年収700万円以上 MLOpsのITエンジニア求人・転職情報

●ミッション 「テクノロジーの力で産業構造を変革する」 生成AIが業務の中核へ入り込む時代において、ミッションクリティカル領域でも安心して使えるLLMを研究開発し、社会実装可能な形で届けることで、お客様の経営課題/事業課題を根本から解決へ導きます。 そのために本ポジションでは、大規模言語モデル(視覚言語モデルを含む)の研究開発を推進し、データ設計・学習/評価・推論最適化・運用を見据えた開発基盤整備までを一体で担います。プロジェクトマネージャなどのビジネスサイド、プロダクト/プラットフォームを支えるエンジニアと密に連携しながら、要件に沿ったモデル方針の策定から、品質を担保するベンチマーク設計、継続的な改善サイクルの確立まで、価値提供の中核をリードしていただきます。 また、組織として研究開発力を継続的に高めるため、知見の体系化や開発プロセスの標準化、メンバー育成やカルチャー醸成にも主体的に関わり、ABEJAが描く未来を共に創っていただきます。 ●業務内容 高い性能と利便性を両立する国産大規模言語モデルの開発、改善、研究を中核として推進いただくポジションです。単にモデルを作って終わりではなく、得られた成果をプロダクトやソリューションへ落とし込み、業務価値として継続的に届け切るところまで一気通貫で担っていただきます。 ・大規模言語モデル(LLM)の開発・改善・研究 　-モデルアーキテクチャ、学習手法、推論最適化に関する調査・設計・実装 　-継続事前学習、指示チューニング、アライメント、強化学習等による性能向上 　-長文対応、ツール利用、エージェント化を見据えた能力拡張の検討 　-日本語および業務特化領域での品質・安全性・信頼性の向上に向けた改善サイクルの確立 ・評価・ベンチマーク設計 　-日本語/業務ドメインに即したベンチマークの設計・運用 　-オフライン評価とオンライン評価の設計、継続的な性能モニタリングと劣化検知 　-ハルシネーション、情報漏洩、プライバシー等のリスクを踏まえた検証と対策 ・開発基盤・データ基盤の整備 　-学習/評価/推論のパイプライン設計・運用、再現性の高い実験環境の構築 　-データ収集、品質管理、フィルタリング、アノテーション方針の策定と運用 　-コストやスループットを意識した推論環境の最適化、LLM Opsの整備 ・プロダクト/ソリューションへの接続 　-PM/PdMと連携した要求整理、ロードマップへの反映、要件に沿ったモデル方針の策定 　-エンジニアと連携した商用実装(API化、周辺機能、運用設計)、クライアント環境での導入支援(オンプレミス含む) 　-業務プロセスへの組み込み、検証設計、運用定着までの伴走と改善 　-再利用可能なコンポーネント化やプロダクト化による横展開 ・チームリーディング、技術横展開・技術発信 　-技術アプローチレビュー、コードレビュー、ナレッジ共有を通じた開発品質の向上 　-メンバー育成やカルチャー醸成への貢献 　-技術ナレッジの公開(論文投稿・学会発表・勉強会登壇・テックブログ等) 【変更の範囲】 会社の定める業務へ配置転換の可能性あり

機械学習領域の技術方針・技術判断 ・事業課題・プロダクト要件を踏まえた機械学習の活用方針の検討 ・機械学習を使用する/使用しない判断を含む技術的な実現方法の選定 ・モデル・アルゴリズム・特徴量等の選定と技術的な妥当性の検証 ・複数の機械学習テーマを見据えた技術方針・開発優先順位の検討 ・精度、開発工数、運用負荷、保守性、コストを考慮した技術的な意思決定 大規模LLMとの連携・活用に向けた技術設計・開発 ・業務要件やユースケースに応じた大規模MLMの選定・評価および技術的な活用方針の策定 ・大規模LLMとのAPI連携や既存システムへの組み込みを見据えたアーキテクチャの設計・実装 ・Pythonを用いたモデル連携機能の開発および推論処理・データ連携の最適化 ・出力精度・応答速度・コストなどの評価指標の設計および検証結果に基づく継続的な改善 ・大規模LLMのプロダクション環境への導入・運用における技術的課題の解決や難易度の高い開発テーマのリード システム設計・MLOpsの推進 ・機械学習モデルをプロダクトに組み込むためのAPI・バッチ処理・推論基盤の設計 ・データ処理・学習・推論パイプラインの設計・構築 ・モデルの本番環境への導入、監視、運用改善 ・精度低下やデータ変化を踏まえた再学習・改善プロセスの設計 ・再現性、可観測性、保守性、運用コストを考慮したMLシステムの改善 開発品質・技術基盤の整備 ・モデル・コード・実験結果・評価設計に関する技術レビュー ・モデルの評価方法や開発手順の標準化 ・技術的負債や運用課題の可視化、改善方針の策定 ・実験管理、CI/CD、モデル監視等を含む開発・運用環境の改善 ・機械学習領域における技術知見のドキュメント化・共有 関係部門との連携・技術支援 ・PdMや事業側と連携した課題整理、技術的な実現可能性の検討 ・アプリケーションエンジニア等との連携によるプロダクトへの機械学習機能の実装 ・AIデータ品質担当との連携による学習・評価データの品質向上 ・開発メンバーへの技術レビューや設計・実装面での支援 ・技術選定の理由、評価結果、リスク等の関係者への説明 ※人員管理や組織マネジメントはEM等と役割を分け、本ポジションでは機械学習領域の技術的な意思決定と開発・運用品質を中心に担っていただきます。 課題や事業上の優先順位はPdM等と連携し、AIデータ品質担当とはデータ品質に関する役割を分担します。

【まずお任せしたいこと】 入社後まず注力いただくのは、ジョブメドレーにおけるレコメンド・検索領域の ML システム開発と MLOps 基盤整備です。 データ基盤の構築整備が急ピッチで進んでおり、内部のデータ分析だけでなくプロダクト機能としての価値提供に差し掛かる中で、以下の取り組みに着手しています。 -レコメンドエンジンの設計・開発・改善(協調フィルタリング、コンテンツベース、深層学習ベースなど) -検索ランキングの最適化・パーソナライゼーション -Google Cloud(BigQuery, Vertex AI, Cloud Run 等)を中心としたMLインフラ(特徴量ストア・モデルレジストリ・実験管理基盤等)の設計・開発・運用 -学習・推論パイプラインの設計・構築・自動化(CI/CD) 例えば、レコメンドエンジンに関しては基盤の刷新を進めていることもあり、アーキテクチャの設計段階から携わることができます。 【バックグラウンドや志向に応じた広がり】 上記を中心としつつ、ご経験や志向に応じて以下のような領域にも携わっていただけます。 ●データサイエンス寄りの方には: -ジョブメドレーが保持する様々なデータを活用した新たなマッチングモデルの検証・開発 -事業指標予測、LTV 予測など事業課題に直結する予測モデルの構築と改善 -A/B テストの設計・実施・効果検証によるプロダクト改善サイクルの推進 ●データエンジニア寄りの方には: -dbt を用いた特徴量生成・分析用データモデルの設計・開発 -KPI設計・効果測定のための分析基盤・BI 環境(Metabase x 生成 AI)整備 -プロダクト開発を始めとする他部署と連携した仮説検証のためのデータ整備 -いずれの志向であっても、事業課題の発見・具体化から成果の創出まで一貫して関わることを期待しています。 ※業務の変更の範囲: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

・顧客技術対話 顧客のAI推進部門・情報システム部門・技術部門と対等に技術議論を行い、データ基盤・AIシステムの設計合意を主導します。上流フェーズのチームから本番化フェーズへの引き継ぎを技術的に完結させます。 ・チームマネジメント クラウドエンジニア・データエンジニア・AIエンジニア等数名のメンバーの業務設計・進捗管理・品質レビュー・育成を担います。プレイングマネージャーとして自分自身も技術的な主担当を持ちながらチームを率います。 ・AI実装品質の設計監督 データ基盤(スキーマ・ETL・品質管理)・AIアーキテクチャ(品質ゲート・評価基準)・AI駆動開発(コンテキスト設計)の各レイヤーの整合性を担保します。LLMへのコンテキスト不足がドメイン誤り・ハルシネーションを引き起こすリスクを構造的に排除します。 ・顧客内製化支援 外部ベンダー依存から脱却し、顧客組織が自走できる状態を作ることを最終目標として設定します。AI駆動開発ガイドライン・標準プロセスの整備と顧客チームへの移転を担います。 ・実装ノウハウの標準化 案件で確立したアーキテクチャパターン・実装手法・品質基準を汎用テンプレートとして整備し、チーム全体のデリバリー品質と速度の向上に貢献します。 ・AI・データ動向の事業反映 クラウドAIサービス・MLOps・LLMOps・AI駆動開発・フィジカルAI等の最新動向を継続的に把握し、設計判断・顧客提案・チームの技術方針に積極的に組み込みます。 ●仕事についての詳細 この事業領域の公開情報 事業説明 メインサイト(https://www.mamezou.com/services/strategic) note記事(活動報告、インタビュー記事、等)(https://note.com/mamezou_info/m/mb5c4d71c8358)

DHK(電話放送局)事業と本ポジションの位置づけ 「電話放送局(DHK)」は、長年コールセンター/電話業務の領域でサービスを提供してきた実績のある事業です。GVグループにジョイン以降はAI Agent「DHK CANVAS」をリリースし、コールセンター向け音声AI Agentとしての価値提供を広げています。 一方で、電話放送局時代から続くサービスも変わらず継続・稼働しており、現在も多くの顧客に使われ続けています。こうした経緯から、DHKのサービス群は現在オンプレ環境とクラウド環境の両方で稼働しています。 本ポジションが担当するオンプレ環境で稼働しているサービスは、まさにこの長年続いてきた事業の土台にあたります。安定運用があってこそ、DHK CANVASのようなAI Agentによる新しい価値提供も広がっていく——本ポジションは、この両輪を支える重要な役割です。 所属:株式会社GROWTH VERSE Technology部。同部からDHK(電話放送局)へ出向し、DHKサービス開発課・GVのDHKチームと協働する体制で稼働します。 レポートライン:VP of Technology(Technology部を統括)直下。 雇用形態の位置づけ:GROWTH VERSE正社員としての採用・雇用契約です。所属はGROWTH VERSE Technology部で、DHKへの出向という形でDHKの基盤運用に従事します。 主な業務内容 DHKのサービス群はオンプレ環境とクラウド環境が混在しており、本ポジションが担当するのはオンプレ環境で稼働しているサービスの運用・監視・改善です。 オンプレサーバー基盤の運用監視:データセンターに構築されたオンプレサーバーの日常監視・ヘルスチェック・キャパシティ管理 障害対応:一次切り分け、復旧対応、恒久対策の検討・実装 保守・メンテナンス:定期メンテナンス、パッチ適用、機器更改対応(通信交換機・PBX等、音声基盤特有の専用機器に触れる可能性があります) 運用自動化・トイル削減:Python・Goを用いた運用スクリプト・ツールの開発による定型作業の自動化 属人化解消のための体制構築:運用手順・障害対応ノウハウのドキュメント化、引き継ぎ体制の整備 (将来的な発展領域):基盤の安定運用を土台に、クラウド活用や基盤刷新の検討に関わる可能性があります 技術・環境 インフラ オンプレミスインフラ(データセンター基盤) 言語 Python Go(主に運用自動化・ツール開発) その他 音声基盤特有の専用機器(通信交換機・PBX等)を含む場合あり ※DHKの技術基盤はオンプレ環境とクラウド環境が混在しており、本ポジションが担当するのはオンプレ環境で稼働しているサービスです。実際の技術構成・業務範囲は基盤の状況により変動します。 キャリアパス GVのエンジニア像は、技術領域別の分業(フロントエンド/バックエンド/SRE/QA等)から、技術領域を超えて「フルサイクル(要件定義から運用まで一気通貫)+AI Agentのマネジメント」へと変化している過渡期にあります。 GVは入社時の職種・専門性を"入口"として尊重しつつ、育成・リスキリングを積極支援します(書籍・カンファレンス・社内勉強会・ローテーション等)。 短期的な成長の方向性: オンプレ基盤運用のプロフェッショナルとして、属人化のない安定運用体制を確立します。 中長期的な成長の方向性: オンプレ基盤の知見を土台に、クラウド活用・基盤刷新のリード、あるいは技術領域を横断するフルサイクル能力の獲得へと成長の方向性が広がっています。

役割 エンタープライズ企業のデータ活用を推進し、分析・モデル開発・AI実装を通じてビジネス成果を創出する役割。 主たる業務 ● Python、R等を用いた統計モデル・機械学習モデルの設計・開発・評価・運用の支援 ● 各種生成AIやAIエージェントを活用したシステムの設計・開発・評価・運用の支援 ● データ基盤(AWS、GCP、Azure等)の要件定義・設計・運用の支援 ● クライアントへのヒアリング、PoC、本番運用までの一連のプロセス推進 ● クライアントへの分析結果の説明・意思決定支援 ● AI/データ活用に関する技術リード

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

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

業務詳細 グループ各社の事業価値向上や業務生産性の向上をめざし、マッチング迅速化やグループ共通業務の効率化など、AI・データを活用した施策の支援をご担当いただきます。また、グループ内で保持するデータを事業価値につなげていくために、データ基盤の構築を進めています。このデータ基盤の構築や、API/アプリケーション開発などをご担当いただきます。デジタル企画、データサイエンス、エンジニアリング、ガバナンスなどの専門知識を持つメンバーと、プロジェクトごとにチームを編成して活動します。 具体的な担当業務 各ポジションは専門領域を持ちながらも、横断的に連携しながらプロジェクトを推進します。具体的には、下記のような業務を、チームで連携しながら取り組んでいただきます。 ・事業責任者や企画担当と連携して適切なAIアーキテクチャ※を選定 ※LLM、検索拡張生成(RAG)、機械学習モデル、クラウドAIサービスなど ・AIシステム/AIプロダクトの設計・開発 (バックエンド/フロント連携、コンテナ化、CI/CD、Infrastructure as Code) ・AIモデル/パイプラインの設計・実装 ・推論基盤の最適化(レイテンシ、スケーラビリティ、コスト管理) ・モデル評価・精度改善、プロンプト設計/改善、オフライン/オンライン評価 ・モデル品質のモニタリングおよびドリフト検知 ・プロトタイプ作成とPoC実施、スケールに向けたアーキテクチャ最適化 配属組織 ●グループAI本部 データソリューション部 データサイエンス室 デジタル化を推進することで、パーソルグループ全体の業務効率化や生産性向上、データ利活用に寄与する部門です。本部全体で150名ほどの組織になります。立場に関わらず意見を伝え合う風通しの良い社風です。また、主体的な言動や意志を尊重し裁量ある働き方ができる環境であり、成長意欲がある方には組織として全面的にバックアップする環境です。 データサイエンス室は現在メンバー8名程度で、30代前半～40代のデータサイエンティスト、AIエンジニアが中心で構成されます。 コミュニケーションを大切にし、部を跨いだ定期的なイベントや、メンター/管理職との定期的な1on1を行っています。残業時間は20～30時間程度です。 ※場合よってはグループ内で一時的な兼務/出向をいただく場合がございます。 担当職種の変更範囲 会社の定める職種(出向規程に従って出向を命じることがあり、その場合は出向先の定める職種)

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