年収1000万円以上 MLOpsのITエンジニア求人・転職情報

当社は、大阪エリアの金融機関向けにITコンサルティングおよびAI活用支援をより強化すべく、新たに大阪オフィスを開設いたしました。 立ち上げのフェーズから参画し、拠点づくりと事業成長をリードしていただける方を募集しています。 職務概要 本ポジションでは、プロジェクトマネージャーとしてデータ分析・AI活用案件をリードし、金融業界の多様な顧客に対してデータサイエンスを起点とした価値提供を担っていただきます。 ジュニア〜ミドルクラスのデータサイエンティストとチームを組みながら、分析戦略の設計・提案から、モデル構築、実装、運用設計(MLOps)までを一貫して主導。さらに、実務を通じて得た知見や技術資産を基に、当社独自の技術パッケージや自社プロダクトの創出にも関わっていただきます。 金融業界の幅広い業種・領域に触れながら、分析×ビジネスを結ぶ上流工程から現場実装までを横断的に担えるポジションです。 プロジェクト体制 2名～6名程度でチーミング 具体的な業務内容 ・金融機関向けのデータ分析・AIプロジェクトにおける技術リードおよびプロジェクトマネジメント ・テーブルデータを中心とした機械学習モデルの設計・構築・評価の全体統括 ・Pythonを用いたデータ処理、特徴量エンジニアリング、評価設計の高度化・標準化 ・本番運用を見据えたMLOps設計、モデルの継続的改善と運用支援 ・AIコンサルタントや顧客と連携した、分析方針の策定・技術提案・要件定義 ・ジュニア・ミドル層のデータサイエンティストへの技術的支援・コードレビュー・育成 ・社内外で再利用可能な分析パターン・技術資産・プロダクトの企画・設計・蓄積 プロジェクト事例 ・銀行における市場分析モデルの開発・運用支援 ・銀行におけるAutoMLツールの評価・導入に向けた技術検証 ・金融事務の効率化を目的とした生成AIの業務適用支援 ・金融機関における機械学習モデル開発に向けたデータ前処理・分析支援 ・データ分析基盤構想におけるモデル実装・評価フローの設計・技術検討 ・金融グループ横断でのデータ活用に向けたモデリング実証(PoC)支援 ※業務変更の範囲 (雇入れ直後)IT専門職 (変更の範囲)すべての業務への配置転換あり

日本を代表するエンタープライズ企業を中心としたクライアントに対し、本質的な価値創出に重きを置いたプロジェクトの推進・実行を担当いただきます。機械学習モデルの実装から推論最適化、MLOpsの構築、実運用における保守・改善までを主導いただくスペシャリストとして参画いただくポジションとなります。 ・顧客のビジネス課題に基づいたAIシステムの設計・開発・運用 ・機械学習・深層学習を用いたAIモデル実装、および推論パイプラインの構築・最適化 ・MLOps基盤の構築、およびモデルのデプロイ・監視・継続的な精度改善フローの運用 ・生成AI(LLM等)を含む先端技術の調査・検証、および実務プロジェクトへの実装 ・データサイエンティストと連携したPoCの推進、技術選定・ベストプラクティスの確立 ●参考資料 https://note.com/flux_inc/m/mdcbaafdd8d84 ●業務の変更の範囲 会社の定める業務 ※本人の希望を聞かずに転勤させることはありません。

AIプロダクトソリューション部は、会社全体の成長を支えるAIソリューション開発を担う部門です。 転職希望者と求人企業のマッチング精度向上や応募率・成約率の改善など、事業の根幹に関わるテーマを扱っており、その実現に向けて研究開発から事業実装までを一貫して推進しています。 現在、生成AIやLLMの進化によって、人材サービスの在り方は大きな変化の可能性を迎えています。 一方で、人材マッチングの領域には依然として多くの未解決課題が存在しています。 たとえば、 ・転職希望者の経験・スキル・志向性の理解 ・求人企業の期待や組織特性の構造化 ・複雑なキャリアパスの予測 ・膨大な非構造化データの活用 ・マッチング精度と説明可能性の両立 ・継続的なモデル改善と運用高度化 などは、依然として高い技術的難易度を持つテーマです。 今回のポジションでは、データサイエンスのエキスパートとして、全社のAIモデルおよび機械学習モデルの設計・開発・チューニングを技術的にリードし、人材マッチングの高度化に向けた新規マッチングロジックを自ら企画・設計・実装したうえで、応募率や成約率などの重要KPI改善まで推進いただきます。 また、ビジネス課題を自ら構造化し、事業責任者やPdM、エンジニアと密に連携しながら仮説検証を進めるだけでなく、新技術や新たなデータ活用を全社へ展開し、標準モデルや共通コンポーネントとして浸透させていくことも期待しています。 担当業務例 具体的には下記の様な業務・プロジェクトを牽引いただくことを想定しております。 ●全社共通AIモデル・マッチングロジックの企画・アーキテクチャ設計 -「doda」をはじめとする複数プロダクトで横断利用される標準AIモデル・アルゴリズムの全体設計および技術選定 -単一のレコメンドにとどまらない、全社的なマッチング精度向上に向けた基盤・コンポーネント化の推進 ●事業課題の構造化とAIソリューションロードマップの策定 -事業責任者・PdMと対等に議論し、抽象度の高いビジネス課題やユーザー体験上の課題を「解くべきAI技術課題」へ構造化 -KPI(応募率・成約率・CVR・マッチング品質等)向上に直結する仮説検証(PoC)の設計と、本番適用までのプロジェクトリード ●最先端技術(生成AI・LLM等)の調査・検証および事業実装の主導 -生成AI、大規模言語モデル(LLM)、マルチモーダルAI等の最新論文・技術動向のキャッチアップ -実務適用に向けたプロトタイプ(PoC)開発、費用対効果・技術的実現性の評価、および本番システムへの実装推進 ●データサイエンスチーム全体の技術向上・標準化推進 -チーム内メンバー(ミドル〜ジュニアDS)への技術指導、コードレビュー、モデリング手法のナレッジ共有 -データ基盤・MLOps部門と連携した、実験・開発・運用プロセスの効率化および標準化の牽引 ●社内外への技術発信・ブランディング活動 -社内外でのセミナー講演、技術ブログの執筆、学会発表・論文制作等を通じた技術的プレゼンスの向上 【主な技術テーマ例】 ●大規模言語モデル(LLM)&エージェンティックAI活用 -LLM(API利用 / ファインチューニング / MCP / Agentic AI 等)を活用した、求職者の経験・志向性分析および求人情報の構造化・高度解析 ●高度な推薦システム(RecSys)&マッチングアルゴリズム開発 -双方向マッチング(求職者×求人企業双方の意向・相性を考慮した推薦)の最適化 -テキスト埋め込み(Embedding)やグラフニューラルネットワーク(GNN)等を活用した高精度類似度算出・レコメンドエンジンの開発 ●マルチモーダルデータ&非構造化データの活用 -職務経歴書・求人票などのテキストデータに加え、行動ログ・スカウト文面・選考結果などの定性・定量的データの統合モデリング ●AIアプリケーション・プロトタイプの高速検証・社会実装 -LLM/SLMを用いたAIエージェントやインタラクティブなマッチングアシスタント機能のPoCシステム構築 ●MLOps&全社AIプロダクト基盤の最適化 -Databricks、BigQuery、AWS/Google Cloud環境におけるモデルの継続的学習・評価・デプロイパイプライン(MLOps)の構築・運用推進 技術環境 【プログラミング言語】Python、SQL、Java、Scala、C 【データベース/データ基盤】Oracle Database、PostgreSQL、MySQL、Amazon Redshift、Google BigQuery、Databricks 【クラウドプラットフォーム】Amazon Web Services(AWS)、Google Cloud、Microsoft Azure 【ソースコード管理】GitHub、GitLab 【プロジェクト・タスク管理】Backlog、Microsoft Loop、Microsoft Planner、Jira、Confluence 【コミュニケーションツール】Slack、Microsoft Teams ●所属組織について AIプロダクトソリューション部には、マネージャー2名、エキスパート3名、メンバー16名のデータサイエンティストが在籍しています。 データをもとにマーケット状況、カスタマーニーズ、テクノロジーの変化などを総合的に判断し、事業を成長させていきます。 私たちは単に精度の高いモデルを開発する組織ではありません。 「人と仕事のより良い出会いをテクノロジーで支援する」という共通の目的を持ち、事業とテクノロジーの両面から課題解決に取り組んでいます。 技術議論やナレッジ共有も活発で、学び続けながら挑戦できる環境です。 働き方 ライフステージに合わせて、はたらき方をご自身でデザインしたい方にマッチする環境です。 ・有給休暇の積極的な取得が推奨されており、ご自身で業務調整をした上で積極的に活用が可能です。 ・裁量労働制を導入しており、子育てと両立しているエンジニアや副業を行っている社員もいるなど、ご自身の裁量で働く時間のコントロールが可能です。 ・大半のメンバーが在宅勤務をしています。リモート勤務手当の支給といったサポートがあります。 ・データサイエンティストとして市場価値を高めるための活動を推奨しており、研修受講やイベント登壇、副業等の活動をしているメンバーもいます。 ・書籍購入、学会やイベントの出張参加、クラウドを使った技術検証、AI関連サービスを実際に利用しての検証等の業務活動に対し、会社が費用を負担しています。

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

●職務概要 最先端の統計解析、機械学習、そしてLLM(大規模言語モデル)をはじめとする生成AI技術を駆使し、ビジネス課題の解決を推進します。 単なる分析PoC(概念実証)で終わらせるのではなく、データから得た示唆をアルゴリズムとして実装し、システム化・プロダクト化することで、「継続的なビジネス成果」を創出することがミッションです。 ●業務内容 プロジェクトの最上流から参画し、ビジネス課題の特定からアルゴリズムの選定、実装、社会実装まで一気通貫で携わっていただきます。 ・生成AI・LLM活用: RAG(検索拡張生成)を用いた社内知見の活用支援や、LLMによる業務自動化・コンテンツ生成アルゴリズムの技術検証およびシステム開発。 ・予測・最適化モデル構築: 需要予測、顧客離反予測、LTV最大化、マーケティング最適化など、大規模データを活用した数理モデルの設計。 ・社会実装とMLOps: 構築したモデルをWeb API等へ組み込み、運用・改善サイクルを回すことで、実ビジネスで活用され続ける仕組みの構築。 ・研究開発(R&D): 最新論文の調査・トレースを行い、最先端技術を商用利用可能なレベルまで引き上げる研究開発。 ・ステークホルダーとの折衝: クライアントや事業部門に対し、分析結果のレポーティングや、技術的背景に基づいた戦略的な意思決定の支援。

●お任せする業務 まずお任せしたいのは、テレシーのビジネスプロデューサーが顧客に向き合う時間を最大化するための、社内AIエージェント基盤の設計・開発・運用です。 AIエージェント基盤の設計・開発・運用 : LLMプラットフォーム(Bedrock, Vertex AI等)やエージェント基盤(LangGraph, CrewAI等)を活用したシステムの構築 評価・改善サイクルの設計 : AIエージェントの応答品質を測る評価指標、テストデータ、改善プロセスの策定 運用基盤の構築 : MCP(Model Context Protocol)や外部APIを統合し、認証・権限管理・監査ログ・ガードレールを含む、安全かつ再利用性の高い運用基盤の設計 可観測性の確保 : エージェントの判断プロセス、コスト、失敗要因のモニタリングと課題解決 業務ヒアリング・要件定義 : BPや社内メンバーの業務課題を理解し、「何をAI化すべきか」「どこに人の判断を残すべきか」を整理・設計 実業務への組み込み : AIエージェントを実際の情報収集・分析・資料作成・提案準備フローへ組み込み、運用・改善まで推進 標準化・プロダクト化 : 個別案件で得られた解決策を抽象化し、複数業務で再利用可能な標準機能・共通アーキテクチャへ展開 ●直近で取り組んでいること セキュアなAI基盤の構築 : 広告・売上・CRM等の機密データを扱うためのローカルLLM環境、ガードレール、権限管理、監査ログを備えた基盤整備 BP業務へのAI実装 : 情報収集、資料作成、分析、提案準備など、顧客提案前後に発生する業務をAIで支援し、提案のスピードと質を高める仕組みづくり ●将来的に取り組みたいこと ・ライトニングMMMのAIエージェント化 : WebUIによる複雑な設定ではなく、自然言語での問いかけから意思決定サマリや推奨アクションを即時生成するUXの提供 ・マーケティングAIエージェントの提供 : 現在、社内メンバーが行っている情報収集、情報整理、分析、戦略立案等の業務をAIエージェント化 ・Human in the loop設計の高度化 : AIによる自動化と、人間による最終判断・ディレクションが最適に融合する業務プロセスの構築 AI活用の標準化・プロダクト化 : 個別の業務改善に留めず、うまくいった仕組みを共通化し、複数のBP・案件・プロダクトに展開できる状態をつくる ●開発環境 ・LLMエンジニアリング : vLLM, OSS LLM(Llama / Qwen / gpt-oss), LiteLLM, RouteLLM, Semantic Router, LangGraph, CrewAI, NeMo Guardrails, Guardrails AI, Promptfoo, Ragas, PostgreSQL (pgvector), Langfuse (Self-hosted), Prometheus, Grafana, Ray 等 ・MLエンジニアリング : JAX, NumPyro, statsmodels, Dagster, Python, MLflow 等 ・データエンジニアリング : Snowflake, dbt cloud, Adverity, fivetran 等 ・インフラ(AI) : AWS, GCP (Amazon Bedrock, Google Vertex AI) ・共通 : Docker, Terraform, GitHub, Slack 単に特定技術を使うだけではなく、AIエージェントを安全に、継続的に、業務の中で使える状態にするための評価・監視・権限管理・ログ設計・ガードレール設計まで含めて取り組みます。 ●参考記事 (外部リンク) ・[テレシー コーポレートサイト](https://telecy.tv/) ・[脳内で、事業の「正解」を描き切る](https://evolution.cartaholdings.co.jp/article-0087/) 　・オウンドメディア『EVOLUTiON』 テレシー社員紹介記事 ・[データドリブンで実現するテレビCM変革!テレシーの取り組みとは?](https://telecy.tv/column/sendenkaigi-mmm-telecyanalytics/) ・[疲労回復パジャマ「BAKUNE」躍進の裏側](https://telecy.tv/column/crosstalk-sendenkaigi-tential/)

「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

FDEチームの一員として、エンジニア/DS/AIエンジニアと一体で以下を担っていただきます。 ● ドメイン没入と課題設定 ・現場(買取現場・コールセンター・物流倉庫・コーポレート部門)への同行・観察・1次情報収集 ・業務プロセス/顧客/市場の構造を解像度高く理解し、AI/データで解くべき課題を自ら定義 ● 事業KPIに対する仮説オーナーシップ ・担当ドメインKPI(成果向上・生産性改善)に対する仮説立案、優先順位付け、結果の解釈と次手の設計 ・他領域への波及効果も含めた全体最適視点での意思決定 ● AIプロダクトの企画〜実装リード ・AI/データ活用プロダクト(需要予測、査定モデル、業務自動化、レコメンド 等)の企画〜要件定義〜プロダクト実装ディレクション ・AIモデル開発の要件整理(学習データ要件、評価指標、MLOps連携、モニタリング設計) ● AIネイティブ開発プロセスの推進 ・AIエージェントによる高スピード開発を前提とした要件整理・仮説検証・ナレッジベース構築 ・スピード重視で「未完成のものを早期に実験する」プロトタイピング/PoCの設計と運用 ● エンジニアと一体のプロダクト設計 ・「何を作るか」をエンジニア/DS/AIエンジニアと協働で決定 ・Cosmosを中心とした新機能開発/業務標準化プロジェクトの企画〜要件整理〜現場接続 ● ステークホルダーマネジメント ・事業責任者・現場リーダーとの合意形成 ・グループ企業(TL/RGT/NKD)への横展開設計 ● データ/ユーザーインタビューを通じた継続的改善 【組織/配属先の特徴】 ・3層構造の技術組織:FDE層(事業ドメイン没入)/プラットフォームエンジニアリング層(FDEの生産性向上)/コアドメイン層(共通API基盤)の3層に再編し、AIネイティブ前提の組織を構築中 ・配属:データ・AI戦略推進部に所属/いずれかのドメインのFDEチームにジョイン ・PdM出身者例:元リクルート・大手事業会社など、事業理解×推進力の強い人材が活躍中 ・規模:PdM・SWE・データサイエンティスト・AIエンジニアなど約 80名規模 【プロダクト開発環境】 ・開発言語:Golang, React.js (Next.js), TypeScript, Python(AI/ML) ・インフラ:GCP (Cloud Run, BigQuery, Cloud SQL, Vertex AI...), Terraform, Docker ・CI/CD:GitHub Actions ・テスト:MagicPod, Storybook ・バージョン管理:GitHub ・エラー管理:Sentry/APM:NewRelic ・開発生産性管理:Findy Team+ ・課題管理:Jira/ドキュメント管理:Confluence ・AI活用:Claude Code, Cursor, GitHub Copilot ほか(AIエージェント前提のワークフローを推進中) ・その他:Elastic Cloud, Terraform Cloud, Chromatic

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