年収700万円以上 ITエンジニアの求人・転職情報

株式会社NTTデータ

・小売、自動車、食品、製薬、メディア等の各業界に向けた新たな運用マネージドサービスの企画・サービス設計・サービス構築、サービス展開を対応頂きます。 ・既存システムのシステム特性や運用業務の分析等から課題抽出を行い、品質・生産性向上に向けた改善策の検討および実装に向けて新技術の導入や運用プロセスの最適化を推進頂きます。 ・NTT・NTTグループの最新技術や運用ノウハウを活用した高度な運用品質・運用生産性を実現するプラットフォームの検討・開発において技術選定や検証、運用設計、評価を担当頂きます。

株式会社NTTデータ

グローバルな視点と先進的なテクノロジーを融合させ、お客様のデジタルトランスフォーメーションを加速させること。 私たちは、日本のビジネス文化への深い理解と、世界中から集めた多様な知見を活かし、革新的なソリューションを生み出します。常に最先端を追求し、お客様と共に新しい価値を創造し続けることで、ビジネスの未来を切り拓きます。 我々の部門では、クラウドネイティブな開発手法とアジャイル開発を融合させた「爆速開発」メソッドを確立し、中国APACをはじめとするグローバルなチームと連携し、お客様のビジネス課題を解決する革新的なソリューションやエンジニアリングを提供しています。 ・爆速開発(アジャイル開発手法・DevOpsによる迅速な開発) ・海外デジタルソリューションの活用(グローバルで実績のある最新テクノロジーを日本市場へ展開。爆速開発で高速ローカライゼーション) ・グローバルサービスマネジメント(中国APAC各地のエンジニアと協力し、24時間365日体制でのプロジェクト横断型シェアードシステム運用サービスを提供) ・クラウドSRE(クラウドネイティブなサービスを活用したCI/CD、インフラのコード化、先進的なアーキテクチャ設計、プラットフォームエンジニアリングによる開発・運用の最適化)

株式会社NTTデータ

本ポストでは、公共分野（知的財産・司法法務）を中心とした大規模～中小規模システムのITインフラを設計・構築するインフラエンジニアとしてご活躍いただきます。 クラウド・AI・コンテナ・オンプレミスなど幅広い技術を活用し、最適な基盤を提案・実現することが主なミッションです。 ご入社後は、ご本人の経験や希望を考慮し、以下のいずれかの業務を担当いただきます。案件やキャリア志向に応じてプロジェクト配置やチーム間連携も柔軟に行いますので、専門知識の幅を広げながら成長いただけます。 公共分野の知識がなくても、入社後にしっかりとフォローいたします。 ＜業務例＞ ①クラウド基盤の設計・構築 （例：AWS/Azure/GCP/OCIなどを用いた新規サービス基盤の導入、オンプレからクラウドへの移行） ②コンテナ基盤の設計・構築 （例：KubernetesやOpenShiftを活用したマイクロサービス基盤の導入） ③AI・データ分析基盤の構築 （例：MLOps環境の整備、AIモデル運用のための基盤構築） ④仮想化基盤・プライベートクラウドの構築 （例：VMwareやOpenShiftVirtualizationなどを活用した既存システムの仮想化・統合） ⑤大規模～中小規模オンプレシステムの更改対応 （例：既存ハードウェアのリプレース、インフラのモダナイズ検討） いずれの業務も、設計から実装・運用まで幅広く関与でき、インフラエンジニアとしてキャリアを積みながら、リーダーやサブリーダーとしてチームを率いる経験を積むことができます。さらに、経験に応じてアーキテクチャ設計や技術選定に意見を反映させられるため、技術者としての成長と影響力の拡大を実感できるポジションです。

株式会社NTTデータ

【具体的な業務内容】 ・マーケットやニーズ分析を基にしたソリューション戦略策定 ・サービスの立案や計画策定・実行 ・サービス導入に向けたプリセールス ・AI基盤活用に向けたコンサルティング ・数名のメンバーマネジメント 【参考情報】 ・AI基盤で新たなビジネス価値を創造する、NTTデータの挑戦 　https://www.nttdata.com/global/ja/recruit/uptodata/articles/6233/ ・プライベート環境での生成AI活用を支援するサービスを2025年度中に拡充 　https://www.nttdata.com/global/ja/news/topics/2025/090502/ ・NVIDIA最新GPU を活用した大規模機械学習向け基盤提供を開始 　https://www.nttdata.com/global/ja/news/topics/2025/031900/

株式会社NTTデータ

主にAIを組み込むシステムアーキテクチャのデザインをご担当頂きます。個別のAI導入から、Agentic AIや複数のAIエージェントを採用するような大規模システムまで、様々なシステムのアーキテクチャをデザインして頂きます。想定されるトピックは、AI連携基盤の構想策定、iPaaS(MuleSoftなど)の構築、A2A(※3)やMCP(※4)などの技術プロトコルへの対応、AIゲートウェイの策定など多岐にわたります。 また、AIに限定されず広く多様なアーキテクチャ案件にも携わっていただくことを想定しており、システムに対するアセスメント、アーキテクチャ検討・実現性検証・提案や、フレームワークの導入・開発、技術統制・標準化、ソースコードレビューなどもご担当いただきます。 NTTデータグループ全体のリテラシー向上のため、最新技術の講演や技術教育なども行っていただきます。それらをきっかけとしてプロジェクトが始まるケースもあります。 ※3 A2A : Agent2Agent。異なるベンダーやフレームワークで構築されたAIエージェント同士が相互に連携(通信・協調)するためのオープン規格 ※4 MCP : Model Context Protocol。AIエージェントと外部データ・システム(データベース、API、ファイルシステム等)を標準化された方法で接続するオープン規格 【AIに関連するプロジェクト事例】 ・大手通信会社:複数顧客チャネルに生成AIを導入しつつ、AI-Hubで相互連携するシステムアーキテクチャ検討PJ ・大手製造業:データ活用基盤アーキテクチャ検討　データ活用基盤を軸としつつ、乱立するAIエージェントの統制

株式会社NTTデータ

昨今、世界情勢の変化やテクノロジーの急速な進展により、ビジネス環境が大きく変化しています。 その変化に業務・ITを迅速に対応させるため、システム導入と高度化のスピードを上げていくことが急務となっていますが、ビジネスにフィットするパッケージが存在しなかったり、フルスクラッチだと完成までが長くアジリティが損なわれてしまったりといった問題が発生しています。 この問題に対する有効な解決手段として注目を集めているのがローコードプラットフォームです。ローコードプラットフォームを活用して前例のないシステムを高速かつ高品質で提供し、圧倒的な生産性向上とDXのスピーディーな実現を可能とします。 また、ビジネスのスピードアップを図るべく、内製化を進めるお客様も増えています。ここでもローコードプラットフォームが採用されるケースが増えていますが、ITリテラシーの不足やIT人材不足が問題となっているため、お客様の内製化や人材育成もサポートしています。 【主な業務内容】 1.システム化検討、製品選定、PoC ひとくちにローコードプラットフォームといっても様々な製品があり、導入目的によってそれぞれ向き不向きがあります。そのため、システム化検討フェーズから参画し、ローコードプラットフォームのメリットやデメリット、製品の選択肢とそれぞれの特徴、導入時の注意点などをお客様に説明します。また、システムグランドデザインの策定や製品選定を支援したり、PoCを支援したりもします。お客様の状況次第で、当社で実行まで行うこともあります。 2.顧客提案・開発支援 公共・金融・法人といった当社の各事業部からの要請を受けて、提案支援や開発体制の構築支援、プロジェクト実行支援などを行います。ローコードプラットフォーム特有の管理プロセスや開発体制などがあるため、当部で開発したメソドロジー(方法論)を有識者として各現場に展開し、生産性向上に貢献します。 3.メソドロジー開発および社内外への展開 ガートナーのハイプサイクルをはじめ、生産性向上に関連する技術トレンドは常にウォッチしており、将来予測や市場動向を踏まえつつ、各技術に利用価値があるかを調査・検討・検証します。また、顧客への提案やプロジェクトへの展開を見据えて当社独自のメソドロジーを開発・整備し、社内に広報したり教育したりします。時に、成功したプロジェクトの事例を対外発表する役割を担うこともあります。 4.顧客内製化支援 自らDXを進めたい、内製化を進めたいというお客様の要望に応じて、CoE構築や内製化体制構築を支援します。また、ローコードプラットフォーム導入ステップの指導やプロジェクト推進支援、技術者育成の仕組みづくりや市民開発を進めるための教育研修なども行います。 5.アライアンス対応 Outsystems、Microsoft、Pegaをはじめとする各ベンダーと業務提携をしており、定例会議を含めて日常的に密に連携をしています。各ベンダーの最上位ソリューションアーキテクトが当社の担当に就くことから、最新情報が入手できるだけでなく、高度な技術支援を随時得ることができます。 【プロジェクト事例】 ○NTT東日本様　ビジネスを加速させる!ローコードプラットフォームを活用した内製化の成功事例 https://www.nttdata.com/jp/ja/trends/data-insight/2023/0414/ ○日本政策公庫様　日本政策金融公庫が挑むローコード活用と共創での変革 https://www.nttdata.com/jp/ja/trends/data-insight/2024/0906/ 【組織情報】 ●AIテクノロジー事業部 当社の各事業部が手掛ける多数のプロジェクトを業界横断的に技術面で支援する技術専門部門です。クラウド、AI、ブロックチェーン、セキュリティ、ローコードプラットフォームといった先進領域の高度な専門性を有する人材が多数在籍しており、各プロジェクトに対して技術的なリード、アドバイザリー、及び実行支援を行っています。

株式会社IHI

原子力機器の製造に必要とされる品質保証システム(ASME等)および品質マネジメントシステム(ISO等)の確立とその実施体制の整備を行なうとともに、担当工事における品質関連活動の管理･推進、製品品質の検証、品質状況の監視･モニタリングや、その改善のための指示･指導･勧告等を行い、お客様の求める品質レベルの製品の提供を実現するための活動を行います。 具体的には、以下のような業務内容を想定しております。 ・品質システムにかかわる基本計画の策定 ・品質システムの確立および品質システムに関する外部機関等との調整 ・各工事･お客さまに対応した品質システムの確立ならびに品質活動に関するお客さまおよび外部機関との折衝 ・社内各部門における品質活動の推進およびとりまとめ ・社内各部門における品質活動状況の検証,監査、モニタリングおよび改善のための指導･勧告の実施 ・品質にかかわるマネジメントレビューのとりまとめ ・不適合品処置を含む品質不適合の処置業務のとりまとめ ・重大不適合およびその他の重大な品質問題に対する是正処置･予防処置の実施の指示･指導、実施状況の検証およびフォローアップ ・品質システムに関する記録および資料の作成･維持 ・原子力安全にかかわる教育およびそれらの向上に向けた活動の立案･推進 ・品質改善活動の推進事務局 ・購入品調達先および役務外注先の品質システムの指導、審査･監査および認定の実施 【役割】 品質保証担当者 【変更の範囲】会社の定める業務

株式会社NTTデータ

●職務内容:パフォーマンスエンジニア 当組織は、先進技術を活用し変革を狙うお客様とともに、日々進化するテクノロジに挑戦し続けており、日本および世界のITシステムの「性能」の課題を解決する専門集団です。 職務として、社内の様々なテクノロジを活用したプロジェクトにおいて、自身が得意とする技術領域(※)においてその知見を発揮し、要件定義・設計・試験・チューニングを通して、パフォーマンス(性能)を中心とした問題/課題解決やアーキテクチャ設計等の技術支援を行います。 (※) 技術領域例: クラウドアーキテクチャ設計、アプリケーション処理方式設計、データベースやアプリケーションのチューニング、パフォーマンス・テスティング 等 ●対象業種 社内で開発する公共・金融・法人の全システムが支援対象となり、様々な業種のシステムに携わることが可能です。 海外グループ会社向けにも支援を多数行っており、グローバル案件対応も可能です。 ●組織のミッション 当組織は、「パフォーマンスクリエーター」という価値観のもと、様々なテクノロジを活用したシステムへ「性能」を中心に要件定義、設計、試験、運用といった全行程を「技術」的な観点で支援しています。 専門的なスキルを有するアーキテクト、専門家を含むメンバー200名超のノウハウ等を結集することで、年間で400超の案件を対応し、年間20%の成長を続けています。

jinjer株式会社

顧客と市場にディープダイブし、新規・既存プロダクトの成長機会を深く掘り下げ、プロダクト開発チームとビジネスサイドと 共に顧客価値と企業価値の最大化を通じて事業成長を牽引することがミッションです。 市場調査、競合分析、ターゲット設定を起点とし、プロダクトのポジショニング、メッセージング、GTM戦略までを一気通貫で 主導し、「ターゲット市場に最も適合するジンジャーのプロダクト・サービス」ビジョンを描き、その実現を担います。 具体的には以下のような業務を担当します。 ・事業戦略に基づいた、中長期的なプロダクトビジョンおよびロードマップの策定と実行 ・経営会議等でのプロダクトに関する意思決定支援、およびレポーティング ・機能改善・新機能の企画:顧客要求・ポジショニングなどをPdMに共有 ・ユーザー要望管理/スコアリング ・各種タスクのスケジュール管理と成果物作成 ・マーケティング、セールス、カスタマーサクセスなどの各部門と連携した施策の推進 ・メンバーの育成、目標設定、評価、採用活動

株式会社NTTデータ

・当社のプロジェクト横断型の技術支援組織である技術革新統括本部の中で、様々な分野・業種のシステム開発プロジェクトをターゲットとして、品質・生産性向上に貢献する技術支援を担当いただきます。 ・ソフトウェア開発プロセス、ソフトウェアアーキテクチャ、さらには品質・生産性向上に資するソリューションの各側面から、プロジェクトが手掛けるシステム全体の課題を手早く顕在化させ、品質確保の視点から解決へつなげていく業務です。 ・時には自らプロジェクトに参画し、システムのグランドデザイン策定から共通化・標準化などの指針策定、開発プロセス策定などシステムエンジニア/ITアーキテクトとして対応いただきます。 ●組織情報 当社においてソフトウェア開発技術を統括する部署であり、同分野における調査研究からソリューション開発・標準化、普及展開までを手がけています。 また、同分野の専門性を活かして社内への技術支援も展開しており、当社事業本部での開発プロジェクトが作成した設計書やソースコードを対象としたレビューや、時にはプロジェクトにアーキテクトとして参画するなど、現場対応も幅広く実施しています。

株式会社NTTデータ

インターネットを通じて国税の電子申告・申請を行うe-Taxを中心とする、国税に係る公共大規模システムの開発を行う。e-taxの利用率、利用件数は年々増加しており、直近では年間4千万件を超える手続きがあり、今後の利用率、利用件数の拡大も見込まれる。また、税制の改正などを契機とした定期的な案件もあり、将来性のあるシステムである。 　大規模かつミッションクリティカルなシステムに対する刷新プロジェクトを進めており、クラウド化やアーキテクチャのモダン化等、単なる更改の枠を超えた次世代システムへの刷新を行う。次世代システムへの刷新に当たっては、従来の延長線上にあるような単なる改善にとどまらず、利用者中心のサービスの実現や運用者視点での省力化や効率化、また、今後の機能拡充等も踏まえたメンテナンス性の向上など、機能・コスト両面で優れ、将来的な成長においても基礎となるシステム基盤を目指す。 　本システムの開発において、ITアーキテクトとして既存の仕組みに囚われない視点で刷新を共に進めていただきたい。

株式会社NTTデータ

◆クラウドを活用したシステムにおいて、検討・提案・設計・構築・運用までの上流工程からの一連の業務をプライムの立場で担当していただきます。◆ 【事業・ミッション】 現在、当担当では公会計に関わる官庁会計システムや政府の入札・契約・請求といった政府調達を一元的に管理する電子調達システム、マイナンバーカードを活用した給付SaaS等に取り組んでおり、デジタル庁が掲げる「デジタル社会の実現に向けた重点計画」に基づき、国・地方公共団体の行政サービスのデジタル化や業務改革(BPR)、社会全体のデジタル化を推進しています。 政府情報システムにおけるクラウド領域は、 「クラウド・バイ・デフォルト原則」 に加えて、「モダン技術の利用」が方針として打ち出されており、今後クラウド活用のみならず、アプリケーションのモダン化およびモダン化に伴う案件の拡大戦略がミッションとなります。 【役割】 ・クラウドアーキテクト（リーダー）：高い技術力/先見性をもってアプリケーションのモダン化を含めたシステムの将来像を描き、システムアーキテクチャ全体の検討・提案・設計・構築をリードしていただきます。 ・クラウドエンジニア（サブリーダー/メンバー）：顧客サービスを支える安定/高品質なクラウド基盤をスピード感をもって提供すべく、クラウドおよびインフラ領域の設計・構築・運用に携わっていただきます。

株式会社NTTデータ

【事業・ミッションについて】 当事業部では、マイナンバー制度を軸として、誰もが、いつでも、どこでも、ライフスタイルに応じたサービスをスピーディに受けられるデジタル社会を実現することをミッションとし、デジタル庁及び地方公共団体の外郭団体を顧客としたマイナンバー関連システムの企画・開発・運用保守を提供しています。 国民の皆様の生活の基盤となっているマイナンバーの仕組みを支える既存システムの刷新・高度化と並行して、金融等、公共以外の分野とも連携してマイナンバーの仕組みを利活用したサービスを提供する等、当社だからこそできる新たな仕組みを提供しています。 【主な業務内容】 ・インフラエンジニアとして業務アプリケーションを構築するインフラ基盤(仮想基盤、OS、DB、NW等)の運用保守及び機能改善 ・アプリケーションエンジニアとして業務アプリケーションの運用保守及び機能改善 ・顧客に対する運用保守状況の定例報告 (プロジェクト例) 　ー大規模情報連携基盤に関する運用保守 　ーマイナンバー制度の土台となる関連システムの運用保守 　ーマイナンバーカードの認証機能の利活用システムの運用保守 ※運用保守に参画いただき、業務知識や現行システムへの理解を深め、新たに次期システムや新規システム案件に携わることも可能です 【特徴について】 ・構築・試験自動化技術等、日々進化する技術を活用することを推奨しています。 ・規模の大きなプロジェクトが多数のため、ステークホルダが多く、チーム一丸となって仕事を推進することが求められます。

株式会社NTTデータ

マイナンバーカード関連業務BPOプロジェクトチームにおいて、BPO業務グループリーダとして業務チームのQCD管理及びオペレータを含むチームメイキング等のリーダ及びマネージャ業務を行っていただきます。 職場環境としては、当担当には社員が40名ほど在籍し、グループ会社やビジネスパートナーを含めて協働しています。また20代の若手からベテラン層まで様々なメンバーがそれぞれの立場で活躍し、上司・部下関係なく議論が活発に行われ、風通しの良い雰囲気です。

株式会社NTTデータ

近年、社会全体でAI活用が加速する中、AI開発を支えるGPU基盤へのニーズが急速に高まっています。NTTデータではこのような社会的ニーズに応えるべく、最新技術を活用したGPU基盤サービスの開発を強化しており、2024年度に自社の大規模GPUサービスの企画・提供を開始しました。現在はファースト顧客向けの開発を進めており、今後さらなる需要拡大が見込まれています。 これに伴い、GPU基盤開発プロジェクトにおいて、プロジェクトマネージャーやリーダーとして活躍いただけるエンジニアの採用を強化しています。 ●主な業務内容は以下の通りです。 [顧客への提案] お客様のニーズや市場動向を把握し、営業担当者と一緒にGPU基盤の提案を行います。 ・新技術のリサーチ ・導入提案 [設計・開発] お客様のご要望をくみ取り、お客様とコミュニケーションをとりながらGPU基盤に関するサービス仕様検討から設計、開発を行います。 ・GPUを利用した高性能コンピューティング基盤の設計、構築、運用 ・クラウド環境上でのGPUリソースの最適化と自動化 ・AI、ディープラーニング等のアプリケーションに向けたインフラの提供とチューニング ・パフォーマンス分析と最適化に関する技術支援 [主な技術環境] ・GPU:NVIDIA ・GPUサーバ:NVIDIA、Dell、HPE、Super Micro等 ・ネットワーク:プロトコルとしてはInfiniBand、Ethernet(RoCE) ・ストレージ:NetApp、VAST、DDN、PowerScale、Pure Storage等 ・ジョブスケジューラ:Slurm、Kubernetes ・コミュニケーションツール:Teams等

株式会社NTTデータ

CX変革の戦略策定から実行・成果創出までを一貫して支援する「伴走支援チーム」において、生成AIを活用した開発プロジェクトの基本構想～リリース、当社プロダクトの技術構想立案～構築をリードします。 コンサルタント/デザイナー/データサイエンティスト/エンジニア等の多様な専門家と連携しながら、チーム一体でお客様のビジネス成果創出という共通の目標に向かってプロジェクトを推進します。 ●プロジェクト例 ・生成AI等を用いた抜本的なCX変革/業務効率化オファリングの企画・サービス化、顧客への提案・導入・成果創出支援(PoC～本格展開) ・顧客の事業課題、経営目標を踏まえたあるべき業務プロセスの策定とシステム機能実装 ●参考情報 AIエージェントを活用した新たな生成AIサービスを提供開始～「SmartAgent™」の実現により、オフィスワーカーの生産性向上、付加価値業務のシフトへ～ https://www.nttdata.com/global/ja/news/release/2024/102401/ OpenAIとのグローバルでの戦略的提携を開始～日本初の販売代理店として、OpenAI関連事業で2027年度末までに累計1,000億円規模の売り上げへ～ https://www.nttdata.com/global/ja/news/release/2025/042400/ マーケティング業務を最大6割削減する新たなAIエージェントサービスを提供開始～「LITRON® Marketing」の提供により、マーケティングの戦略・施策の企画から実行・評価まで一気通貫で支援～ https://www.nttdata.com/global/ja/news/release/2025/051900/ 生成AIを活用した営業生産性向上PoCをテプコカスタマーサービスと実施～太陽光設備サービスにおける営業活動の効率化と業務品質向上の実現へ～ https://www.nttdata.com/global/ja/news/topics/2025/052601/

株式会社NTTデータ

我々の組織は技術力をベースに社内外をリードする組織として、AIに関わる最新技術を調査・研究しつつ、当社各分野(公共・金融・法人)の組織を技術的にリードしていくことがミッションとなります。本募集では、顧客業務を理解し、AIによる課題解決を提案・推進できるメンバを募集します。具体的には以下が職務内容となります。 ●AI関連の技術力をベースにCR組織と協力して顧客業務の分析、AIによるプロセス変革の提案を行う ●AI、特にAIエージェントの要件定義から運用における全工程を技術的にサポート ●AIエージェントを実現するための技術調査、機能実装 ●チームメンバーの指導・育成

株式会社NTTデータ

今後更なる発展が期待される生成AIのスペシャリストとして、システム開発、特にソフトウェア開発領域への生成AI適用に関するコンサルティング、および生成AI適用支援を実施し、抜本的に生産性向上の実現を目指します。 各分野と連携を図り、当社グループが関わる各システムの開発プロセスのあるべき姿(ToBe)を描き、海外・国内で開発したアセットの開発・導入(検証・提案・技術支援)を検討します。 また、導入の結果はフィードバックを行い、次の導入に向けた改善を図ります。 (1)検証・アセット開発 最新の生成AI(LLM)のソフトウェア領域への適用性を評価するとともに、海外・国内に適用可能な生成AIアセットの開発を行います。 (2)提案・コンサルティング 当社グループが関わる各システムの開発プロジェクトの現状(AsIs)とあるべき姿(ToBe)を明確にし、GAPを捉え、最適な生成AIアセットの提案を行います。 (3)技術支援 提案した生成AIアセットの確実な展開を図ると共に、当社グループのスキル底上げを目指し、人材育成も合わせて実施します。 (4)フィードバック 技術支援の結果を確実にフィードバックし、今後新たな技術支援先に向けてブラシュアップを図ります。

株式会社NTTデータ

我々の組織は技術力をベースに社内外をリードする組織として、AIに関わる最新技術を調査・研究しつつ、当社各分野(公共・金融・法人)の組織を技術的にリードしていくことがミッションとなります。本募集では、AIエージェントの社会実装に向けたプラットフォームを提案、実装できるメンバを募集します。具体的には以下が職務内容となります。 ●以下を考慮したAIエージェントプラットフォームの設計・実装 -AIエージェント(AWS Bedrock、Azure AI Foundry、Vertex AI等)の特徴 -データ活用プラットフォーム(Databricks、Dataiku、Snowflake、denodo等)の特徴 -データパイプライン -AIモデルの継続的改善(LLMOps/FMOps) -セキュリティやガバナンス ・上記を実現するための最新技術調査、検証 ・チームメンバーの指導・育成

株式会社NTTデータ

職務内容:グローバルITアーキテクト NTTデータ全体のグローバル各国におけるシステム開発を対象に、性能・非機能に関するあらゆる課題を解決する専門組織です。4,500を超えるプロジェクトで培った技術力を駆使し、「止まらないシステム」「成長するビジネス」をグローバルに支えます。 担当業務 グローバル各国のメンバーと協働し、性能/非機能の課題解決を現場から主体的にリードするアーキテクトを募集します。アーキテクチャ設計から性能検証・チューニング、さらにはSREやObservability、FinOpsといった領域まで、システムの最適化と品質向上を自らの手で実現するポジションです。国内で培った経験を、今度は“世界基準”へ。技術で世界を支える次世代アーキテクトを目指しませんか? 組織のミッション 当組織は「顧客の性能・非機能問題を解決するだけでなくビジネス価値向上につなげる高度ITアーキテクト&スペシャリストのトップチーム」を目指して、国内・海外のお客様に対する性能・非機能面を中心とする技術支援やプロジェクトリードを行います。専門的なスキルを有するアーキテクト、専門家を含むメンバー200名超のノウハウ等を結集することで、年間で400超の案件を対応し、年間20%の成長を続けています。 特に、「AI-Driven性能エンジニアリングの確立と普及展開」「国内海外の重要プロジェクトに対するアーキテクトとしての価値提供」「ITアーキテクト領域のスケール拡大」を注力領域の柱と位置付けており、グローバルでも活躍できるアーキテクトの仲間を募集しています。

GO株式会社

GOのデータ基盤では、3,500万ダウンロードのタクシーアプリ『GO』のデータなど、1日に10億レコード規模のデータを収集し、活用しています。 データの主な活用方法は二つあります。 一つはデータプロダクトの開発であり、データをもとにAIや高度なアルゴリズムを開発しタクシーアプリ『GO』に機能として組み込んでいます。 もう一つは意思決定支援であり、約30名のデータアナリストやデータサイエンティストがデータ分析し、その結果を元にビジネス担当やプロダクトマネージャがプロジェクトの効果測定や意思決定をしています。 本ポジションは、このデータ基盤を支えるデータエンジニアです。 仕事内容 データ基盤とデータプロダクトの実行基盤を担当いただきます。 ●データ基盤 ・大規模な車両データをDataflow等を用いてBigQueryに収集 ・3,500万ダウンロードのアプリケーションのDBとログのデータをBigQueryに収集 ・地図を始めとした外部データをデータ基盤に収集 ・データ加工バッチの開発・運用、Google Cloudの様々なサービスを用いて実現 ・StreamlitやLookerなど分析ツールのホスティング ・100人規模の利用者の管理、セキュリティコントロール ●データプロダクト実行基盤 ・タクシーアプリ『GO』でAIや高度なアルゴリズムを用いたデータプロダクトの実行基盤を設計・開発・運用 ・データサイエンティストの開発支援 ・AIモデルの学習バッチや、本番での推論サービング ・高性能かつ高可用性を担保するための設計・実装・システム運用 ・24/365のオンコール体制(待機なし・システム障害時に当番順にコールがあり対応) ●業務内容の変更範囲 会社が指定する業務全般 開発環境 ●データ基盤 ・データストア: BigQuery ・ETL: Dataflow, 独自開発(Python) ・SQLフレームワーク: Dataform ・ワークフローエンジン: Cloud Composer(Airflow) + GKE ・メタデータ管理:Dataplex ・その他ツール: Streamlit, Kepler.gl, Kubeflow ・言語: Python ●データプロダクト実行基盤 ・データストア:Redis, AWS Aurora(MySQL, PostgreSQL) ・実行基盤:AWS:AKE etc ・言語: Go, Python ・モニタリング: Grafana, Sentry ・その他ツール:Feast ●開発環境 ・LLM: Github Copilot, Claude code, gemini, MCPs etc ・IDE: VS Code etc ・CI / CD: GitHub Action ・VCS: GitHub ・その他 Google Workspace, Slack 所属組織 AI技術開発部 データプラットフォームグループ:4名 ※関連チーム ・データサイエンティスト:20名 ・データアナリスト:8名 ・データアーキテクト:5名

JAPAN AI株式会社

・顧客課題の発見・設計 顧客の業務プロセス・データ環境・既存 SaaS 群の全体像を深く理解し、AI で解決すべき課題を特定 AI がどう介入すれば効率化・最適化できるかを設計する 利害関係者 (経営層〜現場担当者) との関係構築・調整 課題の構造化・仮説構築・ソリューション提案 ・ワークフロー構築・PoC の高速実装 JAPAN AI STUDIO を活用した業務ワークフローの構築 (稟議承認、リソース最適配置、見込み顧客探索、データ連携 等) LLM / AI エージェントを活用した軽量 PoC の高速実装 顧客の既存 SaaS (SmartHR / Salesforce / HRMOS / 楽々精算 等) との API 連携・データ統合 フルスタック開発 (バックエンド + フロントエンド) ・本番導入・伴走 本番導入の技術支援・運用設計 セキュリティ・コンプライアンス要件への対応 導入後の利用定着支援・改善提案 ・プロダクトフィードバック 顧客フィードバックのプロダクトチームへの還元 新規ユースケースの発見・提案 プロダクト改善に繋がるパターンの抽出・体系化 【業務シナリオ例】 ※以下は想定される業務シナリオの例です ● シナリオ 1 : 製造業の「SaaS 疲れ」を解消する企業の脳の構築 従業員 500名の製造業の顧客。 SmartHR / 楽々精算 / kintone / Salesforce を個別に運用しており、部門間のデータ連携は手作業で行われている。 現場ヒアリングで「月末の経費精算に 1人あたり 2時間かかっている」「営業が受注情報を 3つのシステムに手入力している」という課題を発見。 JAPAN AI STUDIO で各 SaaS を API 連携し、経費精算の自動承認ワークフローと受注データの自動連携エージェントを 2週間で構築。 月間 400時間の業務削減を実現し、他部署への展開 (アップセル) に繋げる。 ● シナリオ 2 : 金融機関の 24時間見込み顧客探索エージェント 地方銀行の法人営業部門。 営業担当者が手動で企業情報を調査し、アプローチリストを作成している。 1件あたり 30分かかり、1日 10件が限界。 JAPAN AI STUDIO で企業データベース・ニュースフィード・決算情報を統合し、AI エージェントが 24時間体制で見込み顧客を探索・スコアリングするワークフローを構築。 営業担当者は毎朝、AI が優先順位付けしたアプローチリストを受け取るだけの状態に。 アプローチ数が 3倍に増加し、受注率が 15% 向上。 ● シナリオ 3 : 小売業の稟議承認プロセスの AI 化 全国 50店舗を展開する小売業の顧客。 店舗からの発注稟議が紙ベースで、本部での承認に平均 5営業日かかっている。 現場観察で「承認者が出張中に稟議が滞留する」「過去の類似稟議を参照できない」という課題を特定。 JAPAN AI STUDIO で稟議データを構造化し、AI が過去の承認パターンを学習して一次判断を行うワークフローを構築。 承認リードタイムを 5営業日から 1営業日に短縮。 この成功事例をプロダクトチームにフィードバックし、JAPAN AI AGENT の標準テンプレートとして全顧客に展開。 ●ミッション 顧客の業務プロセスを解体し、AI を前提とした「次世代の基幹システム (企業の脳)」を実装する 顧客の現場に深く入り込み、既存 SaaS 群の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する。 JAPAN AI STUDIO を活用し、現場が実際に使えるワークフローを爆速で構築する。 その過程で得た知見をプロダクトチームにフィードバックし、プロダクトそのものを進化させます。 顧客の現場で発見された課題やユースケースが、直接プロダクトロードマップに反映されます。 ●AI ソリューションエンジニアについて AI ソリューションエンジニアは、Palantir 社が確立した FDE (Forward Deployed Engineer) を、AI エージェント時代にアップデートしたポジションです。 顧客の最も困難な業務課題を、AI と自社プロダクトを武器に解決します。 ・SIer / SES でのエンジニア 受け取った仕様書通りに実装する 客先常駐で開発リソースを提供する 多重下請け構造の中で顧客と距離がある 特定領域・特定技術の深掘り ・本ポジション 顧客と直接対話し、課題を発見して仕様を自ら定義する 自社オフィスを拠点に、自社プロダクトで顧客課題を解決する 経営層から現場担当者まで、顧客と直接信頼関係を築く フルスタック × AI × ビジネス理解 受託開発でも客先常駐でもありません。 顧客現場で課題を発見し、軽量な PoC を高速実装し、本番導入まで伴走する。 その過程で得た知見がプロダクトを進化させます。 ●期待する役割について 顧客の業務プロセスとデータ環境を深く理解し、JAPAN AI STUDIO を活用して課題解決を実装・導入するエンジニアです。 ・顧客の既存システム (SaaS 群) の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する ・JAPAN AI STUDIO を活用し、現場が実際に使えるワークフロー (稟議承認、リソース最適配置、見込み顧客探索 等) を爆速で構築する ・PoC を本番環境へ導入し、利用定着まで伴走する ・現場で得た知見をプロダクトチームにフィードバックし、プロダクトを進化させる ・経営層から現場担当者まで、多様なステークホルダーと関係を構築する ●成果責任 (KR/メトリクス) FDE の動きがプロダクトの成長 (ARR) に直結する設計です。 ・先行指標 (行動とアウトプット) STUDIO での新規ワークフロー構築数 — 顧客の課題をどれだけシステム化できたか SaaS 連携数 — 顧客の既存 SaaS を JAPAN AI に接続した数 (= 企業の脳の「視界」が広がった数) デプロイ速度 — 要件定義から最初の AI エージェント稼働までのリードタイム ・遅行指標 (事業と顧客へのインパクト) アクティブ利用率 (MAU / DAU) — 構築した AI ワークフローが、現場で実際にどれだけ使われているか 顧客の業務削減時間 / ROI — AI 導入によって浮いた工数や、受注率向上などの実数 アップセル・クロスセル額 — 初期導入拠点から、他部署や地方拠点へ展開したことによる追加売上 ●チーム体制 約120名が開発組織に在籍しています。 チームは現在6名で、以下のチーム・ステークホルダーと密接に連携します: Product Architect — プロダクト設計 Agentic Engineer — エージェント機能開発 AI Success Engineer — 導入後の顧客成功支援 Deployment Strategy — 顧客への導入戦略・展開推進 ●開発環境 言語 : Python (バックエンド) , TypeScript / React / Next.js (フロントエンド) / NX AI/LLM : LangChain, LangGraph, JAPAN AI STUDIO SDK インフラ : GCP (コンテナ / K8s) , Docker データ : BigQuery, PostgreSQL, 各種顧客データソース ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin 作業環境 : Mac (Apple Silicon) , デュアルモニタ対応

JAPAN AI株式会社

ミッション "AI の出力品質を科学する — 評価手法の研究・開発で、エージェントの信頼性を証明する" LLM / AIエージェントの出力品質を、機械学習・統計学・計量心理学の手法で定量的に評価・改善します。本ポジションは「テストする人」ではなく、 「何をもって良いAIとするかを定義し、測定する科学者」 です。 期待する役割について AI Evaluation Scientist として、AI エージェントの品質評価基盤の設計・構築・運用をリードしていただきます。 ●評価メトリクスの研究開発 — LLM-as-Judge の校正、報酬モデリング、ベンチマーク設計を通じて「何をもって品質とするか」を科学的に定義します ●自動評価パイプラインの設計・構築 — 研究成果を本番 CI/CD に組み込み、スケーラブルな品質ゲートを実現します ●レッドチーミング・安全性検証 — adversarial testing の自動化、ポリシー準拠検証フレームワークを構築します ●統計的実験計画に基づく品質改善 — A/B テスト・有意差検定でプロンプト戦略やモデル変更の効果を定量的に検証します ●評価シグナルの研究・開発チームへのフィードバック — モデル改善の複利ループを構築します 約 200 社が本番利用するプロダクトの品質を「科学する」アプローチで担保します 業務内容 AI Evaluation Scientistとして、 AIエージェントの評価基盤 (Evaluation Infrastructure) の設計・構築・運用をリードしていただきます。 ●評価メトリクスの研究開発 ・LLM-as-Judge の校正手法の研究・実装 (rubric 設計、バイアス検出、proper scoring rules) ・評価ベンチマークの設計・構築・妥当性検証 (construct validity、contamination detection) ・報酬モデリング / preference learning の評価への応用研究 ・評価メトリクスの選定・設計 (win rate、task success、factuality、harm detection) ・評価セット (合成データ + 実ログ) の設計・構築・メンテナンス ●自動評価パイプラインの設計・構築 ・スケーラブルな自動評価パイプラインの設計・実装 ・CI/CD への評価パイプライン組込みと品質ゲートの構築 ・エージェント評価ハーネスの設計 (マルチターン・ツール利用・ロングコンテキスト対応) ・評価パイプラインの再現性・信頼性の担保 ●安全性・品質検証 ・自動レッドチーミング (automated adversarial testing) の研究・実装 ・安全性 / ポリシー準拠の検証フレームワーク構築 ・ハルシネーション検出・校正手法の研究・実装 ・プロンプト / ツール回帰テストの設計・実行 ●統計分析・実験設計 ・統計的実験計画 (A/B テスト、有意差検定) の設計・分析 ・品質トレンドの可視化・回帰検出の自動化 ・品質レポート作成と改善提案 ・評価シグナルの研究・開発チームへのフィードバック 業務シナリオ ※以下は想定される業務シナリオの例です ●シナリオ1: LLM-as-Judge の校正と妥当性検証 新しい評価メトリクスとして LLM-as-Judge を導入する際、judge モデルの校正 (calibration) を実施します。人間評価との一致率を統計的に検証し、rubric 設計を反復改善します。construct validity を確認した上で、自動評価パイプラインに組み込み、評価コストを 80% 削減しながら人間評価と同等の信頼性を実現します。 ●シナリオ2: 新モデル導入時の品質ゲート LLMプロバイダーが新モデルをリリースした際、既存のベンチマークスイートで回帰テストを実行し、factualityスコアが3%低下していることを検出します。原因を分析し、プロンプト調整で品質を維持したまま新モデルへの移行を完了します。 ●シナリオ3: 自動レッドチーミングによる安全性検証 金融機関向けにJAPAN AI AGENTを導入する際、自動レッドチーミングパイプラインを構築します。adversarial promptの自動生成・分類器による脆弱性検出を実装し、業界固有のリスクシナリオ(機密情報漏洩、不適切な金融アドバイス等)を網羅的にテストします。ポリシー準拠率99%以上を達成します。 ●従事すべき業務の変更の範囲 会社の定める業務 成果責任 (KR/メトリクス) ●評価カバレッジ率(テストケース網羅率) ●回帰検出率(リリース前の品質劣化検出率 ≥ 95%) ●評価パイプライン実行時間(CI/CD内で完了) ●LLM-as-Judge と人間評価の一致率 ●False Positive / Negative 率 ●安全性インシデント発生率(リリース後) チーム体制 約120名が開発組織に在籍しています。 AI Evaluation Scientistは品質保証の専門チームとして、以下のチームと密接に連携します: ●密接に連携する役割: ・Agentic Product Engineer — エージェント機能開発 ・Research Engineer — 研究開発・モデル改善 ・Agent Harness Engineer / Software Engineer (AI Platform) — AI 実行基盤開発 ・Product Manager — プロダクト設計・品質要件定義 開発環境 ●言語 : Python (評価パイプライン・分析), TypeScript / React / Next.js (フロントエンド部) / NX ●評価 / QA : pytest, LangSmith, Weights & Biases, custom eval frameworks ●データ : BigQuery, Spark, Pandas ●インフラ : GCP (コンテナ / K8s), Docker, Terraform ●CI/CD : GitHub Actions ●ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion ●AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin ●作業環境 : Mac (Apple Silicon), デュアルモニタ対応

JAPAN AI株式会社

●課題を定義する 顧客の業務プロセス・データ環境・既存SaaS群の全体像を把握し、AIがどこに介入すれば効果が最大化するかを特定します。経営層から現場担当者までと直接対話し、仕様書を受け取るのではなく、仕様を自ら定義します。 ●爆速で作る JAPAN AI STUDIOで、現場が実際に使うワークフロー（稟議承認、リソース最適配置、見込み顧客探索、データ連携 等）を構築します。顧客の既存SaaS（Salesforce / SmartHR / kintone 等）とのAPI連携、LLM・AIエージェントを用いたPoCの高速実装から本実装まで、フルスタックで自ら手を動かします。 ●本番に載せ、プロダクトに還す 本番導入の技術支援、セキュリティ・コンプライアンス要件への対応、導入後の利用定着まで伴走します。現場で得たパターンはプロダクトチームへ還元され、次の標準機能になります。 例：全国50店舗を展開する小売業。紙ベースで平均5営業日かかっていた発注稟議を、過去の承認パターンをAIが学習して一次判断するワークフローに置き換え、リードタイムを1営業日に短縮。この事例は標準テンプレートとして他顧客にも展開されました。 ●ミッション 顧客の業務プロセスを解体し、AI を前提とした「次世代の基幹システム (企業の脳)」を実装する 顧客の現場に深く入り込み、既存 SaaS 群の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する。JAPAN AI STUDIO を活用し、現場が実際に使えるワークフローを爆速で構築する。その過程で得た知見をプロダクトチームにフィードバックし、プロダクトそのものを進化させます。 顧客の現場で発見された課題やユースケースが、直接プロダクトロードマップに反映されます。 ●期待する役割について 顧客の業務プロセスとデータ環境を深く理解し、JAPAN AI STUDIO を活用して課題解決を実装・導入するエンジニアです。 顧客の既存システム (SaaS 群) の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する JAPAN AI STUDIO を活用し、現場が実際に使えるワークフロー (稟議承認、リソース最適配置、見込み顧客探索 等) を爆速で構築する PoC を本番環境へ導入し、利用定着まで伴走する 現場で得た知見をプロダクトチームにフィードバックし、プロダクトを進化させる 経営層から現場担当者まで、多様なステークホルダーと関係を構築する ●成果責任 (KR/メトリクス) FDE の動きがプロダクトの成長 (ARR) に直結する設計です。 ・先行指標 (行動とアウトプット) STUDIO での新規ワークフロー構築数 — 顧客の課題をどれだけシステム化できたか SaaS 連携数 — 顧客の既存 SaaS を JAPAN AI に接続した数 (= 企業の脳の「視界」が広がった数) デプロイ速度 — 要件定義から最初の AI エージェント稼働までのリードタイム ・遅行指標 (事業と顧客へのインパクト) アクティブ利用率 (MAU / DAU) — 構築した AI ワークフローが、現場で実際にどれだけ使われているか 顧客の業務削減時間 / ROI — AI 導入によって浮いた工数や、受注率向上などの実数 アップセル・クロスセル額 — 初期導入拠点から、他部署や地方拠点へ展開したことによる追加売上 ●チーム体制 約60名が開発組織に在籍しています。 FDEチームは現在10名で、以下のチーム・ステークホルダーと密接に連携します: Product Architect — プロダクト設計 Agentic Engineer — エージェント機能開発 AI Success Engineer — 導入後の顧客成功支援 Deployment Strategy — 顧客への導入戦略・展開推進 ●開発環境 言語 : Python (バックエンド) , TypeScript / React / Next.js (フロントエンド) / NX AI/LLM : LangChain, LangGraph, JAPAN AI STUDIO SDK インフラ : GCP (コンテナ / K8s) , Docker データ : BigQuery, PostgreSQL, 各種顧客データソース ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin 作業環境 : Mac (Apple Silicon) , デュアルモニタ対応

JAPAN AI株式会社

●技術オンボーディング・トレーニング FDE から引き継いだ導入済みワークフローの技術オンボーディング設計・実施 顧客の業務ワークフローに合わせた AI 活用方法の設計・提案 トレーニング資料・ベストプラクティスの作成・提供 ●利用定着・ROI実現 成功指標 (KPI) の設計と定期的なROIレビュー 利用状況モニタリングとプロアクティブな改善提案 利用データのダッシュボード構築・定量分析による課題の早期発見 プロンプト最適化・エージェント設定の改善支援 評価基盤 (eval) の運用支援・品質改善 ●テクニカルサポート・問題解決 レポートされた問題の技術的調査・根本原因分析 テクニカルサポートのエスカレーション対応 API/SDK/インテグレーションに関する技術支援 セキュリティ・ガバナンス・コンプライアンス対応 ●プロダクトフィードバック・拡大展開 顧客フィードバックの収集とプロダクトチームへの還元 拡大展開 (アップセル/クロスセル) の技術支援 新規ユースケースの発見・提案 【業務シナリオ例】 ● シナリオ 1 : SaaS 横断ワークフローの利用定着支援 FDE が製造業の顧客に構築した「経費精算自動承認ワークフロー」(楽々精算 → SmartHR 連携) の導入後、利用率が伸び悩んでいる。 利用データを分析し、「現場作業者がスマートフォンから使いにくい」「承認結果の通知が遅い」という課題を特定。 モバイル向けの利用ガイドを作成し、通知設定を最適化。 さらに、現場向けトレーニングを実施。 利用率が 2倍に改善し、月間 400時間の業務削減効果を可視化して経営層に報告。 ● シナリオ 2 : 「企業の脳」の ROI 可視化と全社展開 FDE が金融機関の 1部門に構築した「見込み顧客探索エージェント」の導入後、ROI レビューを実施。 アプローチ数 3倍、受注率 15% 向上という成果を定量化し、経営層向けレポートを作成。 この成果をもとに、他の 5部門への全社展開の意思決定を支援し、アップセルに貢献。 展開先の各部門に合わせたプロンプト最適化とエージェント設定の調整を実施。 ● シナリオ 3 : ワークフロー品質改善のフィードバックループ 小売業の顧客が JAPAN AI AGENT を活用した「稟議承認 AI」で、回答精度に関するフィードバックが増加。 eval 基盤を活用して回答品質を定量分析し、特定の稟議カテゴリで factuality スコアが低いことを特定。 プロンプト最適化とナレッジベースの改善を提案し、回答精度が 15% 向上。 この改善パターンをプロダクトチームにフィードバックし、JAPAN AI AGENT の標準テンプレートとして全顧客に展開。 ●ミッション 「企業の脳」が定着し、成果を出し続ける状態を作る AI プロダクト導入後の顧客成功を技術面から最大化し、利用定着・拡大展開・ROI 実現を推進する。 ●AI Success Engineerとは AI Success Engineerは、OpenAI社やDatabricks社が確立した職種で、AIプロダクトの導入後に顧客の成功を技術面から支援するエンジニアです。 従来のカスタマーサクセスやテクニカルサポートとは異なり、AIプロダクト特有の課題 (プロンプト最適化、eval設計、利用データ分析、ワークフロー改善) を技術的に解決する専門職です。 従来のカスタマーサクセス | AI Success Engineer 利用状況のモニタリング・報告 | 利用データを分析し、プロアクティブに改善提案 機能の使い方を説明する | AIの使い方を設計し、業務ワークフローに組み込む 問い合わせに対応する | 問題の根本原因を技術的に特定・解決する チャーン防止 | ROI実現・拡大展開の推進 ●FDE との分担 FDE | AI Success Engineer 課題発見→PoC→本番導入 | 導入後の定着→活用拡大→ROI 実現 「企業の脳」を実装する | 「企業の脳」が成果を出し続ける状態を作る 新規ワークフローの構築 | 既存ワークフローの改善・最適化 顧客の未来を発見する | 顧客の成功を証明する ●期待する役割について AI Success Engineer として、顧客の AI プロダクト導入後の成功を技術面からリードしていただきます。 FDE が構築した「企業の脳」のワークフローが現場で実際に使われ、成果を出し続ける状態を作る 顧客の業務部門・IT 部門と密接に連携し、AI プロダクトが実際の業務で成果を出し続ける状態を作る 顧客の IT 部門・開発チームと協働し、API 連携やデータ統合の技術支援を行う 利用データの分析に基づくプロアクティブな改善提案を行う レポートされた問題の技術的調査・根本原因分析を行い、エスカレーション対応をリードする 顧客フィードバックをプロダクトチームに還元し、プロダクトの進化に貢献する ●成果責任 (KR/メトリクス) 顧客ヘルススコア (利用率、API呼出数、アクティブユーザー数) チャーン率 ≤ 目標値 拡大展開率 (アップセル/クロスセル貢献) 顧客NPS ≥ 目標値 技術サポートチケット解決時間 (MTTR) ●チーム体制 約120名が開発組織に在籍しています。 AI Success Engineerは以下のチーム・ステークホルダーと密接に連携します: FDE — 導入フェーズからの引き継ぎ Deployment Strategy — 顧客への導入戦略・展開推進 プロダクトチーム — フィードバック還元 サポートチーム — エスカレーション対応 ●開発環境 言語 : Python (自動化・分析), SQL (データ分析) AI / LLM : JAPAN AI STUDIO SDK, プロンプトエンジニアリング, RAG データ : BigQuery, Looker, Pandas インフラ : GCP, Docker (基礎理解レベル) ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin 作業環境 : Mac (Apple Silicon), デュアルモニタ対応

JAPAN AI株式会社

Agent Harness の設計・実装 エージェント実行エンジン (Graph Runtime / State Machine) の設計・実装 Agent SDK の設計・開発 — 社内エンジニアがエージェントを構築するためのインターフェース セッション管理・チェックポイント・リカバリ機構の実装 ガードレール / ポリシー実行エンジンの構築 — エージェントの行動を制御するルール実行基盤 AI/ML システム統合 モデルルーティング — 複数の LLM プロバイダ / モデルタイプを跨いだ推論リクエストの最適ルーティング コンテキスト管理・メモリ基盤の設計 (長期記憶、ワーキングメモリ、RAG 統合) 推論パイプラインの最適化 (レイテンシ削減、コスト効率化、キャッシュ戦略) Research Engineer と連携した最新研究成果の本番基盤への統合 オーケストレーション・パフォーマンス ワークフローオーケストレーション・キューイングシステムの開発 コスト/性能最適化 (オートスケーリング、キャッシュ、バッチ処理) 推論リクエストのルーティング・ロードバランシング 信頼性・運用 プラットフォーム稼働率 99.9% 以上の維持 インシデント対応・ポストモーテム データアクセス・権限管理基盤の設計 【業務シナリオ例】 ※以下は想定される業務シナリオの例です ● シナリオ 1: エージェント実行エンジンの設計 JAPAN AI STUDIO 上で顧客が構築する AI エージェントの実行基盤を設計。 Graph Runtime を採用し、エージェントの各ステップを DAG (有向非巡回グラフ) として表現。 チェックポイント機構により、長時間タスクの途中失敗からの自動リカバリを実現。 ● シナリオ 2: モデルルーティングの最適化 複数の LLM プロバイダ (OpenAI / Anthropic / Google 等) を跨いで、タスクの種類・コスト・レイテンシに応じた最適なモデルを自動選択するルーティングエンジンを設計。 推論コストを 25% 削減しつつ、タスク成功率を維持。 ● シナリオ 3: ガードレール実行エンジンの構築 金融機関向けエージェントが「投資助言」に該当する回答を生成しないよう、ポリシー実行エンジンを構築。 ルールベース + LLM ベースのハイブリッド判定により、レイテンシを 50ms 以内に抑えつつポリシー準拠率 99.5% を達成。 ●ミッション 「企業の脳」の心臓部を設計する AI エージェントが安全・高速・確実に動作するための Agent Harness — 実行エンジン、オーケストレーション、ガードレール、メモリ、モデルルーティングを設計・実装する。 JAPAN AI STUDIO 上で動く数百のワークフローの制御基盤を、自社で構築する。 ●Agent Harnessとは Agent Harnessは、AIモデルを包み込む制御・実行基盤レイヤーです。 Agent Framework (LangChain等) がエージェントの「構築」を担うのに対し、Agent Harnessはエージェントの「制御・運用」を担います。 ●Backend Engineer 構築対象 : Web API・マイクロサービスの設計・実装 AI/ML との関わり : ML モデルを API 経由で呼び出す 状態管理 : ステートレスなリクエスト / レスポンス 安全性制御 : 認証・認可・入力バリデーション | ガードレール / ポリシー実行エンジン — LLM の出力を制御するルール実行基盤 ●Agent Harness Engineer 構築対象 : LLM を中核としたエージェント実行エンジン・SDK・オーケストレーターの設計・実装 AI/ML との関わり : モデルルーティング、RAG 統合、コンテキスト注入、推論最適化をシステムレベルで設計 状態管理 : エージェントのセッション管理・チェックポイント・長期記憶・ワーキングメモリの設計 安全性制御 : ガードレール / ポリシー実行エンジン — LLM の出力を制御するルール実行基盤 JAPAN AI では、この Agent Harness を自社開発し、全プロダクト (JAPAN AI STUDIO / CHAT / SPEECH / AGENT 等) の共通基盤として運用しています。 ●期待する役割について Agent Harness Engineer として、AI / ML の知識を活かしながらエージェントの制御・実行基盤を設計・実装していただきます。 LLM / AI エージェントの動作原理を深く理解した上で、実行エンジン (Graph Runtime / State Machine) を設計・実装する モデルルーティング、コンテキスト管理、メモリ基盤 (長期記憶・ワーキングメモリ) など、AI 特有のシステム設計を担う 社内 120名のエンジニアが使う Agent SDK を設計・開発する ガードレール / ポリシー実行エンジンを構築し、エージェントの行動を安全に制御する Research Engineer と連携し、最新の研究成果を本番基盤に統合する ●成果責任 (KR/メトリクス) Agent SDK 採用率 (社内チームの利用率・満足度) エージェント実行成功率 (タスク完了率、チェックポイントからのリカバリ成功率) Harness 起因の障害率 (ガードレール突破率、状態不整合率) 実行レイテンシ P95 / P99 (Harness 層のオーバーヘッド) 推論コスト効率 (モデルルーティングによるコスト最適化) 開発者体験スコア (SDK / API の社内 NPS) ●チーム体制 約120名が開発組織に在籍しています。 Agent Harness Engineerは以下のチームを横断して活動します: Infra — クラウドインフラ・SRE Data — データパイプライン・分析基盤 Agent Harness — エージェント実行フレームワーク 密接に連携する役割: Agentic Product Engineer — エージェント機能開発 (SDK のユーザー) Research Engineer — 研究開発・新手法の基盤統合 AI Quality Scientist — 評価パイプラインとの連携 Product Manager — プロダクト設計・非機能要件定義 ●開発環境 言語 : Python, Go (バックエンド・基盤開発) , TypeScript / React / Next.js (フロントエンド部) / NX インフラ : GCP (コンテナ / K8s) , Docker, Terraform メッセージング : Kafka / Pub/Sub 監視 : Prometheus, Grafana, OpenTelemetry ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin 作業環境 : Mac (Apple Silicon) , デュアルモニタ対応

JAPAN AI株式会社

期待する役割 シニアプロジェクトマネージャー (IC) として、以下の3つのミッションを担っていただきます。 1.戦略案件・重要案件のデリバリー責任者 として、複数プロジェクトの成功確率を最大化する 2.AI/LLMプロジェクト 特有の不確実性を前提に、評価設計・運用設計・ガバナンスまで含めてプロジェクトを完遂する 3.プロジェクト運営の型化・標準化 を推進し、組織として再現性のあるデリバリー体制を構築する 業務内容 ●プロジェクト/プログラムマネジメント (中核) ・複数プロジェクト (並行案件) の計画策定、進捗・課題・リスク・依存関係の統合管理 ・顧客経営層・事業責任者との合意形成 (スコープ、優先度、変更管理、検収条件) ・品質管理 (要件の曖昧さを潰す、受け入れ基準の設計、レビュー、手戻り抑制) ・重要インシデント・炎上兆候の早期検知、エスカレーション、収束までの指揮 ・プロジェクトドキュメント (要件定義書・仕様書・WBS等) の作成・レビュー ●AI/LLMプロジェクト特有の設計・推進 ・AI機能の要件定義 (顧客期待値の調整、ユースケース定義、技術的制約の整理) ・品質評価の設計・運用 (評価指標の策定、テスト観点の設計、改善サイクルの構築) ・情報管理・セキュリティ/コンプライアンス要件を踏まえた推進 (社内法務・セキュリティチームとの連携) ・AI特有の不確実性 (精度のばらつき、ハルシネーション等) を前提としたスコープ・スケジュール設計 ●デリバリーオペレーションの型化 (PMO的役割) ・プロジェクト標準の整備 (テンプレート、進行ルール、品質ゲート、WBS粒度、定例体の設計) ・主要メトリクスの設計・可視化 (例:納期遵守率、手戻り率、検収リードタイム、重大障害件数、顧客満足度) ・PMメンバーへのナレッジ共有・レビュー支援・再発防止の仕組み化 ●従事すべき業務の変更の範囲 会社の定める業務 チーム体制 ●開発組織:約70名 (PM/エンジニア/デザイナー/QA等) ●配属:PjM (プロジェクトマネージャー) チーム ・自社SaaS・AIエージェントを顧客向けソリューションとして開発・提供 ・クライアントワークが中心で、顧客折衝・要件定義から納品まで一貫して担当 ●協働メンバー: ・PdMチーム、エンジニア (フロントエンド、バックエンド、AI/ML) 、デザイナー、QAエンジニア ・セールス、カスタマーサクセス、クライアント企業の担当者

JAPAN AI株式会社

このポジションでは、以下の業務に取り組んでいただきます。 ●顧客対応・提案業務 営業チームと連携した顧客の技術的課題のヒアリング 顧客の課題に対する最適なソリューション提案 技術検証(PoC)の企画・実施・評価 提案資料・技術提案書の作成 デモンストレーション・プレゼンテーションの実施 ●技術支援業務 システム要件の理解とスコープ定義 RFP対応・技術提案書作成 顧客の業務理解と課題の構造化 営業チームへの技術的サポート ●その他業務 プロダクトの技術的知見の蓄積と共有 顧客フィードバックのプロダクト開発への反映 技術トレンドの調査と社内共有

JAPAN AI株式会社

エージェント研究開発 異なるエージェント・ハーネスの発案・開発・比較 (メモリ、コンテキスト圧縮、エージェント間通信アーキテクチャ等) 新しい推論・計画・検索手法の研究開発 マルチモーダル・長文コンテキスト対応の技術開発 最新論文の調査・再現・改良実装 評価・ベンチマーク 大規模なエージェント型タスクのための厳密な定量ベンチマークの設計・実装 合成データ生成・評価ベンチマーク設計 モデルとプロンプトの自動評価支援 (学習 → プロダクトライフサイクル全体) プロダクション課題の解決 推論レイテンシ / コスト最適化 (量子化、蒸留、キャッシュ等) モデル学習用データミックスの作成・最適化 エージェント評価フレームワークの高度化 本番環境での品質改善・パフォーマンスチューニング 技術移転・発信 Agentic Product Engineer チームへの技術移転・メンタリング 学術機関・OSS コミュニティとの連携 【業務シナリオ例】 ※以下は想定される業務シナリオの例です ● シナリオ 1 : SaaS 横断検索のためのナレッジグラフ RAG の研究開発 JAPAN AI STUDIO が「企業の脳」として機能するには、顧客の全 SaaS に散在する情報を横断的に検索・統合する必要がある。 既存の RAG では「Aプロダクト の従業員データ」と「Bプロダクト の商談データ」の関係性を捉えられず、回答精度が低い。 ナレッジグラフベースの RAG アーキテクチャを研究・開発し、エンティティ間の関係性を構造化。 SaaS 横断検索の回答精度を 40% 向上させ、Agentic Product Engineer チームに技術移転して全プロダクトに展開。 ●ミッション Agentが降参する問題を解く 現在の AI エージェントでは解決できないフロンティア課題に挑み、新しい推論手法・検索 / 計画・長期記憶・ツール利用の品質限界を突破する。 JAPAN AI STUDIO 上で動く数百のワークフローが、より賢く・速く・安全に動作する未来を、研究で切り拓く。 ●期待する役割について Research Engineer として、AI/LLM/ML の最先端研究と応用研究をリードしていただきます。 異なるエージェント・ハーネスの発案・開発・比較 (メモリ、コンテキスト圧縮、エージェント間通信アーキテクチャ等) 大規模なエージェント型タスクのための厳密な定量ベンチマークの設計・実装 モデルとプロンプトの自動評価を支援し、学習からプロダクトライフサイクル全体にわたって品質を担保 プロダクト組織と協力し、エージェントをプロダクトに適用するうえでの最も困難な課題を解決 モデル学習用データミックスの作成・最適化により、エージェントタスクにおける性能と使いやすさを向上 研究成果を Agentic Product Engineer チームに移転し、プロダクト全体の品質を底上げ 論文を書くことがゴールではありません。 研究成果をプロダクションに適用し、約 200 社が利用する本番環境でユーザーに届けることを重視します。 ●成果責任 (KR/メトリクス) ベンチマークスコア改善率 (社内 / 公開ベンチマーク) 新手法のプロダクション適用数 (四半期あたり) 推論レイテンシ / コスト改善率 論文・技術ブログ発表数 社内技術移転完了数 ●チーム体制 約120名が開発組織に在籍しています。 Research Engineerは以下のプロジェクトを横断して活動します: JAI Lab — AI研究開発 AI&Model — モデル学習・最適化 Voice & Tel — 音声AI・電話システム 密接に連携する役割: Agentic Product Engineer — エージェント機能開発 (技術移転先) Agent Harness Engineer — エージェント実行基盤 AI Quality Scientist Specialist — 評価パイプラインとの連携 Product Manager — プロダクト設計 ●開発環境 言語 : Python (研究・フレームワーク部), TypeScript / React / Next.js (フロントエンド部) / NX ML / AI : PyTorch, JAX, Transformers, vLLM, Weights & Biases インフラ : GCP (コンテナ / K8s), Docker ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin 作業環境 : Mac (Apple Silicon), デュアルモニタ対応

GO株式会社

仕事概要 タクシー配車サービス『GO』の実現に欠かせない車載アプリ(タクシー車内で動いているAndroidアプリ)の開発と継続的な改善をします。 GO Inc.は技術力を強みとしていますが、技術そのものを目的とした会社ではなくプロダクトに向き合うことを大切にしています。 ユーザーの課題やニーズを理解し、より良い体験を追求しながら開発を進めていきます。 今後はタクシー配車にとどまらず、社会課題解決に向けてより複雑なシステムを含めたモビリティプラットフォームを作り上げていきます。 [「日本の"移動"を止めない」──GO IoT本部が挑む、車載システムの統合と品質の裏側](https://go-on.goinc.jp/n/n03b4732753f9?gs=29fb937a7559) 業務内容 タクシー車両内で動く車載システムがあります。 車載システムは、Androidアプリがいくつかの機器と連携して動くことで機能を実現しています。車載システムは次世代のモビリティ体験を支える新規開発が継続しています。 本ポジションでは、従来のアプリ単体のテストにとどまらず、ハードウェア・ソフトウェアが連携する車載システムの品質向上に向けたテストエンジニアリングをリードしていただきます。不具合の検出だけではなく、開発初期から「品質を作り込む」ための計画づくりと実行がミッションです 解決したい課題 ●ハードウェアエンジニア、ソフトウェアエンジニア、QA、PdMなど各専門領域の知見を統合して品質を作り込むプロセスの構築 ●CI基盤と運用フローの構築・改善 ●テスト自動化によるリリースサイクル低下の防止と向上 開発環境 プログラミング言語 :Kotlin, TypeScript, SQL ライブラリ類等 :Android Jetpack, Kotlin coroutines, Appium, Firebase, GCP, BigQuery, etc. CI/CD :Github Actions、Bitrise 所属組織 ソフトウェアエンジニア4名のチームです。カンバンでタスクの状況を把握できるようにしています。コミュニケーションはSlackとGoogle Meetを使っています。 2名がテストエンジニアとして業務をしています。残りの2名はAndroidアプリエンジニアで内部品質の向上を担っています。