年収900万円以上 MLOpsのITエンジニア求人・転職情報

SCSK株式会社

●職務内容・担当業務 ・ソフトウェア開発の一連の工程(要求定義、設計、実装、テスト)、アジャイル開発も積極的に導入 ・先進機能の研究開発(ROS、C++、生成AI、データエンジニアリング) ・量産向け制御ソフトウェア開発(C++、MATLAB/Simulink) ・開発環境・開発支援ツールの開発(AWS、Python、MLOps、DataOps、各種開発・検証ツール) ※ 業務経験・スキル、希望に沿って担当業務を決定します ●研修 ・業務開始までに必要な研修を受講していただきます。具体的には、IT基礎、C/C++/Python、MATLAB/Simulink、自動車工学基礎、自動運転基礎、AIなどの研修プログラムを準備しています。 ・業務開始後も必要に応じて、IT、モビリティ、ビジネススキルに関連する教育が受講可能です。

Sansan株式会社

●組織ミッション 当社の研究開発部門は、事業部から独立した組織として、事業成長を加速させることをミッションとしています。イノベーション創出のための研究開発から、あらゆる事業へのアプリケーション提供・運用までを手がけます。 ●具体的な業務 研究員と協力しながらプロダクトを開発します。モデル開発以外のほぼすべてを担当します。mlopsやplatform engineeringの領域において、強みに応じて業務を決定します。 ・研究成果を組み込む際の、開発設計リード、実装、ベストプラクティスの共有 ・AWS(Amazon Web Services)やGoogle Cloudなどのクラウド上でのシステム構築、運用、改善 ・研究開発の生産性・運用性を高め、かつコストを抑えた環境の整備(Amazon Elastic Kubernetes Serviceを使用したKubernetesクラスタ「Circuit」やマネージドリソースの構築運用) ・ソフトウエア開発サイクル全体を支援する基盤とツールの設計、開発、運用 ・基盤のセキュリティーと信頼性の向上 ●開発環境、使用するツールなど - 開発言語:go, python, shell script, c#, c++ - データベース:amazon aurora, amazon dynamodb, amazon redshift, opensearch, - bigquery, google cloud sql - 構成管理:kubernetes(kustomize、helm), terraform - ci・cd:github actions, argo cd - マネージドmlサービス:amazon sagemaker, vertex ai - 管理ツール:github, notion - インフラ:aws, kubernetes(eks), google cloud - 運用・監視:datadog, aws cloudwatch logs, google cloud monitoring ●従事すべき業務の変更の範囲 会社の定める業務 ●記載内容に関する注意事項 本求人票に記載の内容は、会社の方針によって変更になる可能性があります。

Sansan株式会社

● 組織のミッション Sansan株式会社では、名刺・請求書・契約書といったアナログ情報をデータ化するとともに、企業情報や事業所などの多様なデータを独自に収集し蓄積しています。それらを掛け合わせたデータベースを形成し、提供しています。本ポジションは、その大規模なビジネスデータに対する分析の力を武器に、プロダクトの成長と開発をけん引する役割です。 ● チームについて 私たちのチームは、データ分析の専門家集団です。ビジネスデータの構造を深く理解し、分析を通じてプロダクトの成長と開発を後押しします。一過性の分析で終わらせず、そこで得た知見をプロダクトの企画・機能へと自ら形にしていきます。 ● 具体的な業務 プロダクト開発組織と密に連携しながら、データに関わる調査・分析・モデリングから、プロダクトの企画・設計・開発までを一貫して担います。分析だけで終わらせず、PM・エンジニア・デザイナーといった関係者と連携しながら、自ら手を動かして開発まで踏み込みます。 ● データの調査・分析・概念設計 ・統計モデリングやアルゴリズムの検証を通じて、データから具体的な打ち手を導く ・ビジネスデータを調査・分析し、プロダクトの成長につながる課題や機会を定量的に明らかにする ・プロダクトや機能の開発に向けた調査・分析を行い、土台となるデータモデル・機能設計まで踏み込む ● データプロダクトの企画・開発 ・調査・分析の結果を、プロトタイプからプロダクト機能まで自ら開発する ・プロダクトの企画から実装までを一貫して担い、開発チームと密に連携する ● 開発環境、使用するツールなど ・開発言語 : Python, R, SQL, Go (※プロダクト開発で利用) ・データベース・DWH : BigQuery ・インフラ : Google Cloud, AWS ・構成管理 : Terraform ・バージョン管理・コラボレーション : GitHub, Slack, Notion ※上記すべての利用経験が必須ではなく、また他のツールも必要に応じて柔軟に利用します。 ● 従事すべき業務の変更の範囲 会社の定める業務

株式会社タイミー

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。

JAPAN AI株式会社

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

株式会社日立製作所

【職務概要】 ミッション: データサイエンティスト、システムエンジニアの作業性を改善し、日立グループのDXソリューション・サービスの展開スピード、価値向上に寄与するMLOps関連技術・ソリューションを提案・開発すること 期待する役割・責任:上記ミッションを実現するために、 ・顧客・日立グループ内のデータサイエンティスト部門、システム化部門等と連携した課題の定義すること、 ・最新のMLOps関連技術・OSS・サービスを活用して、課題を解決する技術・ソリューションを開発し、検証すること、 ・海外の技術者と協力して、国際的なディリバリ環境を整備すること、 ・技術を特許にまとめること、 ・複数の研究者をとりまとめて、関連する研究テーマをリードすること 【職務詳細】 ・全社および事業部門への新規研究・事業の提案と、技術・ソリューション開発 ・国内外のデータサイエンス・システム化部門や顧客とのPOC推進と、技術のエンハンス ・特許創出、ニュースリース、学会発表 ・研究テーマ・研究プロジェクトのリーダ 働く環境 ・配属組織/チーム:10～20人規模のチームで、若手からベテランまで様々です。 ITやデジタル系専門の方から、産業分野、機械分野などの様々なバックグラウンドを持ったメンバーで構成されています。 互いの異なる専門性を活かし、相互に協力して取り組む雰囲気をもったチームです。 ・働き方:在宅勤務可。現在は、基本在宅勤務で、必要に応じ出社しディスカッションをしたり、事業部や顧客との打ち合わせで東京のオフィスに出張する事も発生する可能性あり。 配属組織名 Digital Innovation R&D　先端AIイノベーションセンタ　社会インテリジェンス研究部 配属組織について Lumada Data Science Lab.は、2020年に新設された事業部一体の研究所です。 データサイエンティストのトップ人財として、AI・データアナリティクス分野の研究者や高度なデータサイエンスと技術の業務適用に不可欠なOT(Operational Technology)の深い知見を有するエンジニア・コンサルタントなど約100名を結集し、個々のスキルと知見を生かしてコラボレーションする新組織です。 その中で、我々の部署ではデータサイエンティストによるデータ分析等の業務の効率化するMLOps技術の開発に取り組んでいます。 データサイエンティストのための効率的な開発方式、データサイエンスノウハウの共有技術、AI/MLコードのシステム化技術、AI/MLコードの運用技術を開発し、日立グループ内のデータサイエンス部署への提供、もしくはお客様に提供するシステムへの組み込み等で事業に貢献しています。 【携わる事業・ビジネス・サービス・製品など】 ①AIフレームワークの開発 データサイエンティストの開発効率性、および分析コードのシステム化・運用時に必要な処理(デプロイ・監視・修正等)を可能とする製品です。 製品URL:https://www.hitachi.co.jp/products/it/appsvdiv/service/justware/ai-apfw/index.html ニュースリリース:https://www.hitachi.co.jp/New/cnews/month/2021/03/0323a.html ②Lumada Data Science Lab データサイエンティストのトップ人財を結集して、事業部一体の組織です。 我々もそこに所属しつつ、そこに所属するデータサイエンティスト・エンジニア等と連携して、彼らの生産性の最大化を実現します。 組織URL:https://www.hitachi.co.jp/products/it/lumada/about/ai/ldsl/index.html 書籍:「実践 データ分析の教科書 現場で即戦力になるデータサイエンスの勘所」株式会社日立製作所 Lumada Data Science Lab. (監修)の内、「第5章 データサイエンスの現場適用とは」に関連する様々な取り組み

株式会社GROWTH VERSE

●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。

株式会社FLUX

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。

株式会社CARTA HOLDINGS

●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/)

株式会社ナウキャスト

●業務の概要 ナウキャストでは、従来の経済指標や市場調査では捉えきれない「多様でユニークなデータ」を活用し、不動産・流通・金融など幅広い業界でクライアントの意思決定を支援しています。 アナリティクスエンジニアは、単なる分析に留まらず、データ分析、データ基盤の整備、プロダクト開発から導入支援までを一気通貫で担うポジションです。 具体的には以下事業のいずれかの配属を想定しております。 ※社内の配属先はご経験やご希望を踏まえた上でご本人様とご相談しながら決定いたします ①商業用不動産・店舗ビジネス向け新規プロダクト(DataLensHubシリーズ) 2024年3月に新規事業として、商業用不動産・店舗ビジネス向けに「DataLens商業リーシング」「DataLens商圏分析」「DataLens店舗開発」の提供を開始し、現在販路の拡大を行っております。 今後とも新たな3rdパーティデータや生成AI技術を活用して「DataLensHub」を継続的にアップデートするとともに、商業用不動産ビジネス以外にも展開することを検討しています。 https://nowcast.co.jp/news/20250205/ ・DataLens店舗開発 　人流データや決済データなどの3rdパーティデータをベースとした商圏分析機能に当社の生成AI技術を組み合わせた店舗開発DXツール 　https://lp.datalenshub.com/ja-jp/property 　https://nowcast.co.jp/news/20260409/ ・DataLensオフィス営業 　AIとビッグデータを活用し「オフィス移転の可能性が高い企業」を特定できる営業支援サービス 　https://lp.datalenshub.com/office ②機関投資家・パブリックセクター向けの指数開発/分析・生成AI活用ソリューション POSデータやクレジットカードデータ等を用い、機関投資家向けの個別銘柄の売上動向指数、パブリックセクター向けの民間統計の開発のほか、生成AIの活用やデータ分析に関する官公庁の調査分析事業にてデータ分析のスペシャリストとして参画いただきます。 また、地方自治体向けのオルタナティブデータを活用した経済動向の把握、観光・消費分析などを主導いただきます。 ③金融機関向け法人与信DXソリューション 金融機関の「法人与信業務」を高度化するプロジェクトです。 既存システムで分断された情報を法人番号をキーに統合し、3rdパーティデータと組み合わせることで「限度額引き上げサジェスト」等の能動的な途上与信を実現するデータ基盤・アルゴリズムを構築します。 【具体的な業務内容】 ・不動産企業から官公庁・自治体まで、幅広い業界の課題に対しデータ分析を通じて課題解決を支援 ・不動産領域では、需要予測・商圏分析・営業リスト作成などの分析を実施し、「DataLens店舗開発」などプロダクトへ知見を実装 ・データマート開発やバックエンド実装を担い、エンジニア・デザイナーと連携したUI設計も推進 ・官公庁・自治体では、データドリブンな意思決定支援や施策提案を実施し、課題解決に向けたインサイトを提供 ●社員インタビュー ・「DataLens店舗開発」が特許を取得 ──AIで店舗出店の常識を変える挑戦の裏側 　https://finatext.com/recruit/finalog/interview_datalens_storedevelopment ・“ 分析×エンジニアリング ”で新規プロダクトを「創って、育てる」アナリティクスエンジニアの挑戦 　https://finatext.com/recruit/finalog/interview_hiromasa_hayashi ・【入社エントリー】データアナリストからデータエンジニアへの挑戦 　https://finatext.com/recruit/finalog/entry_yamamoto ●事例 ・DataLens店舗開発 ナウキャストの「DataLens店舗開発」、RIZAPがコンビニジム「chocoZAP」などの出店加速に向けて導入 https://nowcast.co.jp/news/20260410/ ゴーゴーカレーグループ、ナウキャストの店舗開発DXツール「DataLens店舗開発」を導入し、AIによる物件情報の自動取り込み機能で物件選定の作業効率を約3割向上 https://nowcast.co.jp/news/20251211/ ファーストキッチン、ナウキャストの店舗開発DXツール「DataLens店舗開発」を導入し、「ウェンディーズ・ファーストキッチン」の新規出店戦略に活用 https://nowcast.co.jp/news/20251029/ ・DataLensオフィス営業 総合不動産デベロッパーのDXを支えるカスタマイズ性。「オフィス営業」×「サードパーティデータ」が開いた可能性 https://nowcast.co.jp/case-studies/20250826/ 徹底した企業研究の仕組み化に取り組む住友不動産のオフィス営業哲学 https://nowcast.co.jp/case-studies/20250826-2

株式会社SmartHR

「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

Trust株式会社（トラスト）

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

株式会社ギブリー

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

燈株式会社

業界特化型生成AIエージェントの開発(AI SaaS事業部への配属)において、プロダクトの「要件」を「技術」へと翻訳し、チームの最大出力を引き出すリードエンジニアを募集します。 【ミッション】 ビジネス要件を実装可能な技術仕様へと落とし込み、自ら開発を牽引すると同時に、ジュニアメンバーへの適切なタスク配分と設計支援を通じて、チーム全体の開発生産性とアウトプット品質を最大化させます。 詳細な業務内容 【業務例】 ・要件定義から技術仕様への落とし込み: PdMやビジネスサイドとの上流工程からの議論に参加し、曖昧なビジネス要件を、エンジニアが実装可能なレベルの技術仕様書・インターフェース定義まで具体化します。 ・タスク分解と采配(ディスパッチ): 大きな機能を「ジュニアメンバーが実装可能なサイズ(1〜3日程度)」のタスクに分解し、メンバーのスキルセットに合わせて適切に割り振ります。 ・アーキテクチャ設計と技術戦略: プロダクト全体の整合性を保つためのアーキテクチャ選定、技術的負債の返済計画の策定、スケーラビリティを考慮したインフラ設計を行います。 ・組織の技術力底上げ: コードレビューの最終責任者として品質を担保すると同時に、AI開発支援ツール(Devin/Claude Code等)の活用ベストプラクティスを策定し、組織全体の開発生産性を向上させます。 【技術スタック】 ・フロントエンド:TypeScript/Node.js/React/Next.js ・バックエンド:TypeScript/Node.js/Python/NestJS/FastAPI/GraphQL/Hasura/gRPC ・インフラ:Terraform/Kubernetes/AWS/Microsoft Azure ・AI:Python/NumPy/Pandas/Pytorch/OpenCV 【AI開発支援ツールの導入】 当社では、最新のAI開発支援ツールを実務に組み込み、効率と品質を同時に高めています。主な活用例は以下の通りです。 ・Devin:自動タスク実行、同時並行実装数を上昇 ・Claude Code:自然言語からの高度なコード提案・改善で、実装スピードを向上、同時並行実装数を上昇 ・v0.dev:高速なUIモックアップ生成で、要件確認を迅速化 ・GitHub Copilot:日常的なコーディング補助で、作業効率を底上げ ・Gemini:Deep Research/Python実行を含む情報検索・解析で、調査や設計の精度を向上