MLopsエンジニア(GitHub Actions)の求人・転職情報

1.MLOps基盤の設計・構築(パイプライン自動化) データ収集、前処理、学習、評価、モデル変換、デプロイに至るEnd-to-EndのCI/CD/CT(Continuous Testing)パイプラインの構築 AIサービス開始後のAIの振る舞いを監視し、AIの性能向上にFBできるシステムの構築 AI独自のリスクに対する対応(AIガードレール等)を共通で提供する基盤の設計・構築 クラウド(AWS/GCP/Azure)とオンプレミスを組み合わせた、スケーラブルなGPU計算資源の管理・最適化 2.自動テスト・品質評価環境の構築 AIモデルの精度検証や、エッジケース(特殊な走行シーン)に対する自動シミュレーションテスト環境の整備 コードレビューの自動化や、静的・動的解析ツールの開発プロセスへの統合 ISO26262やその他車両関連法規を満たすソースコード、AIモデル、モデルデプロイ管理が自動化された開発環境の整備 【開発ツール】 ●プロジェクト管理: Azure Boards、Teams、MS Loop等 ●開発言語: Python、Java、TypeScript、HTML、CSS、Kotlin等 ●データベース:MySQL、Oracle等 ●使用ツール:ChatGPT、Gemini、BigQuery、TensorFlow、PyTorch、Tableau等 ●開発環境: Azure、GCP、AWS、Android Studio等

●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

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

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

スマホアプリケーション上で展開されるコンテンツを出力するAIモデルの運用保守および改善開発をご担当いただきます。 当該のAIモデルはGCP上に展開されており、これらに関して運用をご担当いただきます。 AIモデルにエラーが発生した場合にはその保守対応についてもご担当いただきます。 AIモデルの実行結果について、効果測定を定期的に実施してデータの取りまとめをご担当いただきます。 またクライアントから要望のあった場合に、モデル改善の実装をご担当いただきます。

●仕事概要 DeNAでは、AIネイティブな新規事業を次々と立ち上げています。 生成AIを活用した言語学習、受験学習の伴走型コーチング、AI×ゲームによる新しい体験など、その領域は多岐にわたります。 本ポジションは、AI技術開発部のソフトウェアエンジニア(LLM)として、これら複数の新規事業のいずれかに入り、LLMを活用した機能・ワークフローの開発と継続改善を担うポジションです。 業務では、サービス開発の現場に密に入り、PdMやフルスタックエンジニアとワンチームで、複雑なLLMワークフローの設計・実装、プロンプトとワークフローの改善、評価ハーネスやログ基盤の整備を担います。 作って終わりではなく、実ユーザーに提供されるプロダクトの中で、出力品質・応答速度・コスト・安定性を粘り強く改善していくことを期待しています。 必要に応じて、推論基盤、ファインチューニング用の実験・実行環境、GPUワークロード基盤など、LLMプロダクトを支える基盤領域にも関わります。 ●職務詳細 ご自身のスキル適性や志向性を踏まえ、以下のいずれかのプロジェクトでLLMワークフロー開発とLLMOpsを担当いただきます。 ●展開中の主なプロジェクト例 ●AI英会話アプリ ・LLMによるシナリオ生成とエージェント技術を用いた、挫折しない言語学習体験の構築 ●AI受験コーチング ・手書き答案の思考プロセス分析と学習計画の自動最適化により、教育格差を解消する伴走型プロダクト開発 ●AIネイティブゲーム ・AIをゲームバランスや体験の核に据えた、新しいエンターテインメントの創造 ●ミッション ・LLMプロダクトの「動く」を「ユーザー価値」に引き上げる ・個別プロダクトのLLMワークフローを、実ユーザーの反応やログに基づいて継続的に改善する ・評価、ログ、推論、運用の仕組みを整え、データドリブンな改善基盤を作る ●業務内容 ●LLMワークフローの設計・実装 ・多段プロンプト、条件分岐、ツール呼び出し、エージェントワークフローの設計・実装 ・LangChain / LangGraph等を用いたワークフロー構築、既存ワークフローの改善 ・ストリーミング、コンテキスト長・出力トークン管理、リトライ、タイムアウト、フォールバックなどLLM特有の挙動を踏まえた設計 ・LLMマイクロサービスの実装 ・評価用・アノテーション用社内ツールの実装 ●プロダクト開発・運用改善 ・PdMや事業部エンジニアと連携した要件定義、コア価値・コアユーザーの探索 ・ユーザー体験上の課題がLLMワークフロー、UI/UX、サーバー、データのどこにあるかを切り分けるための仕組みづくり ・立ち上げ期は検証速度を重視し、運用改善期は保守性・スケーラビリティを高める開発 ・本番運用に必要なセキュリティ、権限管理、監査ログ、障害対応、コスト管理 ●LLMOps・評価基盤の構築 ・入出力ログ、ユーザー行動ログ、評価ログの収集・構造化・保存設計 ・評価データセットや評価ケースを用いた評価ハーネスの構築 ・LLM-as-a-judge、自動評価、回帰テスト、品質モニタリングの仕組み化 ・プロンプトやワークフロー変更の影響を定量的に確認できるCI/CD・検証フローの整備 ・レスポンス品質、レイテンシ、コスト、エラー率などの可視化・監視 ●利用技術・開発環境 ●開発言語 ・Python ・SQL ●LLM / AIアプリケーション ・OpenAI API、Anthropic Claude、Google Gemini、その他LLM API ・LangChain、LangGraph ・RAG、ベクトル検索、Embedding、AIエージェント ・LLM-as-a-judge ●インフラ ●Google Cloud ・Cloud Run ・Cloud SQL ・BigQuery ・Vertex AI / Agent Builder ・Cloud Logging ●Docker ●Terraform ●GitHub Actions ●開発支援ツール ・GitHub ・Claude Code ・Codex ・Cursor ・Devin ●業務内容 雇入れ直後　仕事概要に記載のある業務内容 変更の範囲　会社の定める業務

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

本ポジションは、Sansanの人事領域におけるデータプラットフォームを整備し、採用・配置・評価といったあらゆる意思決定をデータドリブンに進化させる役割を担います。 HCM(人事基盤)やATS(採用管理システム)などのHRツールを軸に、散在する定性データや非構造化データを整備・統合。単なる「データの可視化」に留まらず、AI活用やピープルアナリティクスを支える次世代型基盤への刷新を主導し、「攻めの人事DX」を実現します。 〔具体的な業務〕 ●HRデータプラットフォームの拡張・最適化 ・採用・配置・評価等の意思決定に最適化された統一データモデルの策定 ・BigQuery、GCS、dbt等を用いたスケーラブルなDWHおよびデータマートの設計・構築 ・各種人事ソースシステムからのETL/ELTパイプラインの設計・実装 ●人事業務の再設計(BPR) ・既存業務の自動化にとどまらず、業務プロセス自体の再設計・AIなどのシステムを用いた完全自動化フローを構築 ・AI/LLMを活用したオペレーションの高度化・自動化 ・人事担当者や経営陣のニーズをくみ取り、人事メンバーが本来の業務に向き合う環境を実装 ●データ活用の民主化とガバナンス設計 ・セキュアな権限管理とセルフサービスBI環境の構築 ・非エンジニアでも意思決定にデータを活用できる仕組みの実装 ●開発環境、使用するツールなど ・言語:Python, SQL, Google Apps Script ・データベース・DWH:BigQuery, Google Cloud Storage, Cloud SQL ・インフラ・プラットフォーム:GCP(Cloud Run, Cloud Functions, Cloud Workflows など) ・CI/CD・運用・監視:GitHub Actions, Terraform, Cloud Logging など ※従事すべき業務の変更の範囲:会社の定める業務