいと考えております。 大手エンタープライズ企業のプロジェクトにて、データアナリスト/データエンジニアとして参画いただきます。データの抽出・加工・分析やモダンデータ基盤の構築・運用を通じて確かな 「データやAI実装の足腰」を磨いた後、最先端のAI領域へ専門性を拡張できるキャリアパス をご用意しています。 ●具体的な業務内容 データ基盤の構築・運用 : Snowflake、BigQuery等を活用したデータパイプラインおよび基盤の設計・構築 データ抽出・加工・可視化 : 案件に応じたデータの抽出・加工・分析、ダッシュボードの設計・構築 その他 AI開発(改修)等、AI開発の中でも比較的ハードルの低い案件をお任せす可能性有。 ●具体的実例(入社後のイメージ) 地味な「泥臭い1年」を抜けた先にしか、見えない景色を伝えさせて下さい。 ハイポテンシャルの皆様に率直にお伝えします。最初の1年は、データの抽出・加工・分析、ダッシュボード保守、基盤運用、AI実装(回収)といった「基礎固め」が中心です。決して華やかな仕事ばかりではありません。 しかし、この 「データや実装と真摯に向き合う1年」を抜けたメンバーが、今どんな挑戦をしているかをお伝えさせてください。 ①心理学専攻・未経験から、生成AI連携システムの実装主担当へ(入社2年目) 大学院で心理学を専攻していた実務未経験メンバーが、Next.js/FastAPIを活用した生成AIシステムを開発。日次バッチ処理を1.5時間から7分へ短縮し、実行コストも11,000円から900円へ(約92%削減)という劇的な成果を上げています。 ②異業種(製造業の生産技術)から、AIエージェントのPLへ AI未経験で入社後、現在は最先端の「AIエージェントのガードレール設計」をプロジェクトリーダー(PL)として牽引しています。 ③入社1年1ヶ月でサブリーダー、2年でPL。20代・30代で部長へ 年功序列は一切ありません。新卒入社から1年強でリーダー層へ駆け上がり、20代〜30代前半で事業部を率いる部長を務めるメンバーも複数在籍しています。 ●役割とプロジェクト推進体制 キャリア形成に寄り添う戦略的なプロジェクトアサインをAMBLでは行っております。 キャリアのご希望を上長が定期的にヒアリングし、一人ひとりの志向に合わせた案件を戦略的に獲得・提案する体制を整えています。 ・ミスマッチを防ぐ事前共有 内定段階で配属予定のプロジェクト概要をお伝えします。 ・計画的なスキルアップ 意図的なローテーション設計により、着実な成長を支援します。 課題定義からアプローチする上流フェーズへの参画をしております。 クライアントの事業ドメインを深く理解し、「AIでどのような課題を解決すべきか」という問いを定義する最上流から参画します。 ・技術的なリード 要件定義にとどまらず、技術選定やアーキテクチャ設計を主導する立場へキャリアを広げられます。 【具体的なプロジェクト例】 現在、事業部では以下のような最新テクノロジーを用いたプロジェクトが多数稼働しています。 ●データ・AIインフラ領域(モダンデータ・クラウド) Snowflake / dbt を用いたデータ基盤構築 大規模データの統合・加工・パイプラインの自動化 クラウドAI実行環境(AWS / Azure)の構築 Amazon Bedrock / Azure OpenAI Serviceを活用した安全・堅牢なシステム基盤の設計 ※その他 データ抽出・可視化・レポーティングのような微経験者向け案件もございます。 ● 生成AI・LLM領域(最先端エンジニアリング) グラフRAG(GraphRAG)/Advanced RAGの構築 複雑な企業ドメイン知識を構造化し、高精度な生成AI検索基盤を実装 AIエージェントの設計・実装 LangGraphやDify等を活用した自律型ワークフロー・AIエージェントの開発 LLM基盤のコスト・品質評価と改善設計 LLM出力の品質・精度の定量評価設計、およびContext Engineering等による運用コスト削減 ● 機械学習・高度アナリティクス領域 需要予測・異常予兆検知モデルの設計 統計解析・時系列分析・機械学習を用いたビジネス課題解決型モデルの構築
View More
DX推進業務(データ分析/利活用)
想定年収
550~1,100万円
勤務地
東京都(千代田区)
業務内容
<「DX&VX推進部」欠員によるメンバーの募集/正社員> DXという新しい領域で活躍いただだける方を募集します! MIRARTHホールディングスならびにグループ各社(規模:約1,500名)へ向けた情報システム部としての一般的な業務およびDX戦略~推進をお任せ致します。 その中でも特にデータ活用/分析/業務改善周りの業務を主軸として、お願いしたいと考えております。 【具体的には】 ●DX/IT施策検証(企画立案〜計画実施・検証報告まで) ●DX/IT施策における部門間調整 ●DX/IT関連ソリューションの調査、選定 ●DXソリューションの導入、グループ会社への展開導入・定着化 ●・ITシステムの導入、運用業務(インフラ・ネットワーク・セキュリティ・開発等)・社内教育 ※適性や希望を考慮し、できる範囲からお任せしていきます。 【部署の特徴】 メンバー構成:男性6名、女性5名 年齢:20代半ば〜40代 落ち着いた性格の社員が多いです。 効率よく仕事を進めており、ワークライフバランスの改善も叶えられる環境です!
View More
【M_74】_HG_※管理職※【名古屋勤務】SDV開発における全社品質標準化・プロセス改善推進
想定年収
1,210~1,910万円
勤務地
愛知県(名古屋市)
業務内容
【ミッション】 新設された全社横断の品質改革組織において管理職として、以下のテーマをリードしていただきます。 【業務内容】 1.品質可視化要件の構築と運用及び品質データ活用による改善サイクルの確立 ソフトウェア開発の総量や生産性、品質状況をリアルタイムで「見える化」するためのデータ基盤を構築し、データ駆動型の改善サイクルを回します。 ●開発品質データの要件定義 蓄積すべき品質データの検討および品質メトリクスの抽出・定義 開発状況をリアルタイムに把握し、リスクを早期検知するためのデータ可視化環境の構築 ●開発品質データの構築と運用 定義したメトリクスに基づき、各開発現場から効率的に品質データを抽出・自動収集する仕組みの検討 開発状況や不具合収束性をいつでも俯瞰・把握できるダッシュボードの構築と、日常的な運用の確立 2.開発状況アラート判定基準と運用 プロジェクトの遅延や、重大な品質低下をイベント前に早期検知するためのガバナンス体制を構築します ●開発品質における不具合基準の要件定義 開発の途中で「開発状況の是非」をリアルタイムに定量判断するためのアラート閾値の策定 ●上記基準の実行と運用 策定した基準に基づき、開発状況のモニタリングを実行 リスクや異常を検知した際、開発現場へのタイムリーなフィードバックや、マネジメント層への迅速なエスカレーションフローの運用 3.バグ状況可視化方法の標準化 事業領域や開発チームごとにバラつきがある不具合管理を統一し、全社的なソフトウェア品質の横串管理を実現します ●ソフトウェア用の不具合管理方法における要件定義 不具合の定義、ステータス遷移(起票からクローズまで)、深刻度の全社統一ルール策定 ●不具合JIRAルールの標準化構築と運用 Jira等のツールにおいて、放置されがちなバグを無くすためのワークフロー設計および入力ルールの標準化 現場が迷わず正しく入力・管理するための、Jira標準化ルールのマニュアル整備と運用定着 4.ソフトウェア品質の浸透・定着活動 ●各開発組織に対する品質基準等の展開 SDVの各開発組織に設置される窓口担当者と密に連携し、策定した各種品質基準やプロセス、Jiraルール等を能動的に展開・導入 四輪開発センターの品質組織とも連携し、将来的には独立した立場から品質を担保する「第三者評価・品質監査」の仕組みづくりの推進 ●品質意識向上に向けた取り組み 市場で発生した不具合要因の分析結果や再発防止策を、SDV全体の開発プロセス・環境へ横串でフィードバック・共有 勉強会の開催や成功事例の共有を通じ、開発者一人ひとりのソフトウェア品質に対する意識向上と文化の醸成 ※専門性や適性、会社ニーズなどを踏まえ、会社が定める業務への配置転換を命じる場合があります 【職場環境・風土】 Hondaは三つの喜び(買う喜び、売る喜び、創る喜び)を基本理念に、創業より数々の製品を生みだしてきました。役員から新入社員まで、あらゆる人材が自由な発想で、夢や理想を徹底的に追求する風土が根付いており、学歴や年齢に関係なく誰もがフラットに活躍できる職場環境です。積極的に仕事に向き合い、推進する力のある従業員には、入社直後であっても大きな仕事が任されます。「こんなクルマが作りたい!」と自ら手を挙げてプロジェクトを立ち上げるような気概を持った方に、是非仲間に入っていただきたいと思います。
View More
【M_73】_HG_※管理職※【東京勤務】SDV開発における全社品質標準化・プロセス改善推進
想定年収
1,210~1,910万円
勤務地
東京都(港区)
業務内容
【ミッション】 新設された全社横断の品質改革組織において管理職として、以下のテーマをリードしていただきます。 【業務内容】 1.品質可視化要件の構築と運用及び品質データ活用による改善サイクルの確立 ソフトウェア開発の総量や生産性、品質状況をリアルタイムで「見える化」するためのデータ基盤を構築し、データ駆動型の改善サイクルを回します。 ●開発品質データの要件定義 蓄積すべき品質データの検討および品質メトリクスの抽出・定義 開発状況をリアルタイムに把握し、リスクを早期検知するためのデータ可視化環境の構築 ●開発品質データの構築と運用 定義したメトリクスに基づき、各開発現場から効率的に品質データを抽出・自動収集する仕組みの検討 開発状況や不具合収束性をいつでも俯瞰・把握できるダッシュボードの構築と、日常的な運用の確立 2.開発状況アラート判定基準と運用 プロジェクトの遅延や、重大な品質低下をイベント前に早期検知するためのガバナンス体制を構築します ●開発品質における不具合基準の要件定義 開発の途中で「開発状況の是非」をリアルタイムに定量判断するためのアラート閾値の策定 ●上記基準の実行と運用 策定した基準に基づき、開発状況のモニタリングを実行 リスクや異常を検知した際、開発現場へのタイムリーなフィードバックや、マネジメント層への迅速なエスカレーションフローの運用 3.バグ状況可視化方法の標準化 事業領域や開発チームごとにバラつきがある不具合管理を統一し、全社的なソフトウェア品質の横串管理を実現します ●ソフトウェア用の不具合管理方法における要件定義 不具合の定義、ステータス遷移(起票からクローズまで)、深刻度の全社統一ルール策定 ●不具合JIRAルールの標準化構築と運用 Jira等のツールにおいて、放置されがちなバグを無くすためのワークフロー設計および入力ルールの標準化 現場が迷わず正しく入力・管理するための、Jira標準化ルールのマニュアル整備と運用定着 4.ソフトウェア品質の浸透・定着活動 ●各開発組織に対する品質基準等の展開 SDVの各開発組織に設置される窓口担当者と密に連携し、策定した各種品質基準やプロセス、Jiraルール等を能動的に展開・導入 四輪開発センターの品質組織とも連携し、将来的には独立した立場から品質を担保する「第三者評価・品質監査」の仕組みづくりの推進 ●品質意識向上に向けた取り組み 市場で発生した不具合要因の分析結果や再発防止策を、SDV全体の開発プロセス・環境へ横串でフィードバック・共有 勉強会の開催や成功事例の共有を通じ、開発者一人ひとりのソフトウェア品質に対する意識向上と文化の醸成 ※専門性や適性、会社ニーズなどを踏まえ、会社が定める業務への配置転換を命じる場合があります 【職場環境・風土】 Hondaは三つの喜び(買う喜び、売る喜び、創る喜び)を基本理念に、創業より数々の製品を生みだしてきました。役員から新入社員まで、あらゆる人材が自由な発想で、夢や理想を徹底的に追求する風土が根付いており、学歴や年齢に関係なく誰もがフラットに活躍できる職場環境です。積極的に仕事に向き合い、推進する力のある従業員には、入社直後であっても大きな仕事が任されます。「こんなクルマが作りたい!」と自ら手を挙げてプロジェクトを立ち上げるような気概を持った方に、是非仲間に入っていただきたいと思います。
View More
Webアプリケーション・バックエンドエンジニア
Webアプリケーション・バックエンドエンジニアは、Webサービスの裏側でデータの処理やシステムの動きを作る職種です。未経験から応募できる求人もあり、開発の実務経験を積む入口として選ばれやすい仕事です。
AIをサービスに組み込む仕事では、APIやデータベース、クラウドの知識が欠かせません。バックエンドの開発で身につくスキルは、AIを使える形にする実装の仕事にそのまま活かせます。
自社のサービスにAIの機能を加える開発に手を挙げると、AIの実務経験につなげやすくなるでしょう。
バックエンドエンジニアを目指す学習の進め方については、次の記事でも解説しています。ぜひ参考にしてください。

バックエンドエンジニアのロードマップ完全版|未経験から中堅までの学習ステップと転職戦略
バックエンドエンジニア(サーバーサイドエンジニア)の求人情報
Forward Deployed Engineer, Automotive
想定年収
1,200~2,500万円
勤務地
東京都(台東区)
業務内容
●職種概要 Forward Deployed Engineer(FDE)は、自動車業界のお客様に対し、技術的な専門家として最も近い立場で伴走し、技術面からビジネス成果の創出を担うポジションです。 お客様の業務課題やシステム環境、部門間の関係を理解したうえで、事業課題の整理や上流の設計、戦略的な構想の検討から入り、キャディのプロダクト群を活用したソリューションを設計・実装します。要望を受けて作るのではなく、案件の進め方や提供範囲まで設計していきます。プリセールス段階での技術検証(PoC)から、導入プロジェクトの実行、導入後の活用支援、他部門や他拠点への展開提案まで、お客様との取り組み全体に関わります。 また、現場で得たニーズや課題をプロダクト開発チームにフィードバックし、プロダクトの進化に貢献します。 ●期待する役割 自動車業界の大手企業では、導入の起点が1つの部門であっても、成果を出すためには設計、調達、生産技術、生産、品質へとデータの活用範囲を広げ、さらに国内外の子会社やサプライヤーとの情報連携まで視野に入れる必要があります。FDEには、担当するお客様の案件で技術面の中心を担い、営業担当、プロダクト開発チーム、機械学習の専門メンバーなどと連携しながら、こうした展開を実現していくことを期待しています。 具体的には、各部門の業務とデータの関係を整理したうえで、「製造業AIデータプラットフォームCADDi」の上にソリューションを構築します。API連携、データ移行、カスタマイズ開発を含めて設計・実装し、お客様のデータに合わせたセマンティクスの設定も担います。導入効果を定量的に示せる状態をつくっていただきます。お客様の部門責任者や現場の担当者、情報システム部門など、立場の異なる関係者と技術的な調整を行う場面も多くあります。 お客様ごとに、セキュリティ要件やシステム環境などの制約が異なる中、プロダクトの標準機能をそのまま提供できるとは限りません。その中で、お客様のニーズに合わせて提供する機能の優先度を調整し、価値を実感いただける形をつくっていきます。お客様との調整と技術的な限界の両方を理解したうえで、全体をコントロールすることが期待される役割です。 自動車領域におけるFDEの取り組みは立ち上げの段階にあります。担当案件で得た進め方やデータ設計、ツールをチーム内で共有し、ほかの案件でも再利用できる形に整える取り組みにも参加いただきます。 ●想定される業務例 (以下に限定されるものではありません) ・営業担当(AE)と連携した技術提案、デモンストレーション、PoCの設計・実行(例:設計部門の図面・BOMデータを用いた類似部品検索や流用設計の検証) ・工程設計から量産立ち上げまでの情報連携を対象とした、生産準備リードタイム短縮に向けたデータ連携の設計・実装 ・設計、調達、生産技術、生産、品質など複数部門へのヒアリングと、業務フロー・データ構造の整理、ソリューションのアーキテクチャ設計 ・PLM、ERP、文書管理システムなど既存システムとのAPI連携、データ移行、データ変換スクリプトの開発 ・導入効果(ROI)の試算・検証に必要なデータ分析と、経営層・部門責任者向けの報告支援 ・お客様の情報システム部門とのセキュリティ審査対応、システム構成に関する技術調整 ・社内の法務・営業と連携した、知的財産や契約条件を踏まえた提供範囲とシステム構成の設計(オンプレミス環境に持ち込む資産の扱いを含む) ・導入後の技術サポート、トラブルシューティング、パフォーマンスチューニング、活用範囲の拡大に向けた技術提案(他部門・他拠点・海外関連会社への展開を含む) ・自動車業界の案件で得た要件をプロダクト開発チームへ連携し、業界向け新規プロダクトの要件定義や、業界共通の機能・テンプレートの整備に貢献 ●開発環境 フロントエンド:TypeScript,React,Next.js バックエンド:Rust(axum),TypeScript,Node.js(Express,Fastify,NestJS) 機械学習・アルゴリズム:Rust,Python,OpenCV,PyTorch,TorchServe,Elasticsearch,Vertex AI インフラ:Google Cloud,Google Kubernetes Engine,Anthos Service Mesh,Istio,Cloudflare,Argo Workflows Event Bus:Cloud Pub/Sub DevOps:GitHub,GitHub Actions,ArgoCD,Kustomize,Helm,Terraform,Datadog,MixPanel,Sentry Data:CloudSQL(PostgreSQL),AlloyDB,BigQuery,dbt,trocco API:GraphQL,REST,gRPC 認証: Auth0 開発ツール:GitHub Copilot,Figma,Storybook コミュニケーションツール:Slack,Discord,JIRA,Miro,Confluence
View More
バックエンドエンジニア(Akerun_ミドル)
想定年収
500~800万円
勤務地
東京都(港区芝5-29-11 G-BASE田町)
業務内容
「Akerun入退室管理システム」を開発・提供しています。Akerunは単なるスマートロックにとどまらず、入退室管理、勤怠管理、セキュリティ連携など、多様な機能をSaaSとして展開しています。 バックエンドエンジニアは、そのプロダクトの中核を担うポジションです。新機能開発や既存機能の改修を中心に、設計・開発・運用まで、SaaS開発の全フェーズに携われます。業務は下記3つの領域に分かれていて、ご自身の得意領域を軸に取り組んでいただけます。 ①Akerun Webプラットフォームの設計・開発・運用 ・新機能の企画・設計・開発:企画段階から参加し、要件定義、アーキテクチャ設計、実装、テストまでを担当します(例: 新しい認証機能の追加、他システムとの連携機能の開発)。 ・既存機能の改善・改修:ユーザーの声や市場の変化を受け、パフォーマンス、保守性、セキュリティを向上させます。 ・EOL対応:ライブラリやフレームワークのバージョンアップ、代替技術への移行を計画・実行し、システムの安定性と安全性を守ります。 ・保守運用と改善施策:監視、アラート・障害対応、根本原因分析に加え、ログ分析を通じて潜在的な課題を見つけ、継続的に改善します。 ⇒企画から運用まで、プロダクトの成長に一貫して関わります。 ②スケーラビリティとパフォーマンスの最適化 ・アーキテクチャの継続的な見直し:データ量の増加に対応するため、拡張性を確保する改善策を提案・実行します。 ・データベースの最適化:シャーディング、レプリケーション、インデックス最適化、クエリチューニングなどに取り組みます。 ・パフォーマンスチューニング:ボトルネックを特定して解消します(キャッシュ戦略の見直し、非同期処理の導入、コードレベルの最適化など)。 ⇒サービス成長を支える、技術的にやりがいのある領域です。 ③公開APIの高度化とマネタイズ支援 ・APIの保守運用と改善:パートナーや開発者向け公開APIの安定稼働を維持し、利用状況の監視やトラブルシューティングを行います。 ・サービサー経由のUX改善:パートナーや提供事業者のフィードバックをもとに、使いやすさと提供価値を高めます。 ・利用量管理と従量課金化:利用状況を正確に把握する仕組みを構築し、将来的には従量課金モデルの導入にも関わっていただきます。 ⇒プロダクトの価値を外部に広げ、事業の収益にも貢献できる領域です。 ●開発環境 言語・FW:Ruby on Rails, Go, React, Vue.js 環境:Docker クラウド:AWS, GCP DB:MySQL(Amazon Aurora) CI/CD:AWS CodePipeline, AWS CodeBuild, CircleCI, GitHub Actions, Jenkins IaC:Terraform, AWS CloudFormation ツール:Google Workspace, Slack, JIRA, GitHub, Figma
View More
◆バックエンドエンジニア◆Java/Python/Go経験歓迎!最前線の技術で価値を発揮するスペシャリスト【東京】
想定年収
500~1,000万円
勤務地
東京都(港区)
業務内容
●モダン技術を活用したプロジェクトに挑戦。 クラウドネイティブ開発やコンテナ技術を活用した案件など、高度な技術力が求められるプロジェクトにも参画可能です。 技術選定支援やアーキテクチャ設計に携わる機会もあり、専門性をさらに高めることができます。 ※実際の参画案件はスキルや経験に応じて決定します。 ≪プロジェクト事例≫ 【Web開発/Azure】 大手通信業界向け オンラインショップの要件定義〜開発(Spring Boot / Postgresql / Azure) 【AI活用/AWS】 AI(Claude等)を活用した次世代基盤リプレイス(Vue.js 3 / Java / ECS) 【フルスタック/AWS】 大手サービス業界向け React / Spring Bootを用いた基盤システムのモダン化開発 【テックリード】 自社EC×店舗基盤のモダナイゼーション。事業戦略に沿った技術選定とJavaからRubyへの移行を牽引 【Go/決済】 金融業界向け 高可用性が求められる決済システムのマイクロサービス開発 【Node.js/DX】 DXデータ基盤の整備・開発における、Lambdaを活用したサーバーレスAPI実装 ●クラウド×コンテナ×モダン開発環境。 Backend Java Python Go TypeScript Framework Spring Boot Django React Next.js Cloud AWS Azure Google Cloud Platform Docker Kubernetes Terraform DevOps GitHub Actions Argo CD Database PostgreSQL MySQL クラウドネイティブ、コンテナ、IaCなどのモダン技術を活用したプロジェクトにも携わることができ、技術者として専門性を高め続けられる環境です。
View More
◆バックエンドエンジニア◆Java/Python/Go経験歓迎!最前線の技術で価値を発揮するスペシャリスト【大阪】
想定年収
500~1,000万円
勤務地
大阪府(大阪市)
業務内容
●モダン技術を活用したプロジェクトに挑戦。 クラウドネイティブ開発やコンテナ技術を活用した案件など、高度な技術力が求められるプロジェクトにも参画可能です。 技術選定支援やアーキテクチャ設計に携わる機会もあり、専門性をさらに高めることができます。 ※実際の参画案件はスキルや経験に応じて決定します。 ≪プロジェクト事例≫ 【Web開発/Azure】 大手通信業界向け オンラインショップの要件定義〜開発(Spring Boot / Postgresql / Azure) 【AI活用/AWS】 AI(Claude等)を活用した次世代基盤リプレイス(Vue.js 3 / Java / ECS) 【フルスタック/AWS】 大手サービス業界向け React / Spring Bootを用いた基盤システムのモダン化開発 【テックリード】 自社EC×店舗基盤のモダナイゼーション。事業戦略に沿った技術選定とJavaからRubyへの移行を牽引 【Go/決済】 金融業界向け 高可用性が求められる決済システムのマイクロサービス開発 【Node.js/DX】 DXデータ基盤の整備・開発における、Lambdaを活用したサーバーレスAPI実装 ●クラウド×コンテナ×モダン開発環境。 Backend Java Python Go TypeScript Framework Spring Boot Django React Next.js Cloud AWS Azure Google Cloud Platform Docker Kubernetes Terraform DevOps GitHub Actions Argo CD Database PostgreSQL MySQL クラウドネイティブ、コンテナ、IaCなどのモダン技術を活用したプロジェクトにも携わることができ、技術者として専門性を高め続けられる環境です。
View More
◆バックエンドエンジニア◆基本設計経験者歓迎!顧客課題を解決する上流エンジニアへ【東京】
想定年収
550~750万円
勤務地
東京都(港区)
業務内容
●技術力でプロジェクトを牽引する存在へ。 基本設計や要件定義などの上流工程に携わりながら、技術的な意思決定や課題解決をリードしていただきます。 開発だけでなく、顧客との要件整理やチームへの技術支援など、プロジェクト成功の中心的な役割を担うポジションです。 ●経験を活かし、より大きな価値を生み出すエンジニアへ。 業務システム開発から大規模Webサービス開発、クラウドネイティブ案件まで、幅広いプロジェクトをご用意しています。 要件定義からリリースまで一貫して携わる案件も多く、エンジニアとして培ってきた経験や技術力を存分に発揮できる環境です。 ≪プロジェクト事例≫ 【Web開発/Azure】 大手通信業界向け オンラインショップの要件定義〜開発(Spring Boot / Postgresql / Azure) 【AI活用/AWS】 AI(Claude等)を活用した次世代基盤リプレイス(Vue.js 3 / Java / ECS) 【フルスタック/AWS】 大手サービス業界向け React / Spring Bootを用いた基盤システムのモダン化開発 【テックリード】 自社EC×店舗基盤のモダナイゼーション。事業戦略に沿った技術選定とJavaからRubyへの移行を牽引 【Go/決済】 金融業界向け 高可用性が求められる決済システムのマイクロサービス開発 【Node.js/DX】 DXデータ基盤の整備・開発における、Lambdaを活用したサーバーレスAPI実装 ●モダン技術を活用し、市場価値を高め続ける。 Backend Java/Python/Go Frontend TypeScript/React/Next.js Cloud AWS/Azure/Google Cloud Platform Docker/Kubernetes/Terraform DevOps GitHub Actions/Argo CD Database PostgreSQL/MySQL クラウドネイティブ、コンテナ、IaCなどのモダン技術を活用したプロジェクトにも参画可能。技術力を磨き続けながら、市場価値の高いエンジニアとして成長できる環境です。
View More
インフラ・クラウドエンジニア
インフラ・クラウドエンジニアは、サーバーやクラウドの環境を設計・構築し、システムが止まらないよう運用する職種です。運用や監視の仕事からはじめられる求人が多く、未経験からでも入りやすい職種のひとつです。
AIを動かすには、大量の計算に耐えられる環境が欠かせません。AWSなどのクラウドはAIの開発や運用の基盤としても使われるため、クラウドの経験は、AIの運用を担うMLOpsの仕事につながります。
インフラの経験を積みながらPythonと機械学習を学び、AIの基盤を整えるポジションを狙う道も選べます。
インフラエンジニアの求人情報
インフラエンジニア
想定年収
700~900万円
勤務地
東京都(港区)
業務内容
・AWS環境(EC2・ECS・RDS等)の構築・運用・保守 ・アラーム対応、障害調査(切り分けから解決まで) ・お問い合わせ対応(社内外からの依頼・相談を拾い、解決まで対応) ・既存インフラ構成の設定変更・改修(権限設定、ネットワーク設定など) ・要件ヒアリングに基づく改善提案 ・複数プロジェクトの並行対応 ・社内システムの運用管理(アカウント管理、社内ツール対応など) ●開発環境 ・インフラ:AWS, (GCP) ・コンテナ:Docker, Kubernetes ・IaC:Terraform ・CI/CD:GitLab CI/CD ・監視ツール:CloudWatch ・その他:GitLab, Slack, Backlog、Teams ●活かせる知識・経験 ・ミッションクリティカルなシステムの運用経験 ・開発チームと連携し、DevOps文化を推進した経験 ・社内情報システム/IT管理者としての実務経験
View More
【金融】クラウドエンジニア_バンキング・クレジット領域におけるクラウド活用推進・構築リーダー<1480>
想定年収
700~1,100万円
勤務地
東京都
業務内容
て、基盤方針の策定から各プロジェクトの実行リードまでを担っていただきます。 ① 複数システムのクラウドシフト方針策定・横断リード ・顧客システム(中小規模システム中心)のクラウドリフト/クラウドシフト方針の策定 ・複数プロジェクトを横断した基盤設計方針・標準の整備 ・将来的なPaaS/SaaS活用やクラウドネイティブ化を見据えたアーキテクチャ・設計方針の策定 ・各プロジェクトにおける基盤設計レビューおよび技術リード ② クラウドリフト/クラウドシフト案件におけるPL/PM業務(方針策定、要件定義、設計、試験、移行) ※案件リーダ/サブリーダを想定 ・クラウド基盤領域におけるプロジェクトのリード/マネジメント ・クラウドアーキテクチャの検討・設計 ・進捗/品質/コストの管理 ・顧客折衝およびステークホルダー調整(組織内関係者、社内専門組織、外部ベンダーなど) ③ 生成AIなど新技術活用による開発・運用の効率化・高度化の推進・実行 ・開発業務への生成AI活用および各プロジェクトへの横展開 ・障害対応の高度化に向けたAI活用検討および推進 など。 ●組織情報 我々金融グローバルITサービス事業部は、SMBCグループ各社に深く入り込み、これまで基幹系・周辺系システムの開発・運用で培ってきた業務理解と顧客接点を活かしながら、AI・クラウドによる新たな価値創出を推進しています。その中でAI&クラウドビジネス統括部は、2026年7月1日に新たに発足した、金融GITS事業部におけるAI・クラウド領域の競争力強化を担う統括部です。 (年間売上規模(事業部全体):FY25実績:280億弱、FY26目標:330億強)
View More
クラウドプラットフォームアーキテクト/主任/東京勤務【D346】
想定年収
694~1,000万円
勤務地
東京都(港区)
業務内容
デジタル推進統括本部 クロスドメインプラットフォーム本部 クラウド管理部にて、クラウド環境の最適化、マルチクラウドソリューションの企画・実行をお任せします。 <具体的な業務内容> ①クラウド環境のプラットフォーム最適化(要件定義・設計・構築・運用・テスト) ・既存IaaS・PaaS環境からのクラウドネイティブ化対応 ・サーバーレス/コンテナ/マイクロサービスなどを活用したクラウドネイティブ技術の実装 ②マルチクラウドソリューションの企画・推進 ・AWS/Azure等の強みを活かしたプラットフォーム設計と活用戦略立案 ・グローバル拠点を含めた導入展開・標準化・セキュリティ施策の推進 ③クラウド環境上の生成AI環境構築 ・企業プラットフォームからMCP等を活用したLLM連携の構築・活用検証 ・トラストモデルの検証 ・技術強化部門へPoC環境提供 ④プロジェクト運営 ・グローバルプロジェクトのPM/PL/PMO等の各役割に応じたリード ・プロジェクト進捗管理、課題管理、コスト管理、リスク管理、ステークホルダ管理 等 ・プロジェクト会議アレンジ、ファシリーテート、資料作成 等 <現状推進しているプロジェクト> ・マルチクラウド間データ連携基盤の構築 ・クラウド基盤エンタープライズアーキテクチャのグランドデザイン、標準化 <対象クラウドについて> 日立ハイテクグループを対象にしたクラウド基盤、もしくは日立グループを対象にしたクラウド基盤となります。 ボリュームとしては日立ハイテクグループを対象にしたクラウド基盤が多くを占めており、こちらの基盤構築・管理がメインとなります。 日立グループ全体を対象にしたクラウドを使用する場合は、日立製作所や他グループ会社とも連携をとりながら業務を進めていくため、大規模なプロジェクトの推進経験をすることができ、与えるインパクトが大きくやりがいを感じることができます。 ※業務の変更範囲※ 会社の定める業務
View More
Senior Software Engineer, オープンポジション
想定年収
900~1,500万円
勤務地
東京都(台東区)
業務内容
●担当領域 製造業AIデータプラットフォームCADDiは、下層から順に「Data Layer」「Semantic Layer」「Discovery & Agent」「Workflow Products」の4層を垂直統合した構造になっています。Data Layerは、製造業のバリューチェーン上に散在するデータを取り込みます。Semantic Layerは、それらに意味と関連性を与えます。Discovery & Agent層では、CADDi ExplorerとCADDi Agentがそのデータを使い、人とAIの探索・判断・実行を支えます。Workflow Productsは、企画・要求から設計、調達、生産準備・生産、設備設計・保全、品質保証に至るバリューチェーンの各工程に入り込む、業務特化型のプロダクト群です。 本ポジションは、特定のレイヤー・プロダクトに配属を限定しない募集です。入社後の配属は、技術や専門知識、経験、ご志向等を考慮のうえ決定します。また、各レイヤー・プロダクトを横断して開発組織を支える専門領域での募集も行っています。以下のような領域の専門性をお持ちの方も、本ポジションでご応募ください。 ・QA(テスト戦略の設計、テスト自動化、品質保証プロセスの構築) ・SRE・インフラ(クラウド・Kubernetes基盤の設計・運用、信頼性や可観測性の向上) ・認証認可(IdP連携、SSO、権限管理基盤の設計・開発) 配属は、専門性とご志向を踏まえて決定します。 ●期待する役割 配属先のチームにおいて、プロダクトの設計・開発・運用を中心となって担っていただきます。あわせて、チームの技術的な意思決定や設計レビューをリードしていただきます。 将来的には、担当領域全体のアーキテクチャ設計と技術的意思決定をリードするStaff Software Engineerの役割を担っていただくことを期待しています。 ●想定される業務例 (以下に限定されるものではありません) 担当プロダクトの機能・システムの設計、実装、テスト、運用 技術選定・技術検証と、チーム内の設計レビュー 技術的負債の解消やアーキテクチャ改善の提案・推進 PdMやデザイナー、他チームと連携した中規模開発のリード ドキュメントやCI/CDの整備 QA・SRE・インフラ・認証認可などの専門領域における、プロダクト横断の仕組みの設計・構築・運用 ●開発環境 フロントエンド:TypeScript,React,Next.js バックエンド:Rust(axum),TypeScript,Node.js(Express,Fastify,NestJS) 機械学習・アルゴリズム:Rust,Python,OpenCV,PyTorch,TorchServe,Elasticsearch,Vertex AI インフラ:Google Cloud,Google Kubernetes Engine,Anthos Service Mesh,Istio,Cloudflare,Argo Workflows Event Bus:Cloud Pub/Sub DevOps:GitHub,GitHub Actions,ArgoCD,Kustomize,Helm,Terraform,Datadog,Mixpanel,Sentry Data:CloudSQL(PostgreSQL),AlloyDB,BigQuery,dbt,trocco API:GraphQL,REST,gRPC 認証:Auth0 開発ツール:GitHub Copilot,Figma,Storybook コミュニケーションツール:Slack,Discord,JIRA,Miro,Confluence
View More
Forward Deployed Engineer, Automotive
想定年収
1,200~2,500万円
勤務地
東京都(台東区)
業務内容
●職種概要 Forward Deployed Engineer(FDE)は、自動車業界のお客様に対し、技術的な専門家として最も近い立場で伴走し、技術面からビジネス成果の創出を担うポジションです。 お客様の業務課題やシステム環境、部門間の関係を理解したうえで、事業課題の整理や上流の設計、戦略的な構想の検討から入り、キャディのプロダクト群を活用したソリューションを設計・実装します。要望を受けて作るのではなく、案件の進め方や提供範囲まで設計していきます。プリセールス段階での技術検証(PoC)から、導入プロジェクトの実行、導入後の活用支援、他部門や他拠点への展開提案まで、お客様との取り組み全体に関わります。 また、現場で得たニーズや課題をプロダクト開発チームにフィードバックし、プロダクトの進化に貢献します。 ●期待する役割 自動車業界の大手企業では、導入の起点が1つの部門であっても、成果を出すためには設計、調達、生産技術、生産、品質へとデータの活用範囲を広げ、さらに国内外の子会社やサプライヤーとの情報連携まで視野に入れる必要があります。FDEには、担当するお客様の案件で技術面の中心を担い、営業担当、プロダクト開発チーム、機械学習の専門メンバーなどと連携しながら、こうした展開を実現していくことを期待しています。 具体的には、各部門の業務とデータの関係を整理したうえで、「製造業AIデータプラットフォームCADDi」の上にソリューションを構築します。API連携、データ移行、カスタマイズ開発を含めて設計・実装し、お客様のデータに合わせたセマンティクスの設定も担います。導入効果を定量的に示せる状態をつくっていただきます。お客様の部門責任者や現場の担当者、情報システム部門など、立場の異なる関係者と技術的な調整を行う場面も多くあります。 お客様ごとに、セキュリティ要件やシステム環境などの制約が異なる中、プロダクトの標準機能をそのまま提供できるとは限りません。その中で、お客様のニーズに合わせて提供する機能の優先度を調整し、価値を実感いただける形をつくっていきます。お客様との調整と技術的な限界の両方を理解したうえで、全体をコントロールすることが期待される役割です。 自動車領域におけるFDEの取り組みは立ち上げの段階にあります。担当案件で得た進め方やデータ設計、ツールをチーム内で共有し、ほかの案件でも再利用できる形に整える取り組みにも参加いただきます。 ●想定される業務例 (以下に限定されるものではありません) ・営業担当(AE)と連携した技術提案、デモンストレーション、PoCの設計・実行(例:設計部門の図面・BOMデータを用いた類似部品検索や流用設計の検証) ・工程設計から量産立ち上げまでの情報連携を対象とした、生産準備リードタイム短縮に向けたデータ連携の設計・実装 ・設計、調達、生産技術、生産、品質など複数部門へのヒアリングと、業務フロー・データ構造の整理、ソリューションのアーキテクチャ設計 ・PLM、ERP、文書管理システムなど既存システムとのAPI連携、データ移行、データ変換スクリプトの開発 ・導入効果(ROI)の試算・検証に必要なデータ分析と、経営層・部門責任者向けの報告支援 ・お客様の情報システム部門とのセキュリティ審査対応、システム構成に関する技術調整 ・社内の法務・営業と連携した、知的財産や契約条件を踏まえた提供範囲とシステム構成の設計(オンプレミス環境に持ち込む資産の扱いを含む) ・導入後の技術サポート、トラブルシューティング、パフォーマンスチューニング、活用範囲の拡大に向けた技術提案(他部門・他拠点・海外関連会社への展開を含む) ・自動車業界の案件で得た要件をプロダクト開発チームへ連携し、業界向け新規プロダクトの要件定義や、業界共通の機能・テンプレートの整備に貢献 ●開発環境 フロントエンド:TypeScript,React,Next.js バックエンド:Rust(axum),TypeScript,Node.js(Express,Fastify,NestJS) 機械学習・アルゴリズム:Rust,Python,OpenCV,PyTorch,TorchServe,Elasticsearch,Vertex AI インフラ:Google Cloud,Google Kubernetes Engine,Anthos Service Mesh,Istio,Cloudflare,Argo Workflows Event Bus:Cloud Pub/Sub DevOps:GitHub,GitHub Actions,ArgoCD,Kustomize,Helm,Terraform,Datadog,MixPanel,Sentry Data:CloudSQL(PostgreSQL),AlloyDB,BigQuery,dbt,trocco API:GraphQL,REST,gRPC 認証: Auth0 開発ツール:GitHub Copilot,Figma,Storybook コミュニケーションツール:Slack,Discord,JIRA,Miro,Confluence
View More
QA・テストエンジニア
QA・テストエンジニアは、システムやサービスが仕様どおりに動くかを確かめ、品質を守る職種です。テストの手順を設計し、不具合を見つけて開発者に伝えるのが主な仕事です。
AIは、同じ種類のデータでも結果が想定とずれることがあるため、精度や安全性を検証する仕事の重要性が高まっています。品質を評価する経験は、AIの結果が正しいかを確かめる力に活かせます。
テストの自動化でPythonを使う現場も多く、学んだスキルを使いながら開発の仕事に近づける職種です。
テストエンジニアの仕事内容とキャリアパスについては、次の記事でも解説しています。ぜひ参考にしてください。

テストエンジニアとは?仕事内容・年収・将来性・キャリアパスや向いている人を解説
QAエンジニア・テストエンジニア(テスター)の求人情報
Senior Software Engineer, オープンポジション
想定年収
900~1,500万円
勤務地
東京都(台東区)
業務内容
●担当領域 製造業AIデータプラットフォームCADDiは、下層から順に「Data Layer」「Semantic Layer」「Discovery & Agent」「Workflow Products」の4層を垂直統合した構造になっています。Data Layerは、製造業のバリューチェーン上に散在するデータを取り込みます。Semantic Layerは、それらに意味と関連性を与えます。Discovery & Agent層では、CADDi ExplorerとCADDi Agentがそのデータを使い、人とAIの探索・判断・実行を支えます。Workflow Productsは、企画・要求から設計、調達、生産準備・生産、設備設計・保全、品質保証に至るバリューチェーンの各工程に入り込む、業務特化型のプロダクト群です。 本ポジションは、特定のレイヤー・プロダクトに配属を限定しない募集です。入社後の配属は、技術や専門知識、経験、ご志向等を考慮のうえ決定します。また、各レイヤー・プロダクトを横断して開発組織を支える専門領域での募集も行っています。以下のような領域の専門性をお持ちの方も、本ポジションでご応募ください。 ・QA(テスト戦略の設計、テスト自動化、品質保証プロセスの構築) ・SRE・インフラ(クラウド・Kubernetes基盤の設計・運用、信頼性や可観測性の向上) ・認証認可(IdP連携、SSO、権限管理基盤の設計・開発) 配属は、専門性とご志向を踏まえて決定します。 ●期待する役割 配属先のチームにおいて、プロダクトの設計・開発・運用を中心となって担っていただきます。あわせて、チームの技術的な意思決定や設計レビューをリードしていただきます。 将来的には、担当領域全体のアーキテクチャ設計と技術的意思決定をリードするStaff Software Engineerの役割を担っていただくことを期待しています。 ●想定される業務例 (以下に限定されるものではありません) 担当プロダクトの機能・システムの設計、実装、テスト、運用 技術選定・技術検証と、チーム内の設計レビュー 技術的負債の解消やアーキテクチャ改善の提案・推進 PdMやデザイナー、他チームと連携した中規模開発のリード ドキュメントやCI/CDの整備 QA・SRE・インフラ・認証認可などの専門領域における、プロダクト横断の仕組みの設計・構築・運用 ●開発環境 フロントエンド:TypeScript,React,Next.js バックエンド:Rust(axum),TypeScript,Node.js(Express,Fastify,NestJS) 機械学習・アルゴリズム:Rust,Python,OpenCV,PyTorch,TorchServe,Elasticsearch,Vertex AI インフラ:Google Cloud,Google Kubernetes Engine,Anthos Service Mesh,Istio,Cloudflare,Argo Workflows Event Bus:Cloud Pub/Sub DevOps:GitHub,GitHub Actions,ArgoCD,Kustomize,Helm,Terraform,Datadog,Mixpanel,Sentry Data:CloudSQL(PostgreSQL),AlloyDB,BigQuery,dbt,trocco API:GraphQL,REST,gRPC 認証:Auth0 開発ツール:GitHub Copilot,Figma,Storybook コミュニケーションツール:Slack,Discord,JIRA,Miro,Confluence
View More
エンジニア(オープンポジション)
想定年収
500~1,500万円
勤務地
東京都(港区)
業務内容
自社プロダクトの連結会計システム『DivaSystem』の企画・開発を担うプロダクト開発本部に所属し、機能拡大、サービス品質向上に向けて業務を行うポジションです。 弊社は、自社プロダクトである連結会計システムを中心に、グループ会社から会計・経営情報を収集し、可視化する各種ソリューションを提供しています。私たちの強みは、国内有数の顧客基盤と高収益体質にあります。東証上場の時価総額TOP200社のうち、約100社を含む日本を代表する大手企業と長期的なパートナーシップを築いており、営業利益率は毎年20%前後を安定して維持しています。「会計」という、企業にとってなくてはならない業務領域を扱っているため、製品リプレイスのリスクも低く、長期的に安定した事業基盤を築くことができています。 ●募集中ポジション ※細かい業務内容は各求人をご確認ください。ご経験やキャリア希望に合わせてポジション検討をさせていただきます。 ・バックエンドエンジニア これまでオンプレミス環境で展開してきた既存製品の開発に加え、現場のエンジニア同士で意見を出し合い、より良いアーキテクチャの実現に取り組んでいます。 ・SREエンジニア BPOで得たノウハウや会計ルール改正を仕組みや既存製品に反映、業務の自動化に繋がるシステムや新製品の開発、オンプレ⇒クラウド化推進など、サービスレベル向上に寄与する業務に従事していただきます。 ・品質管理 品質管理のスペシャリストとして、オンプレミスからSaaSに進化させるプロダクト品質基準の見直し、再設計、推進・改善を担い、製品開発エンジニアと共に“ものづくり”に携わっていただきます。 ・DXエンジニア 自社のBPOサービス事業で蓄積した連結決算・開示業務のノウハウを活用し、業務の自動化・効率化を実現するDXプロダクトの開発を担います。利用者であるBPOサービス事業の方々との企画・要件定義・運用支援なども一気通貫でお任せしています。 ・テックリード・テックPdM 「技術の正しさ × 顧客価値の正しさ」の両立を目指す実装リードポジションです。将来の負債を防ぐビジネス要求に沿った長期視点の構造設計、会計制度・業務用兼に応じた標準機能拡張など様々なテーマに取り組んでいただきます。 ・PM/EM(クラウド化推進) 既存プロダクトの保守・改善におけるプロジェクト推進、マルチチームを束ねるポジションです。ドメイン理解と構造的視点を基盤に要件整理・設計・意思決定に重きを置いた業務でで、希望や実力に応じ組織運営にも関与可能です。 ●開発環境 言語 : C# / Go / Java / TypeScript (Angular) インフラ : AWS / オンプレミス (Windows Server) データベース : Oracle / SQL Server / PostgreSQL ミドルウェア : Terraform / PowerShell / New Relic プラットフォーム : AWS, オンプレミス
View More
(26EN-33)金融機関向けアウトソーシングサービスにおける運営管理・監査対応(リーダ候補)
想定年収
550~1,050万円
勤務地
東京都(江東区)
業務内容
【組織ミッション】 金融機関(主に地方銀行)向け勘定系システム(BankVision®)のアウトソーシングサービスを安定的に提供しています。 具体的には、基盤・監査管理・運用といったアプリケーション以外の部分をサービスとして提供しています。 【プロジェクト概要】 金融機関向け勘定系システム(BankVision®)で提供しているアウトソーシングサービス(基盤・監査管理・運用)のプロジェクトです。 12社のお客様に対し、約200名(プロパー約30名)で、基盤・監査管理・運用の3つのチームでサービスを提供しています。 【入社後想定する業務】 金融機関向け勘定系システム(BankVision®)のアウトソーシングサービス(基盤・監査管理・運用)において、監査管理の業務をご担当いただきます。 ●管理業務 ・BankVision®をはじめとした金融機関における勘定系システムのアウトソーシングサービスの運営、管理業務 ・契約・SLAに基づくサービス提供状況のモニタリングおよび統制確認 ・管理業務に関する業務改善策の検討、改善推進 ・サービスの各種規定、要領の管理、改訂 ●監査業務 ・監査法人対応(調整、証跡整備、指摘事項対応) ・サービス提供全般におけるリスク管理および内部統制の高度化推進 【組織構成】 サービスプラットフォーム本部 OSサービス部:16名 配属予定組織:6名(男性:6名、女性:0名 50代以上:6名 うち経験社採用:1名) ※2026年10月時点 変更の範囲:当面の間は本職務に従事いただく予定です。 配置転換により当社拠点全般に異動の可能性があります。
View More
QAリード(プレイングリーダー)
想定年収
600~800万円
勤務地
東京都(品川区)
業務内容
新設の「AIQ(AI & Quality)」ユニットで、QAチームを牽引していただきます。マネジメント専任ではなく、ご自身もテスト設計の最前線で手を動かすリーダーです。 ●テスト設計・品質保証の実務: システムテスト・受入テストを中心に、観点の洗い出しから設計方針の決定まで、ご自身で判断して進めます。 ●チームの牽引: メンバーとプロジェクトを動かし、開発側や顧客との調整を主導します。 ●仕組みづくり: チェックリストや手順、品質基準を整え、個人の知見をチームの資産に変えます。 ●AI×QAの手法づくり: 出力が毎回変わる生成AIの検証など、事例の少ない領域で、評価の進め方そのものを検討します。 会社やプロジェクトへのキャッチアップ期間を経たのち、早い段階からリーダーとしてご活躍いただけることを期待しております。 【あらかじめお伝えしたいこと】 入社後のギャップをなくすため、良い面だけでなく、実態もお伝えします。 ●現場で手を動かすリーダーです: マネジメント専任ではなく、ご自身もテスト設計の最前線に立ちます。 ●周囲との摩擦を受け止める覚悟が必要です: 高い役割に見合う処遇を用意する分、品質向上のために、開発側などと意見をぶつける場面もあります。 ●手法や基準を、自分たちでつくる段階です: 生成AIを組み込んだプロダクトのQAは事例が少なく、決まった正解はありません。 従事すべき業務の変更の範囲 →【変更の範囲】会社の定める業務
View More
シニアQAエンジニア
想定年収
1,152~2,917万円
勤務地
東京都(渋谷区桜丘町)
業務内容
本ポジションでは、プロダクトを横断して品質基盤作りに関わることで、品質の向上とその維持を目指します。 ● 担当プロダクト・領域例 Sansan:名刺や企業情報、営業履歴を一元管理して全社で共有できるようにすることで、売上拡大とコスト削減を同時に実現する営業AXサービス Eight:価値ある出会いをつなぐ、ビジネスのための名刺アプリ Bill One:請求書受領、経費精算、債権管理といった、さまざまな業務領域の課題を解決する、経理AXサービス Contract One:契約書をはじめとする取引書類をデータ化し、取引の条件や変遷を可視化することで、機会の損失や信用の低下を防ぎ、企業の利益を守る、契約AXサービス Sansan Data Intelligence:企業内外のデータを統合し、ビジネスデータベースとして活用するための顧客マスターマネジメント いずれの領域も事業成長に合わせて組織規模が拡大しており、フェーズも技術構成も異なります。担当領域は選考を通じて、希望と経験を踏まえて提案します。 【具体的な業務】 コードの相当部分がAIによって生成される前提で、テストの「実行」ではなく品質の「成果」に責任を持ちます。担当プロダクトの状況に応じて、以下の重心が変わります。 ● リスクベースの妥当性確認と品質戦略 受け入れ基準の定義、リスクの見積もり、検証範囲の選定と残余リスクの明示 開発が保証する範囲と品質領域が保証する範囲の線引きの設計と、関係組織を巻き込んだ確立 個人の力量ではなく仕組みとして回る状態への転換と、隣接するチーム・プロダクトへの展開 同種の問題が再発しない構造に手を入れる(個別の不具合対応で終わらせない) ● テレメトリに基づくプロダクトの価値検証と改善 機能要件のレビューで、テレメトリ(利用状況や品質の計測データ)をエビデンスとして要件の前提や優先度の妥当性を問う 開発案件に、達成を判定できる成功指標が設定されているか、価値仮説と指標が整合しているかの企画段階での確認 出荷後に期待した効果が得られているかの評価と、データを根拠にした改善提案のプロダクトへのフィードバック ● 開発者の自律的なテスト所有の実現 テスト設計の型・ガイドラインの整備と引き渡し 受け手の前提確認、運用の担い手の確定、自走判定、不要になった仕組みの停止判断 テスタビリティを設計時の要件として扱える状態づくり ● テスト生成・実行の仕組み構築 AIによるE2Eシナリオの半自動生成と、生成から実行までの反復システム化 単体・結合・E2E各レイヤーの重複と抜けの判断、層配分の設計 ノーコードツール依存からの移行設計と完遂 ● 品質を数値で判定できる状態づくり プロダクトのフェーズとニーズに応じた品質指標の選定・定義 計測の自動化、ベースラインの設定、品質ゲートの構成 投資や優先度の判断に品質観点を持ち込む仕組みづくり ● AI・自動化の編成と、出力の品質判定 リスクベースのテスト選択の構成、AI生成物の合否基準の明文化 品質領域・開発・AI・パートナーの役割配分の設計 非決定的な出力(AI/LLM機能)の検証(一貫性・頑健性・バイアス・ドリフト) 【開発環境、使用するツールなど】 開発言語:TypeScript, JavaScript, Python, C# など テスト自動化:Playwright など インフラ:Google Workspace, GCP(Google Cloud Platform), Microsoft 365, Notion, Azure など ソースコード管理:GitHub AIツール:Claude Code, Codex, GitHub Copilot, Notion AI, Google Gemini, Cursor など ※従事すべき業務の変更の範囲 会社の定める業務
View More
実務経験を積んだ後のAIエンジニア転職ならテックゴー
未経験からAIエンジニアを目指す道のりは、学習だけで終わりません。入口の職種で実務経験を積んだあと、その経験をAIの仕事にどうつなげるかで、次のキャリアが変わります。
自分の経験がAIの求人でどう評価されるのかや、どの求人なら活かせるのかは、ひとりでは判断しにくいものです。
そこでおすすめなのが、エンジニア特化の転職エージェント「テックゴー」です。テックゴーには元エンジニア・ITコンサル出身のアドバイザーが多く、データ分析や開発の経験をAIの仕事に近い求人へつなげる転職を支援しています。
- 元エンジニアのアドバイザーに、実務経験の伝え方を相談できる
- 面接対策は回数無制限で、技術面接の準備も納得いくまで進められる
- 年収交渉はアドバイザーが代行し、条件面の話し合いを任せられる
- 平均年収アップ金額は144万円で、年収を上げる転職の実績がある
登録は1分で完了します。実務経験を積み、AIの仕事へキャリアを広げたい段階になったら、まずは気軽に相談してみてください。
元エンジニア・ITコンサル出身のアドバイザー
まとめ
この記事では、未経験からAIエンジニアになるために必要なスキルと資格、学ぶ順番と仕事に就くまでの6ステップを解説しました。AIエンジニアに学歴や資格の条件はなく、Python・数学・機械学習の基礎を順に固め、業務を想定した成果物を作ることがはじめの一歩です。
ただし、学習だけでいきなりAI開発職に就く人は少数です。データ分析や開発など近い職種で実務経験を積み、そこからAIの仕事へ移る道を前提に計画を立てましょう。
まずは今の仕事を続けながら、Pythonの基礎学習からはじめてみてください。実務経験を積み、AIの仕事へ進む段階になったら、エンジニア特化の転職エージェント「テックゴー」に相談するのもひとつの方法です。元エンジニア・ITコンサル出身のアドバイザーが、これまでの経験をAIの仕事につなげる道を一緒に考えます。
登録は1分で完了!
よくある質問
AIエンジニアに向いているのはどんな人ですか?
AIエンジニアに向いているのは、新しい技術を自分から学び続けられる人です。AIの技術は進歩が速く、入社後も学習が欠かせないためです。
そのほかに、次のような人も向いています。
- 物事を順序立てて論理的に考えられる
- 試行錯誤しながら課題を解決できる
- 数字やデータを扱うのが苦にならない
最初からすべてに当てはまらなくても、学ぶことを楽しめるなら十分に目指せます。
AIエンジニアの求人はどんな職種名で探せばいいですか?
求人はAIエンジニアのほかに、機械学習エンジニアやデータサイエンティスト、MLOpsエンジニアといった職種名でも出ています。会社によって呼び方と担当範囲が違うため、職種名だけで判断せず、仕事内容を読んで探しましょう。
たとえば、AIをサービスに組み込む仕事は機械学習エンジニアとして募集されることが多いです。データの分析や提案が中心の仕事は、データサイエンティストの求人として出ていることが多いでしょう。仕事内容に機械学習やPythonの経験が書かれているかを目印にすると、探しやすくなります。
AIエンジニアとデータサイエンティストはどちらを目指すべきですか?
AIを組み込んだシステムを作る実装の仕事が好きなら、AIエンジニアが向いています。一方で、データを分析して課題を見つけ、ビジネスの改善を提案したいならデータサイエンティストが合っているでしょう。
| 職種 | 主な仕事 | 求められる力 |
|---|---|---|
| AIエンジニア | AIの開発と組み込み | 実装の力 |
| データサイエンティスト | データの分析と提案 | 統計とビジネスの理解 |
どちらもPython・統計・機械学習の基礎は共通なので、学びながら興味のある方向を決めても遅くありません。
生成AIの普及でAIエンジニアの仕事はなくなりますか?
生成AIの普及で、定型的なコードを書く作業は自動化が進んでいます。しかし、どの課題をAIで解くかを決めたり、結果が正しいかを判断したりする仕事は人が担います。そのため、AIエンジニアの仕事がなくなる可能性は低いでしょう。
むしろ、生成AIを業務に組み込む案件が増え、AIを使える形にできる人の需要は高まっています。生成AIを使いこなし、設計や判断に時間を使えるエンジニアが求められています。
