【JAPAN AI】AI Quality Scientist / Japanese
AI Quality Scientist / Japanese
"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。
評価メトリクスの研究開発から自動評価パイプラインの本番実装まで、「AI 評価科学」という新しい研究領域を社内に確立し、約 200 社が本番利用するプロダクトの品質を科学的に保証します。
AI Quality 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
●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
●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
