MLopsエンジニア(Datadog)の求人・転職情報

●業務内容 AIの企画・開発・運用からAIガバナンスまでAIに関するあらゆる業務を一手に引き受けており、社内の各部署とコミュニケーションをしながら10倍規模を実現するAIドリブンな事業基盤の構築を目指しています。 ▽AIドリブンな事業基盤の戦略策定・実行 ・全社AIプロジェクト企画と推進 ・プロジェクト企画と評価のためのデータ分析 ▽AIによるビジネス課題の特定と解決 ・社内各部署とのコミュニケーションを通じた業務課題の特定とAIによる改善施策の立案 ・プロダクトチームとのコミュニケーションを通じたAI導入プロジェクトの推進 ・プロジェクト企画と評価のためのデータ分析 ▽AIドリブンな事業基盤の開発・運用(DevOps) ・AIモデルを中心としたAIシステムの要件定義・設計・開発・運用 ▽AIガバナンス ・AI導入時のリスク分析・評価およびリスク管理施策の検討・運用 ・AIを安全かつ最大限に活用するための社内ルール整備、社員教育の推進 ※AIは統計モデル、機械学習、LLMを含む学習モデル全般を意味する ●期待する役割 グループ責任者やチーム責任者のサポートのもと、AI技術導入の企画立案・AI開発運用からAIガバナンスまで、チームの中心メンバーとしてAIドリブンな事業基盤の構築に一緒に挑戦していただける方を募集しています。 ▽AIプロジェクトへの積極的な参画: 各プロジェクトにおいて、自身の専門知識を活かしてAI技術の導入とその適用をサポートし、プロジェクトの目標達成に貢献する。 ▽部門間コミュニケーションの担い手: 社内の他部門と円滑にコミュニケーションを取り、部門間協力を促進してAIシステムの適切な導入を支援する。 ▽AIリスク管理の実施: AI導入時のリスクを認識し、リーダーやチームメンバーとともにリスク管理策の策定と運営に貢献する。 ▽データ分析に基づく実行と評価: データに基づく根拠をもとに、プロジェクト企画や評価を行っていただき、貢献度の高い施策を探求する。 ▽技術向上とナレッジシェア: 最新のAI技術について継続的に学び、チーム内での知識共有を行い、組織全体の技術力向上に寄与する。 ●技術スタック ・クラウドサービス: AWS(実行環境やBedrockの利用), Azure(OpenAIの利用), GCP(Geminiの利用や分析基盤) ・実行環境:AWS ECS, AWS EKS, AWS Lambda ・データベース:AWS Aurora MySQL, AWS DynamoDB ・開発言語:Python ・コード管理:GitHub ・CI/CD:GitHub Actions, ArgoCD ・コンテナオーケストレーション:Kubernetes ・外部サービス:Datadog ・分析基盤:BigQuery ・ドキュメンテーション:Notion ・エディタ:VSCode ・開発支援AI:GitHub Copilot, GPT-4o(Azure OpenAI Service経由) ・生成AI API:Azure OpenAI Service, AWS Bedrock, Gemini API ●オンボーディングおよび育成計画 下記を想定しながら適宜チームでフォローします。 ▽1年目: ・ゴール:AIプロジェクトでのスキル向上 ・内容:プロジェクト参加(サポートを得ながら推進) ・支援:キャリアサポート(月次1on1) ・評価:半年ごとに目標設定と評価 ▽2年目以降: ・ゴール:プロジェクトリーダーへの成長 ・内容:リード役経験、戦略会議参加 ・支援:キャリアサポート(月次1on1) ・評価:半年ごとに目標設定と評価

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。

freeeにおけるAIラボのミッションは、機械学習や統計処理を用いてユーザーに本質的価値（マジ価値）を届けきる事です。「ルーチンワークを自動化して経営状況をリアルタイムにモニタリングする」、「データドリブンな意思決定と経営のアクションをサポートする」など、freeeが提供するサービスにとって必要不可欠なコア技術を一から考えて実現し、継続的な進化を支えています。 本ポジションでは、従来の機械学習技術に加え、LLM, AI Agentを活用したプロダクトへの新しい価値提供や、AI時代のデータストアをリードするエンジニアとして、LLM, AIAgent領域の開発および評価を牽引していただきます。 ●業務内容詳細 freeeの全サービスにまたがる機械学習技術を活用したプロダクト開発、および新規技術分野の研究・調査をお任せします。 ・LLM, AI Agent関連の評価・開発（メインミッション） ・LLMやAI Agentを活用した新規プロダクトの企画・開発、およびモデルやエージェントの精度評価・検証・改善。 ・全社向けに、LLMを活用した業務効率化基盤の構築と運用、プロダクトへのLLM組み込み基盤の構築。 ・機械学習モデルの評価・開発 ・画像認識（OCR）、異常検知などのアルゴリズム開発。 ・MLOps / データ処理パイプライン ・プロダクトの継続運用、効率的な開発を支援するデータ処理パイプライン・学習・評価基盤の構築。 ・継続的改善の為のモニタリングパイプラインの構築と運用。 ●開発環境 AIラボでは、サービスの企画段階から実際の運用に至るまで、ワンチームで行っているという特徴があります。刻々と変化する業界トレンドに合わせて環境も柔軟にアップデートしています。 開発言語: Python（マイクロサービス・開発環境）、Ruby on Rails, Go（アプリケーション） 開発リソース: EKS上のJupyter notebook server on Kubeflow, コンテナ内部で開発, Visual Studio Code Remote MLライブラリ: TensorFlow, PyTorch, scikit-learn, その他状況に応じて選定 フレームワーク: vLLM, strands agent sdk 運用環境: EKS with GitOps CI/CD: Github Actions, Argo CD その他: Datadog, Slack, GitHub, MLFlow, Argo workflows, dbt, langfuse, Looker, Claude Code, terraform etc 業務内容の変更範囲：会社の事業状況やご本人の適性に応じて担当する業務内容が変更となる場合があります

データサイエンティストやAIエンジニアと連携し、下記の業務を担当いただきます。 ●ML基盤の設計・構築・運用 ・AWS,GCP,Azure等を用いたMLインフラの設計・運用 ・PythonコードやMLモデルのDockerイメージ作成、最適化 ・Kubernetes (EKS/GKE/AKS)による本番環境のコンテナオーケストレーション ・Terraform/CloudFormationによるインフラ構成管理 ・コスト見積もり・最適 ●MLOpsパイプライン構築・運用 ・CI/CDパイプライン(GitHub Actions等)設計・運用 ・Airflow, Kubeflow, VertexAI/SageMaker Pipelines等によるMLパイプライン自動化 ・MLflow等による実験管理・モデルレジストリ運用 ●モデルデプロイ・監視 ・ KServe, SageMaker Endpoint等によるモデルAPIデプロイ ・prometheus, Grafana, Datadog等を活用したシステム・モデルのモニタリング ・モデル性能(レイテンシ、精度等)の監視・ロギング・アラート設計 ・再学習サイクルの自動化と改善提案 【主なクライアント】 ・国内の金融業、製造業、流通業、等々多岐にわたる大手企業がクライアントです。 ・大手飲料メーカー、大手通信キャリア、大手自動車会社、大手電力会社、大手保険会社、大手信託銀行、大手航空会社、大手家電メーカー　等

本ポジションの役割 本ポジションでは最新のAI技術を活用し、業務効率化や開発支援ツールの設計・開発を担当します。主に、大規模言語モデル(LLM)やAI支援ツール(Devin、GitHub Copilot Workspace など)の導入・活用を検討し、エンジニアリングの生産性向上に貢献する役割を担っていただきます。 具体的な職務内容 ●AIを活用した開発支援ツールの設計・開発・導入 ●Devin、GitHub Copilot Workspace などの導入検討と最適な運用設計 ●LLMなどの最新AI技術のリサーチ・評価・実装 ●社内エンジニアがAIツールを活用しやすい環境の構築と推進 ●APIやクラウドサービスを活用したAIツールの統合・開発 <開発環境> ・ミドルウェア PostgreSQL, CloudRun, Cloud Pub/Sub, MongoDB, Cloud Storage, Okta, Tailor Platform ・監視 Datadog ・環境構築関連 Docker, docker-compose, Terraform ・言語 TypeScript, Go, Rust ・そのほか GitHub Copilot

Data&Analysis部 AI for Applicationチームに所属。 プロダクト戦略に基づいた戦略策定・開発計画の策定や実行のリード、メンバーの採用・評価・育成などのマネジメント業務を担っていただくことを想定しています。 ●プロダクトに蓄積された様々なデータをアプリケーションで活用することで、アプリケーション自体の価値を高めることに責任を持つ。 ●既存プロダクトの価値向上、新規プロダクトの立ち上げ両方の可能性があります。 ●現在若干名で組織の立ち上げフェーズです。 本ポジションの方に、チームの定義づけや立ち上げを含めて担っていただくことを想定しています。 ※Data&Analysis部は30名程度の組織です。 上記以外にも、データの解析を担うAnalysisチーム、解析基盤の開発を担うAnalysis Platformチーム、データ基盤の開発やデータの利活用を担うData Managementチームがあります。 (2025年4月時点) キャディにおけるエンジニアリングマネージャーとは ●担当する部やグループの成果を最大化することがミッションです。 ●向かう先を示すために OKR を設定したり、将来のあるべき姿から逆算して、必要なマネジメント業務を行います。 ●EMの役割は画一的には決まっておらず、成果の出し方はその人の得意なやり方で良いと考えています。 例えば、他者を動かして成果を出すエンパワーメントが得意な人もいれば、現場で自ら設計や方針決定をリードする人もいます。 テクノロジーマネジメント、プロジェクトマネジメント、プロダクトマネジメント、ピープルマネジメントの割合も各EMの担当領域や注力課題により異なります。 ●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

ご入社後は、データユニットの中核メンバーとして、データ基盤の刷新およびデータ活用戦略の推進をリードしていただきます。中長期的には、事業・プロダクト両軸でのデータ活用を牽引し、技術ロードマップの策定やチーム育成にも関わっていただくことを期待しています。 主な業務内容 ●データ基盤の刷新・標準化の推進 ●データガバナンス・セキュリティ戦略の設計および実装体制の構築 ●サーベイ・レコメンド等のサービス開発における学習ループ設計と基盤整備 ●複数サービス・外部システム連携の共通基盤化とデータ統合の戦略策定 ●技術ロードマップ策定およびPdM・事業側との連携によるデータ活用戦略推進 ●技術育成・牽引 ●Peopleマネジメント 開発環境 ▼バックエンド Rails、Python、TypeScript、Sorbet ▼フロントエンド Vue.js、TypeScript、Next.js、Nuxt、Storybook、Chromatic、Figma ▼インフラ・CI/CD AWS、k8s、Terraform、Datadog、Sentry、Autify、Github Actions、Azure、Docker、Codecov ▼生成AI OpenAI、Cursor、Dify、n8n、AWS Bedrock、GitHub Copilo、Gemini、Claude Code、Devin、Cognitive Search、Streamlit、Azure AI Search ▼コミュニケーション GitHub、Jira & Confluence、Slack、Google WP、Qiita Team、Gather