年収900万円以上 macOSのITエンジニア求人・転職情報

本ポジションは、各部門の発展またはグループ全体の発展につなげるためのIT戦略を立案・実行し、生産性の向上をはかり、中長期に亘って組織パフォーマンスを最大化することがミッションです。 コーポレートIT領域に関する知識や経験を有することはもちろん、当社の組織や事業を深く理解した上で本質的に課題を捉え、常にグローバル水準で実現可能な解決策を考え、実行していくことを期待します。 ●業務イメージの一例 ・あるべき姿からバックキャストする形でのIT戦略・予算の策定 ・海外拠点における全社共通システム/人事/会計/法務などにおける以下のIT業務全般 ・海外拠点における社内IT(インフラ含む)の企画および実行 ・組織横断的な各種ITプロジェクトの企画および推進 ・グループ全体のシステムアーキテクチャーの構想策定および実行 ・M&AにおけるIT/Security/統制側面でのPMI参加　など ●技術環境(全社共通の一例) ・クラウドインフラ 　AWS, Google Cloud, Azure, etc. ・ネットワーク 　FortiGate, Cisco, etc. ・クライアント 　Windows, Mac, Android, iOS, etc. ・コラボレーション 　Google Workspace, Slack, Confluence, Jira, GitHub, Zoom, etc. ・業務アプリ 　Workday, ServiceNow, Google AppSheet, TeamSpirit, etc. ・セキュリティ, デバイス管理 　CrowdStrike, Jamf Pro, etc. ・言語 　Google Apps Script, PowerShell, etc. ※業務の変更の範囲:会社の定める業務

役割 toC、toB、社内向けシステム含め、様々なユーザの声を聞きつつ、フルスタックに開発に携わっていただきます。 既存サービスの最適化を進めるプロジェクトにおいては、事業・マーケ・開発の3者を巻き込みながら、技術面をリードする立場として設計方針の策定や改善提案を行っていただきます。 また、レバテックが保有する日本最大級のデータの価値を最大化するためにプロダクトとオペレーションの観点から再設計していくプロジェクトが進行しており、設計や開発推進に携わっていただきます。 業務内容の例 ●フロント、バックエンド、インフラを一気通貫し、複数システムにまたがるアーキテクチャ設計 ● 担当サービスの新規機能開発と継続的改善のマネジメント ●アジャイルを通じた開発プロセス改善や、プロジェクトの目的に応じた体制構築 ●コードレビュー/最適な内部品質の探索や技術的負債への方針策定 ●新技術導入調査/チームへの導入推進 等 進行中のプロジェクト例 ●レバテックへのユーザ登録体験の最適化 レバテックIDという認証・認可基盤を元に、いかにユーザがストレスなくサービスを受けられるかを考え、営業やマーケティングメンバーと協力しつつ最適なUXを探り、施策を作って開発していくプロジェクト ●マスタデータの最適化、機械学習エンジンとの連携(MLOps)を通じたマッチングの効率化 エンジニアと企業のデータの最適化を行い、ユーザ自身やキャリアアドバイザーがよりマッチする相手(企業もしくはエンジニア)を探すことができる基盤を整えていくプロジェクト ●複数システム連携部分のアーキテクチャ再設計 システム統合、モノレポ化、モジュラーモノリス化など、様々なアーキテクチャを考えつつシステム連携のあるべき姿に向けて設計と再構築(実装)を行っていくプロジェクト ●オブザーバビリティ(o11y)の強化 マイクロサービスのシステム間トレーシング・APMや、事業目標に応じたSLI/SLOの策定を通じて開発体験の改善や可観測性を高めるプロジェクト 他にも様々なプロジェクトが進行・計画されています。 全てに関わるわけではなく、ご志向と適性に合わせてどんなプロジェクトに携わっていただくか、一緒にミッションを考えさせていただきたいです。 開発組織について レバレジーズグループでは創業以来、代理店や外注業者をほぼ使わずインハウス型でノウハウを蓄積している環境で、自社サービス開発を行っております。 CTO室について CTO室は、2023年11月に立ち上げた組織となります。 現在はレバテック社長直下の組織として、配下1名体制で主にシステム戦略を立てる動きをしています。 直近で3~4名体制を目指しており、それぞれが得意分野を元に、システム戦略策定に関わる動き、また戦略を元に他開発メンバーを巻き込んでフルスタックに開発を主導していく動きを期待しています。 開発組織は、正社員・業務委託メンバー合わせて80名ほどの体制になっています。 ▼詳細は以下の記事をご確認ください [「日本を、IT先進国に。」に向けて、レバテックCTO室を設立。](https://tech.leverages.jp/entry/2023/10/02/130539) 開発環境 開発言語・フレームワーク: ・TypeScript-Node.js、React.js / Next.js、Vue.js / Nuxt.js、NestJS、Frourio ・PHP-Laravel ・Dart-Flutter インフラストラクチャ:AWS-EC2、ECS、S3、RDS、ElastiCache、Lambda、Opensearch、SQS、EventBridge、Amplify　他 DB:MySQL(AWS Aurora) 構成管理ツール:CDK、Terraform CI/CD:Github Actions 監視ツール:Cloudwatch、Datadog その他:Docker、GitHub、gRPC、GraphQL、StoryBook 開発マシン:Mac Book Pro

当社のVPoEは、開発チームの成果を最大化し、組織の成長を支える役割を担います。 エンジニアが安心して挑戦できる環境を整え、プロダクト開発を円滑に推進することで、事業の継続的な成長に貢献いただきます。 ・エンジニアチームの採用・育成・評価、1on1を通じたキャリア支援 ・開発プロセスの改善と生産性向上(スクラム・アジャイル導入推進) ・技術的負債や品質課題の管理、改善施策の実行 ・プロダクトマネージャーやデザイナーとの連携による開発推進 ・経営陣との調整を通じた組織戦略やリソース配分の最適化 ●キャリアパス エンジニアとしての道を極めていくか、管理職になるかを選択できます 入社から半年で役員登用になった方もいます! ●使用言語 ※指定はありませんが、下記が案件で主に使われる言語です ・フロントエンド:TypeScript, React ・バックエンド:Python ・データベース:PostgreSQL(RDS), MySQL ・フレームワーク:Flask ・インフラ:Azure, AWS, GCP ・ツール:Terradate ●業務の変更の範囲 会社内での全ての業務

●現在抱えている課題 60,000名以上の受講生を抱える日本一のスクールである「GFS」において、日々発生するサービス改善案件(生徒用サイト、裏側の管理システム、配信システム等)のデリバリーを停止させることなく、既存機能の刷新・新機能の実装と、次世代基盤への安全な移行を両立させる新旧システムの並行稼働が直近の最大の課題です。 新機能開発・UI/UX刷新とリプレイス・技術的負債の解消の両面を同時に推進したい一方で、それを技術的に牽引するリード層が不足しています。また、立ち上がったばかりの「シゴトAI」を含め、複数プロダクトを横断する次世代アーキテクチャの構想・実現を牽引し、AI活用を前提とした新たな開発プロセスへと進化させていくための技術的・組織的な基盤づくりも急務となっています。 ●業務内容 バックエンド・フロントエンドの境界をなくし、Webプロダクトの要件定義から設計・開発・運用まで一気通貫でお任せします。単なるマネジメントではなく、自ら現場で手を動かしながらプロジェクトを牽引していただきます。 ・アーキテクチャ設計:マルチプロダクト展開や事業の急拡大を見据えた、技術選定およびスケーラブルな全体システム設計の主導 ・既存機能の刷新と新規機能の実装: 学習管理システム、コミュニティ機能、シミュレーションツールなどにおける、継続的なUI/UX改善および機能追加・リニューアル開発 ・次世代基盤への移行: 現行のPHP/Laravel環境から、Kotlin/Spring Boot・React/Next.jsを用いた次世代モダン環境への段階的かつ安全なリプレイスの推進 ・AI駆動開発の推進: AIエージェントが開発を進めやすい仕様書・ドキュメント・コンテキストの整備や、自動検証・レビューライン・品質管理・開発プロセスの設計と継続的改善 ●チームや組織に関して CTO直下の非常にフラットな開発組織への配属となります。現在の開発業務をすべて停止させるわけではなく、並行して新基盤へ移行するという難易度の高いミッションに携わり、迅速な意思決定のもと、大きな裁量を持って未来のアーキテクチャ設計や実装を推進していただけます。 現在はフロントエンドとバックエンドで役割を分担していますが、将来的には技術領域の境界をなくしていくことを目指しています。決められた役割に閉じず、UI/UX、API設計、データ設計、インフラなどプロダクト全体を見渡しながら、自らチームとプロセスを作り上げていくオープンなカルチャーです。巨大プロダクトのリプレイスを主導しながら、次々と立ち上がる新規事業の0→1フェーズに関わるチャンスも豊富にあります。 ●AI活用・開発生産性について Copiaでは、AIツールを単なる補助としてではなく、「開発の実行主体」として活用する最先端の「AI駆動開発」を推進しています。 Copilot / Cursor / Codex / Claude CodeなどのAIコーディングエージェントが自律的に開発を進めやすいよう、仕様書・ドキュメント・コンテキストの整備や、自動検証・レビューラインの設計を実施。経営陣・CTO直下のフラットな環境で、人とAIが協働する開発プロセスそのものを日々進化させています。 また、エンジニアの開発生産性を最大化するため、他社には類を見ない「月額10万円のAI利用手当」を福利厚生として全社導入しています。各メンバーが最新のAIモデルやツールをコストを気にせず自由に活用し、圧倒的なスピードと品質でプロダクトを生み出せる環境を整えています。 ●開発環境 <次世代の開発環境(AI教育事業・リプレイス後基盤)> ・言語 / フレームワーク:Kotlin / Spring Boot / NestJS / React / Next.js / TypeScript / Storybook <現行の開発環境(GFS事業)> ・言語 / フレームワーク:PHP / Laravel / React / Next.js / JavaScript / jQuery <インフラ・共通基盤> ・クラウド:AWS(ECS / Fargate / ELB / S3 / RDS / CloudFront) ・データベース:PostgreSQL ・インフラ管理:Pulumi ・その他:Docker / GitHub / Backlog / Slack ・AIツール:Copilot / Cursor / Codex / Claude Code ・OS:Windows / Mac(選択可) ・開発手法:アジャイル <デザイン・プロトタイピング> ・デザインツール:Figma(全社横断でのUI/UXデザイン、プロトタイプ作成、デザインシステム構築に活用) ●参考情報・関連リンク(More Info) ・[株式会社Copia 企業サイト](https://copia-group.co.jp/) ・[投資の学校 GFS(Global Financial School)](https://gfs.tokyo/introduction/) ・[AI教育サービス シゴトAI](https://shigoto-ai.com/introduction) ・[【note】エンジニアリングマネージャー鈴木の記事](https://note.com/copia/n/nb64ab429acf7)

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

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

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