フルリモート（出社なし） MLopsエンジニアの求人・転職情報

プロダクト基盤グループでプロダクトマネージャーを担当していただきます。 プロダクト基盤グループは、マルチプロダクト戦略を支える基盤を構築するグループで、プロダクト数や領域拡大に伴う課題解決やスケーラビリティの向上、プロダクト間のデータやプロセス連携のための開発を担当します。 具体的には以下のようなプロダクトを開発しています。 ・権限基盤 ・課金基盤 ・従業員データ基盤 ・各プロダクトに散在するデータの集約と活用API基盤 SmartHRにおけるプロダクトマネージャーの役割は、「何を作るか」「なぜ作るか」の2点に責任を持ち、開発チームと協働しながらユーザーにプロダクトを届けることです。 具体的には以下のような業務を担当していただきます。 ・共通基盤のプロダクトビジョンや目標、ロードマップの策定 ・新規の共通基盤や連携機能の企画や設計、推進 ・既存の共通基盤やAPI改善のための企画や設計、推進 ・解像度を高めるためのディスカバリー(ヒアリングやデータ分析など) ・メトリクス設計・データ分析 ・各プロダクトチームと認識を揃えるためのドキュメント作成やコミュニケーション、調整 なお、以下のような業務はプロダクトマネージャーの役割に含まれません。 ・事業計画の策定や予算の管理 ・開発メンバーの人的マネジメント ・キャンペーン設計や広告出稿などのマーケティング業務 ・サービスサイトやLPなどのウェブディレクション業務 ・ヘルプページやユーザー向け学習コンテンツの作成 ※業務内容変更範囲:会社の定める業務

マッチング領域やTrust & Safety領域などにおけるAI/ML機能のプロダクト実装・評価・改善は、主にデータサイエンティストやプロダクトAI/MLエンジニア、ソフトウェアエンジニアが担います。本ポジションでは、それらのAI/ML機能がプロダクト上で安全かつ継続的に価値提供できるよう、社内のML/LLM基盤、推論基盤、開発・運用環境、標準パターンを設計・開発・運用していただきます。 ML基盤を、社内のAI/ML活用を支える重要な技術基盤であると同時に、データサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニアが安全かつ再現性高くAI/MLを本番活用するためのプラットフォームとして捉え、標準化・セルフサービス化・Developer Experienceの向上にも取り組んでいただきます。 ●機械学習の学習・評価・予測・デプロイ・監視を効率的に実現するためのML基盤の設計・開発・保守・運用 ・機械学習APIサーバー、オンライン推論基盤、バッチ推論基盤の設計・開発・運用 ・機械学習システムのためのデータパイプライン、特徴量管理、Feature Store等の設計・開発・運用 ・機械学習ワークフロー、実験管理、モデル管理、評価・検証プロセスの設計・開発・運用 ・ML関連の開発業務を効率化する社内ライブラリ、テンプレート、サンプル実装、開発環境の整備 ●プロダクトAI/MLエンジニアやデータサイエンティストが、AI/ML機能を本番環境で安全に実装・運用するためのProduction Readinessの整備 ・モデル精度、データ品質、ドリフト、レイテンシー、エラー率、コストなどの監視・可視化の仕組みづくり ・モデル更新、ロールバック、障害対応、インシデント対応、Runbook整備などの運用標準化 ・個別プロダクト機能の要件を踏まえた、基盤側の非機能要件・運用要件・責務分界の整理 ●生成AI/LLMを複数チームで安全に活用するためのLLMOps基盤・AIガバナンスの設計・開発・運用 ・プロンプト管理、評価データセット、出力品質評価、LLM as a Judge、リグレッションテスト等の共通基盤づくり ・LLMアプリケーションの監視、コスト管理、Fallback、ガードレール、セキュリティ・利用ポリシー整備 ・個別ユースケース実装を担うチームが、安全に生成AI/LLMを利用するためのルール・テンプレート・レビュー観点の整備 ●データサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニアが迷わずAI/ML機能を開発・運用できるゴールデンパスの整備 ・CI/CD、IaC、コンテナ、クラウド、権限管理、Secret管理、監査ログ等を組み込んだ標準パターンの設計・運用 ・テンプレート、ドキュメント、チェックリスト、オンボーディング資料、開発者向けガードレールの整備 ・個別案件から共通パターンを抽出し、セルフサービス化・自動化・再利用可能な形へ昇華 ●上記を実現するための非機能要件・運用品質の継続的な改善 ・IaCによるインフラ構築・管理 ・CI/CDによるテスト・デプロイ自動化 ・サービス監視、ログ、メトリクス、トレース、アラートの設計・運用 ・パフォーマンス、可用性・信頼性、セキュリティ、コスト効率を考慮した設計・実装および継続的な改善 ●社内のデータサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニア等への教育・スキルトランスファー、技術支援 ●ML/LLM基盤活用戦略の作成・推進、全社的なAI/ML活用の環境整備・啓蒙活動 扱っているデータ ・アプリユーザーのアクセスログ、募集内容に関する情報 ・マッチングに関する情報 ・レビューや評価情報や、アプリインストールなどの広告効果に関わるデータ ・問い合わせに関するデータ ・営業活動情報のデータ 上記のようなデータを扱っております。 技術スタック(主要な部分の抜粋) ●クラウド ・Google Cloud ●開発言語 ・Python ●データ基盤 ・BigQuery / Fivetran / dbt Cloud ●ML / LLM基盤 ・Vertex AI / MLflow / LiteLLM / Datadog LLM Observability ●BIツール ・Looker / Looker Studio ●IaC ・Terraform ●開発環境・ツール ・Visual Studio Code / Cursor / Claude Code / GitHub Copilot / Devin / GAS etc

マッチング領域やTrust & Safety領域などにおけるAI/ML機能のプロダクト実装・評価・改善は、主にデータサイエンティストやプロダクトAI/MLエンジニア、ソフトウェアエンジニアが担います。本ポジションでは、それらのAI/ML機能がプロダクト上で安全かつ継続的に価値提供できるよう、社内のML/LLM基盤、推論基盤、開発・運用環境、標準パターンを設計・開発・運用していただきます。 ML基盤を、社内のAI/ML活用を支える重要な技術基盤であると同時に、データサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニアが安全かつ再現性高くAI/MLを本番活用するためのプラットフォームとして捉え、標準化・セルフサービス化・Developer Experienceの向上にも取り組んでいただきます。 ●機械学習の学習・評価・予測・デプロイ・監視を効率的に実現するためのML基盤の設計・開発・保守・運用 ・機械学習APIサーバー、オンライン推論基盤、バッチ推論基盤の設計・開発・運用 ・機械学習システムのためのデータパイプライン、特徴量管理、Feature Store等の設計・開発・運用 ・機械学習ワークフロー、実験管理、モデル管理、評価・検証プロセスの設計・開発・運用 ・ML関連の開発業務を効率化する社内ライブラリ、テンプレート、サンプル実装、開発環境の整備 ●プロダクトAI/MLエンジニアやデータサイエンティストが、AI/ML機能を本番環境で安全に実装・運用するためのProduction Readinessの整備 ・モデル精度、データ品質、ドリフト、レイテンシー、エラー率、コストなどの監視・可視化の仕組みづくり ・モデル更新、ロールバック、障害対応、インシデント対応、Runbook整備などの運用標準化 ・個別プロダクト機能の要件を踏まえた、基盤側の非機能要件・運用要件・責務分界の整理 ●生成AI/LLMを複数チームで安全に活用するためのLLMOps基盤・AIガバナンスの設計・開発・運用 ・プロンプト管理、評価データセット、出力品質評価、LLM as a Judge、リグレッションテスト等の共通基盤づくり ・LLMアプリケーションの監視、コスト管理、Fallback、ガードレール、セキュリティ・利用ポリシー整備 ・個別ユースケース実装を担うチームが、安全に生成AI/LLMを利用するためのルール・テンプレート・レビュー観点の整備 ●データサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニアが迷わずAI/ML機能を開発・運用できるゴールデンパスの整備 ・CI/CD、IaC、コンテナ、クラウド、権限管理、Secret管理、監査ログ等を組み込んだ標準パターンの設計・運用 ・テンプレート、ドキュメント、チェックリスト、オンボーディング資料、開発者向けガードレールの整備 ・個別案件から共通パターンを抽出し、セルフサービス化・自動化・再利用可能な形へ昇華 ●上記を実現するための非機能要件・運用品質の継続的な改善 ・IaCによるインフラ構築・管理 ・CI/CDによるテスト・デプロイ自動化 ・サービス監視、ログ、メトリクス、トレース、アラートの設計・運用 ・パフォーマンス、可用性・信頼性、セキュリティ、コスト効率を考慮した設計・実装および継続的な改善 ●社内のデータサイエンティスト、プロダクトAI/MLエンジニア、ソフトウェアエンジニア等への教育・スキルトランスファー、技術支援 ●ML/LLM基盤活用戦略の作成・推進、全社的なAI/ML活用の環境整備・啓蒙活動 技術スタック(主要な部分の抜粋) ●クラウド ・Google Cloud ●開発言語 ・Python ●データ基盤 ・BigQuery / Fivetran / dbt Cloud ●ML / LLM基盤 ・Vertex AI / MLflow / LiteLLM / Datadog LLM Observability ●BIツール ・Looker / Looker Studio ●IaC ・Terraform ●開発環境・ツール ・Visual Studio Code / Cursor / Claude Code / GitHub Copilot / Devin / GAS etc 扱っているデータ ・アプリユーザーのアクセスログ、募集内容に関する情報 ・マッチングに関する情報 ・レビューや評価情報や、アプリインストールなどの広告効果に関わるデータ ・問い合わせに関するデータ ・営業活動情報のデータ 上記のようなデータを扱っております。

PoCから本開発(システムの本番導入)まで手がける案件の増加により、開発エンジニアリングチームを拡大しています。 その拡大に伴い、システム開発案件のプロジェクトマネジメントの強化を検討しており、同領域におけるプロジェクトマネジメント機能を専任の担当者にお任せしたいと考えています。 弊社のソリューションデザイナ(※1)や機械学習エンジニア、及び外部の協力会社と連携しながら、PMの立場より機械学習を用いたシステム/サービス開発プロジェクトを推進いただきたいです。 また、通常業務に加えPM業務の型化やノウハウ蓄積などを含めた組織拡大を牽引する存在としてご活躍いただくことを期待しています。 (※1)ソリューションデザイナとはAIをビジネスで実用化するために「ビジネス」と「機械学習・AI」双方の高度な知識を持ちクライアント企業の課題解決・共同開発・新規事業や全社DXを推進する当社独自の専門人材です。 製造業、インフラ・建設、マーケティング、メディア、Webサービスをはじめとした大手企業の新規事業部門、AI/DX推進部門、研究開発部門に対して、企画提案〜プロジェクト実行まで幅広い業務を実行しています。 ●業務内容 機械学習を用いたシステム/サービス開発プロジェクトのPMとしてプロジェクト運営をお任せします。 ※機械学習エンジニアが実装したモデルをシステム上に載せるというイメージです。 ●具体的な業務内容 〜提案フェーズ〜 ・プロジェクト計画書の作成、wbsの作成 ・アクティビティの洗い出し、スケジュール作成、依存関係とリソースの割り当て ・コスト見積もり ・リスクの特定、評価 〜要件定義・仕様策定・設計フェーズ〜 ・要件定義書の作成、合意取得 ・仕様書の作成、合意取得 ・進捗管理、スケジュールの詳細化 ・品質要件の定義、品質管理プロセスの実施、品質管理チェックリストやレビューの実施、テスト計画の策定 〜テストフェーズ〜 ・試験計画書の作成、合意形成 ・試験仕様書の作成 ・pj状況により試験の実施 ・外部ベンダーとの連携試験の調整 〜運用・保守フェーズ〜 ・進捗管理、インシデントの管理 ・品質監視と定期的なテスト ・保守チームのリソース確保、チームの技術研修 ・障害発生時の関係者への報告と連絡 ・運用リスクの特定と対応策の策定 ・インシデント発生時のリスク対応 ・保守外部ベンダーの管理

「AI開発部」でAIプロダクトマネージャーを担当していただきます。 AI開発部は各プロダクトチームと連携しながら、AIを用いた機能を実験、実装、運用するチームです。将来的には学習パイプライン、各プロダクトで横断的に利用するデータ基盤の整備など、ML/LLMOpsにも取り組みます。 現在は具体的に以下のようなテーマに取り組んでいます。 ・他社プロダクトとのデータ連携の効率化 ・書類からのデータ入力の効率化 ・タレントマネジメント関連データの分析高度化 AIプロダクトマネージャーの役割は、各プロダクトの解決しなければいけない課題を理解し「何をつくるのか」「なぜつくるのか」に責任を持ち、開発チームと一緒に「どのようにつくるか」「どう実現するか」を考え、推進していくことです。 具体的には以下のような活動を行います。 ・各プロダクトチームと認識を揃えるためのドキュメント作成やコミュニケーション、調整 ・中長期ミッション達成のためのチームの目標やロードマップの作成 ・新規のAIを利用したソリューションの企画、実験計画、推進 ・既存のAIを利用したソリューションの企画、実験計画、推進 ・共通モジュール、データパイプライン整備のための企画や設計、推進 ※業務内容変更範囲:会社の定める業務

具体的な技術に関する情報は「歴史に残る模範的なソフトウェアを作ろう(https://hello-world.smarthr.co.jp/)　」をご覧ください。 ●役割 SmartHRのAI開発基盤ユニットは、全プロダクトのAI開発を支援する横断組織として新設されます。 このポジションでは、チームの立ち上げを技術面・組織面の両軸でリードし、各プロダクトチームが安心してAI機能を開発できる共通基盤を作り上げることが期待されています。 AIを組み込んだプロダクト開発が当たり前になりつつある今、可用性・セキュリティ・運用性を考慮した基盤設計は、事業成長の速度を左右する重要な要素です。 コンテキスト基盤やLLM Gateway、認証・認可の仕組みなど、個々のチームが解決しきれない課題を抽象化し、全社に届ける役割を担うのがこのポジションです。 要件定義から関係者との合意形成、実装・運用まで主体的に動ける方に、SmartHRのAI基盤の未来を一緒に描いていただきたいと考えています。 ●具体的な業務内容 入社直後は、マネージャーやAI開発部の仲間のサポートを得ながら複数のプロダクトチームと対話し、AI開発基盤の大きな方向性・要件を関係者と合意していくことからスタートする予定です。 現場の実態を正確に把握し、中長期の計画に紐づく形でチームのロードマップを描いていただきます。 技術的には、LangfuseをはじめとするLLMOpsツールの本格運用設計、コンテキスト基盤やLLM Gatewayのアーキテクチャ設計・実装など、横断的に影響を持つ仕組みの構築が主な業務です。 入社3ヶ月以内にはMVPとなる取り組みに着手し、2027年にかけてチームを最大5名規模へと拡大しながら、基盤全体のオーナーとして開発・運用を推進していただくことを期待しています。 コードを書く割合は状況に応じて変動しますが、プレイングマネージャーとして手を動かしながらチームをリードしていただきます。 ●開発規模・開発体制 チーム規模 新設チームのため現在0名 2027年にかけてプレイングマネージャー1名+メンバー4名、最大5名体制を目指す予定 開発体制 複数のプロダクトチームと連携しながら、共通基盤の要件定義〜設計〜実装〜運用を一気通貫で担う AI開発部の既存プレイングマネージャー・マネージャーとのサポート体制(ゼロからの立ち上げでも安心して取り組める環境) ●事業概要 SmartHRは「well-working 労働にまつわる社会課題をなくし、誰もがその人らしく働ける社会を作る。」をミッションに掲げ、クラウド人事労務ソフト「SmartHR」を開発・提供しています。 今後、SmartHRが目指すのは「人事労務の効率化ツール」ではなく、日本の働き方そのものを変える社会インフラです。給与・勤怠・タレントマネジメントを横断する「人的資本経営プラットフォーム」への進化を挑戦し、企業が「人」に投資できる社会の実現を目指しています。 数百万人のユーザーに支えられるプロダクトがすでにありながら、日本全法人へのカバー率はまだ数パーセント。解くべき課題の広さは、市場の広さそのものです。2030年に売上1,000億円を目標に掲げ、「日本全体の企業とそこで働く人々の当たり前を変える」という大きな挑戦に挑んでいます ●現在取り組んでいる、または今後取り組みたい課題 LLMOpsの整備(LLMの運用管理・モニタリング・バージョン管理の仕組み化) コンテキスト基盤の構築(各プロダクトが共通利用できる情報基盤の設計) LLM Gatewayの整備(全社横断でのLLMアクセス制御・コスト管理) 認証・認可の実装(AIエージェントを安全に運用するための権限管理設計) ガードレールの整備(AIの安全な利用を保証する仕組みの構築) ●配属先 AI開発本部 / AI開発部 / AI開発基盤ユニット / プレイングマネージャー 業務内容変更範囲 会社の定める業務 ●参考情報 AIでSaaSは死なないし、業務システムをAIで内製化してはいけない(https://real.smarthr.co.jp/articles/times_serizawa_0008) 「人的資本経営プラットフォーム」へ進化。2030年売上1000億円を目指し、新たな事業戦略を発表(https://smarthr.co.jp/news/press/20250603_jigyousenryaku/) 2030年に向けた事業戦略─CEOが語る「働く人を支えるインフラ」への挑戦 - YouTube(https://www.youtube.com/watch?v=isrl9YdOjgQ) ●参考資料 SmartHR 会社紹介資料 / We are hiring(https://speakerdeck.com/smarthr_pr/smarthr-company-introduction1) エンジニア採用サイト(https://hello-world.smarthr.co.jp/ SmartHR Tech Blog(https://tech.smarthr.jp/) SmartHR プロダクトデザイン(https://note.com/smarthr_co/m/m0b87dcc52cb0) SmartHR note(https://note.com/smarthr_co) GPTW Japanの「働きがい認定企業」に選出(https://smarthr.co.jp/news/press/27057/)

・情報セキュリティポリシーの策定、実施、アセスメント ・新規IT ツールの調査、評価、導入プロジェクトのリード ・社内簡易ツールの開発、改善、運用 ・社内セキュリティ教育プログラムの企画・実施 一緒に働くチームの特徴 ・プライム上場企業でIT 部門を統括経験があり、IT 戦略・プロジェクト管理に長けたメンバー(40 代後半・男性) ・前職でも部長級でシステム管理、DX ツール導入に取り組んでいるメンバー(30 代後半・男性)

Trackプラットフォーム上のスキルデータ基盤「Skill Data Cloud」およびスキルオントロジーレイヤーを設計・構築・運用し、AIフレンドリーなデータ/ML基盤として高度に整備していくリードポジションです 。 スキルタクソノミーのメンテナンスとスキルデータ分析、ML/生成AIを活用したデータパイプライン・MLOps基盤構築を通じて、プロジェクト実績・学習履歴・アセスメント等の多様なデータの信頼性・関連性をデータドリブンに担保します。 ビジネスサイドと連携しつつ、データサイエンティストチームへの指示出しやプロジェクトディレクションを担い、Skill Intelligence Lab全体の技術・運用標準をリードしていただきます 。 ●スキルタクソノミー・オントロジーの設計・メンテナンス: スキル同士の関連性のモデル化や変更履歴管理プロセスを設計し、組織全体での利用ルールや品質指標を確立します 。 ●Skill Data Cloudの設計・構築・運用: 複数データソースを統合する基盤設計をリードし、AIフレンドリーなデータ基盤の実現に向けたアーキテクチャ指針やロードマップを策定します 。 ●スキルデータ分析基盤の構築: スキル関連性を分析するモデルの選定・実装を行い、プロダクト改善や事業戦略に繋がる指標体系を標準化します 。 ●ML/生成AIモデルの設計・実装・評価; スキルデータ活用に向けたML機能の設計方針をリードし、モデルアーキテクチャの方向性や品質・リスク管理基準を定義します 。 ●MLOps基盤の設計・構築・運用:セキュリティとスケーラビリティを踏まえた最適なMLパイプライン構造を設計し、Feature Storeやモデルレジストリの導入を主導します。 ●モデルの本番デプロイと推論基盤構築: Kubernetes上でのモデル推論基盤の構成を設計し、CI/CDを用いたデプロイパイプラインの標準を定めます。 ●運用監視・品質管理: モデル監視指標の標準化やA/Bテストの設計をリードし、組織横断の品質管理フレームワークを策定します 。 ●プロジェクトマネジメント:プロジェクト計画の策定、データサイエンティストチームへのディレクション、ビジネスサイドとの要件調整をリードします 。 ※業務の変更の範囲:会社内での全ての業務 ●開発環境・ツール ※指定はありませんが、下記が案件で主に使われる技術です ※支給PC:Windows or Macbook ※最新のMacbook Proを支給することが多いです! ・プログラミング・スクリプト言語:Python ・クラウド・インフラ・コンテナ基盤:パブリッククラウド全般 、Kubernetes ・CI/CD・認証:CI/CD環境 、IAM (Identity and Access Management) ・MLOps・MLプラットフォーム:MLflow 、モデルレジストリ 、Feature Store 、実験管理ツール ・データ基盤:DWH (データウェアハウス) 、データパイプライン構築・運用

●担っていただきたい役割 AX(AIトランスフォーメーション)を「構想」ではなく「現場で機能する仕組み」として実装するために、フォワードデプロイドエンジニア(FDE)として尽力していただきます。 FDE は、顧客企業の業務現場に深く入り込み、課題発見から設計・実装・運用改善までを高い裁量をもってリードするポジションです。 要件が完全に固まっていない状態から、顧客と対話しながら「何を作るべきか」「どこまで作るべきか」を決め、AI/LLM を活用したソリューションを実際の業務に定着させることがミッションとなります。 具体的には以下のような業務に携わっていただきます。 ・顧客企業の業務現場に入り込み、業務フロー・意思決定プロセス・制約条件を踏まえた課題特定 ・業務コンサルタントやテクノロジーコンサルタントと連携し、AI/LLM 活用の方針・優先度を現場視点で整理 ・顧客業務に最適化された AI ソリューションの構想・PoC 開発を主導 ・プロトタイプを迅速に現場へ持ち込み、フィードバックを反映しながら本番実装まで推進 ・導入後も継続的に顧客と向き合い、業務変化や利用状況に応じた改善・高度化をリード