年収700万円以上 ConfluenceのITエンジニア求人・転職情報

株式会社BuySell Technologies

<リユースプラットフォーム開発> リユースプラットフォームCosmosのビジョンは、「日本全国誰もが簡単にリユースにアクセスできる世界の構築」を想い描いています。 事業理解と共に、プロダクトと関わるメンバーのサポートをお任せいたします。 ・プロダクトのデリバリーマネジメント ・プロダクトに係るコストの予実管理 ・メンバーとの1on1、メンタリング、コーチング、人事評価、アサイン計画などピープルマネジメント ※変更の範囲なし 【チームの特徴】 ・開発生産性への意識が高く、作業の効率化などを重視できます ・仕様がトップダウンで降りることはなく、エンジニアが「なぜつくるか」を理解して開発します ・業務を通して得た知見をtech blogや外部登壇で発表することを推奨しています ・1プロダクトあたり10人未満のチーム構成 【開発組織の成長に向けた取り組み】 エンジニア組織は35名から90名まで増加しており、今後も拡大を予定しています。 一方で組織横断の知見共有や事業部連携が不足していたり、次世代のEMやTLを育成するスキームが確立していないなど課題が浮かび上がってきました。 私たちは「バイセルテックイシュー」と称して、日々課題解決への取り組みを行なっています。 ・ビジネス理解浸透会 ・社外アウトプットを強めるワーキンググループ作成 ・MVV浸透イベント 【プロダクト開発環境】 ・開発言語:Golang, React.js(Next.js), TypeScript ・インフラ:GCP(Cloud Run, BigQuery, Cloud SQL...), 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 ・その他:Elastic Cloud, Terraform Cloud, Chromatic

エムスリー株式会社

●ミッション あらゆるデータとあらゆる分析技術を活用して、医療に最適な意思決定を適用する。 ●役職/ロール データサイエンティスト(DS)/アナリティクスマネージャー ●担当業務 複数名のDSが所属するデータ分析グループ内のチームをリードし、ビジネス課題を解決します。 エムスリーグループ内の各事業部の戦略パートナーとして、担当事業部の課題を解決します。 ニーズ×データ×分析技術の深い理解から、分析ソリューションプロダクト開発の方向性をリードします。 各事業部に留まらず、エムスリーグループの組織横断プロジェクトをリードします。 DSの採用、人材育成、成果物の品質向上を目的とした分析基盤開発などのグループの発展をリードします。 ●所属 データ分析グループ 約20名のDSが在籍しています。 事業インパクトの最大化を目的として、各DSの成果を定量的に評価し、創出した付加価値をKPIとしています。 クライアントの深い理解とニーズ発掘に取り組み、信頼関係を構築できるようクライアント担当制を敷いています。 各DSが、担当事業での課題発見/実装/評価等の全データ分析プロセスを一気通貫で行います。 ●カルチャー 周囲のグループと協働して、DSが最も付加価値を提供できる企画とロジック開発に特化しています。 事業課題に応じたソリューションを提供し、同時並行で複数のプロジェクトを実施します。 時間への意識を高め、世の中のライブラリを積極的に活用したデリバリー優先の開発を行います。 データサイエンティスト同士の連携を重視し、プロジェクト・分析結果の共有やコードレビュー等を行っています。 勉強会にて、各データサイエンティストが定期的に新たなチャレンジをしています。 ●技術スタック 統計技術:機械学習, 因果推論, 組合せ最適化, 自然言語処理等 言語:Python3.x, SQL, Shell Script DB:BigQuery インフラ:PC (Windows / Mac希望に応じて), オンプレミスサーバー, AWS コード管理:GitLab コミュニケーション:Slack, JIRA, Confluence <入社時>上記に記載の業務 <変更の範囲>会社の定める業務、就業規則に従い出向となった場合は出向先の定める業務

さくらインターネット株式会社

さくらインターネットのインフラエンジニアは、インターネットを活用したい多くの方々の活動を支えるプラットフォームの設計・開発・運用を行っています。 お客様に満足度高く継続的に利用していただくため、サービスに対する多様なニーズに対応する基盤をより早く提供し、また高品質に保つことが必要です。 先進的な技術・従来の技術を駆使し、価値の高いサービスを提供するため、既存の規則やルールに縛られず能動的に取り組んでいただける方を募集しています。 ※本募集職種はさくらインターネットでのインフラ開発エンジニアにご興味をお持ちで、募集中のポジションに適合する職種が見つからない、もしくは複数以上ある方を対象としています。 さくらのクラウド、VPS、レンタルサーバ、CDNなどいったさくらインターネットにおけるIaaS、PaaS、SaaSにおいて、コントロールパネル、APIといったフロントエンドからバックエンドまで、サービスの核となるシステムを作り上げ、価値提供に向けて継続的な開発、改善を行います。 また、既存サービスのみでなく時代に適したSaaS等次世代サービスの開発にも従事していただけます。 実際の業務内容については選考を通して志向を伺いながら決定していきます。 当社のソフトウェア開発チームはフルリモートでの勤務を前提とした働き方を実践しております。 コミュニケーションはSlack・Zoom、ドキュメントはConfluenceを活用し、フルリモートであっても透明度の高い情報共有を行なっています。 また、開発においてはGitHub Enterprise　Serverを使用しチームでの開発環境を整えております。

株式会社ニーリー

・事業KPIを上げるための機能追加・改善の開発 　　∟ 事業戦略上、課題となっている業務領域を中心に対応します 　　∟ 決済・会計業務、カスタマーサクセス業務(toB/toC両面)、開発のトイル業務など ・各事業部における課題のディスカバリー 　　∟ 要望の受け付けやヒアリングだけではなく、実際の業務にdeep diveして一次情報を取りにいきます ・事業のトップラインを上げるために必要な業務効率化のためのツール・プラットフォーム設計と開発 【一緒にやりたいこと】 ・マルチプロダクト化を見据え、サクセスエンジニアチーム体制の構築・仕組み化・強化 ・サクセスエンジニアチームがより発展、事業貢献するための施策の立案 ・各事業部への課題感のヒアリング・発掘の強化 ・よりスピード感を持った各事業部の課題感の解消と事業を成長させるための体制強化 ・事業のトップライン向上に直結する業務改革を推進するための、業務プラットフォーム・ワークフローの設計と構築 ・個別最適の業務改善から一歩進んだ、事業成長を支える業務プラットフォームの設計・構築 【技術環境】 ・使用言語:TypeScript, Python ・フレームワーク: 　∟ フロントエンド: React, Next.js 　∟ デスクトップアプリ: Electron 　∟ バックエンド: Express, Hono 　∟ テスティングフレームワーク: vitest 　∟ GASツール:Google App Script(Rollup + clasp) ・エディタ:VS Code, Cursor ・AI支援:GitHub Copilot, Claude Code ・インフラ:AWS ・データベース:PostgreSQL, Aurora ・モニタリング:CloudWatch, Datadog ・ダッシュボード:Redash ・CI/CD:GitHub Actions, AWS CodeDeploy ・プロジェクト管理:JIRA ・チャット:Slack ・ナレッジツール:Confluence ※開発組織全体では、以下も使用しています※ ・バックエンド:Python(Django) ・フロントエンド:TypeScript, Angular, React ・品質保証:Autify ・ミドルウェア:Redis, Nginx ※業務内容 雇入れ直後:上記記載の通り 変更の範囲:自社事業の推進および付随するすべての業務

株式会社ニーリー

●具体的な仕事内容 ・マルチプロダクト化に向けた取り組み ・新規プロダクト/開発チームを迅速に立ち上げるためのプラットフォームエンジニアリング ・グロースに耐えうる信頼性やオブザーバビリティを容易に導入するための仕組みづくり ・信頼性向上に向けた取り組み ・組織への信頼性イネーブリング戦略立案・推進 ・クラウドインフラセキュリティの向上 ・プロダクト開発のアジリティ向上に向けた取り組み ・開発環境改善やリリースエンジニアリングの最適化 ・トイル削減を目的としたツールや仕組みを構築することによる自動化 ・SRE x AIの分野における新たな価値創出、開発者体験の向上 ●使っている技術・サービス ・バックエンド:Python(Django) ・フロントエンド:TypeScript, Angular, React ・インフラ:AWS(ECS、S3、Lambdaなど), Terraform ・データベース:PostgreSQL, Aurora ・ミドルウェア:Redis, Nginx ・モニタリング:CloudWatch, Datadog ・ダッシュボード:redash ・CI/CD:GitHub Actions, AWS CodeDeploy ・プロジェクト管理:JIRA ・品質保証:Autify ・チャット:Slack ・Knowledge Tool:Confluence ●組織体制 組織体制については以下の体制をとっております ・プラットフォームG SREチーム └主務メンバー3名 ※SREチームの取り組みについては、以下のnoteもご覧ください。 ・SREチーム発足から2年間の取り組み〜急成長するモビリティSaaSで信頼性とアジリティの両立を指す～ (https://note.nealle.com/n/n530c5238836d) ・ニーリーのSREによるリリースサイクルの改善〜「隔週深夜1回→1日2回」にリリース頻度を向上させた道のり〜 (https://note.nealle.com/n/n245a1069b089) ・SREチームのSLI/SLO策定への取り組み ～3つの視点から観測する信頼性～ (https://note.nealle.com/n/n245a1069b089) ●ニーリーのプロダクト組織のことが分かるコンテンツ エンジニア向け会社説明資料 https://speakerdeck.com/nealle/nirienziniaxiang-kehui-she-shao-jie-zi-liao Nealle Developer’s Blog https://nealle-dev.hatenablog.com/ 公式note(エンジニアの入社エントリなど) https://note.nealle.com/m/m061b64cfaed8 ●改正職業安定法に基づく記載 雇入れ直後:上記記載の通り 変更の範囲:自社事業の推進および付随するすべての業務

株式会社ROBOT PAYMENT

●全社のプロダクト戦略策定・推進 ●フィナンシャルクラウド事業を中心とした複数プロダクトのポートフォリオ管理 ●プロダクトマネジメント組織のマネジメント・育成 【業務内容詳細】 (1)プロダクト戦略の立案・実行 └全社プロダクトのポートフォリオ設計(既存プロダクト・新規プロダクト含む) └投資アロケーションおよび予算管理 └プロダクトロードマップの策定と進捗管理 (2) KPI/顧客価値指標の最大化 └LTV向上施策の立案・実行 └顧客満足度向上および継続利用率向上のための施策実施・改善 └プロダクト品質とユーザー体験の向上に向けた戦略策定 ●期待する具体的な成果 ・全社のプロダクト戦略を再定義し、ロードマップを策定する ・組織体制の課題を洗い出し、PMの増員や教育計画を策定 ・LTVやNPSなど主要指標を一定期間(四半期など)で継続的にモニタリングし、前年比より向上 ・必要なリソース(予算・人材)を確保し、段階的に組織体制を整備 ・現場レベルの実行力を高めるPDCAサイクルやツール整備 ・経営目標である売上拡大・顧客継続率向上に直結するプロダクト戦略を実行 ・全社的な事業ポートフォリオの最適化に貢献 ・就任後3か月以内に戦略および組織体制の問題点を洗い出し、アクションプランを策定 ・就任後6か月以内に主要プロダクトのKPIを設定し、実行プランを浸透させる ●開発環境など ・開発言語:C# / PHP / JavaScript / Python / Powershell / Shell ・ミドルウェア:MySQL / Apache / SQL Server / IIS / Redis ・フレームワーク:Codeigniter / .NET 6 / .NET Framework / ASP.NET MVC ・バージョン管理:GitHub ・CI/CD:Jenkins / CodePipeline / CodeBuild / CodeDeploy ・コミュニケーション:Slack / Notion / Confluence ・タスク管理:Backlog / Toggl / Redmine ・監視:Newrelic / Pagerduty / Mackerel / Cloudwatch / Trend Micro CloudOne ・構成管理:Terraform / Ansible / SAM / Cloudformation ・インフラ:AWS / RDS / Elasticache / FSx / ALB / S3 / WAF / Cloudwatch / EC2 - Windows/Amazon Linux 2 / DirectConnect ・その他:Docker Compose / デュアルディスプレイ / Mac・Windows選択可 / 好みのエディタ・IDE選択

ウェルスナビ株式会社

・ビジネス部門との対話を通じた要件定義・仕様策定 ・顧客体験・運用負荷・技術的制約のバランスを踏まえた、スモールスタートな開発ロードマップおよびスコープの策定・関係者間の合意形成 ・フロントエンドの設計、開発、コードレビューなどのエンジニアリング業務 ・技術選定・アーキテクチャ設計を通じたプロダクト実現性の担保 期待する役割 MAP AIなどの新規事業におけるプロダクトエンジニアとして、フロントエンド開発を軸に、技術判断とプロダクト判断を一体的に行う開発をお任せいたします。 新規事業は、正解のない領域でPdM・エンジニア・ビジネスが互いの領域に踏み込み、助け合いながら進めるフェーズにあります。エンジニア側からもプロダクトの文脈を読み解き、要件の優先度判断・仕様の具体化・リリース可否の見極めといった意思決定を主体的に担っていただくことで、事業を共に前に進めていただきたいと考えています。 不確定要素の多い新規事業プロジェクトにおいて、『お客様のためになるか』を軸にチームの方向性を定め、『今確実に届けるべき価値』を見極めてプロジェクトを牽引する活躍を期待しています。 ▼ 参考記事 [【フロントエンドエンジニアのしごと】顧客体験を事業価値へとつなぐ、新規プロダクト開発](https://note.com/wealthnavi_hr/n/n32f9372e2577?magazine_key=m6a847018a1e2) ※プロダクト概要は「事業概要」の欄をご参照ください。 技術スタック ・言語・FW(フロントエンド):TypeScript, JavaScript, Next.js, HTML, CSS ・言語・FW(バックエンド):Java, Spring Boot ・インフラ　　　　:AWS(ECS, EKS, Lambda, API Gateway.etc) ・DB　　　　　　　:Aurora MySQL ・バージョン管理　:GitHub ・プロジェクト管理:Notion, Jira ・ドキュメント管理:Notion, Confluence ・その他　　　　　:Figma ・CI環境　　　　　:GitHub Actions ・生成AIの活用　　:GitHub Copilot, Gemini, Notion AI

ウェルスナビ株式会社

期待する役割 MAP AIなどの新規事業におけるプロダクトエンジニアとして、バックエンド開発を軸に、技術判断とプロダクト判断を一体的に行う開発をお任せいたします。 新規事業は、正解のない領域でPdM・エンジニア・ビジネスが互いの領域に踏み込み、助け合いながら進めるフェーズにあります。エンジニア側からもプロダクトの文脈を読み解き、要件の優先度判断・仕様の具体化・リリース可否の見極めといった意思決定を主体的に担っていただくことで、事業を共に前に進めていただきたいと考えています。 不確定要素の多い新規事業プロジェクトにおいて、『お客様のためになるか』を軸にチームの方向性を定め、『今確実に届けるべき価値』を見極めてプロジェクトを牽引する活躍を期待しています。 ※プロダクト概要は「事業概要」の欄をご参照ください。 業務内容 ・ビジネス部門との対話を通じた要件定義・仕様策定 ・顧客体験・運用負荷・技術的制約のバランスを踏まえた、スモールスタートな開発ロードマップおよびスコープの策定・関係者間の合意形成 ・バックエンドの設計、開発、コードレビューなどのエンジニアリング業務 ・技術選定・アーキテクチャ設計を通じたプロダクト実現性の担保 技術スタック 言語・FW(バックエンド):Java, Spring Boot 言語・FW(フロントエンド):TypeScript, JavaScript, Next.js, HTML, CSS インフラ　　　　:AWS(ECS, EKS, Lambda, API Gateway.etc) DB　　　　　　　:Aurora MySQL バージョン管理　:GitHub プロジェクト管理:Notion, Jira ドキュメント管理:Notion, Confluence その他　　　　　:Figma CI環境　　　　　:GitHub Actions 生成AIの活用　　:GitHub Copilot, Gemini, Notion AI

jinjer株式会社

勤怠・給与・人事労務を担う Core チームのマネジャーとして、チームの安定運用とプロダクト戦略の両輪を担います。 CPO 直下で PdM 複数名を率い、「何を作るか」「なぜ作るか」の意思決定に責任を持ちながら、チームメンバーの成長も主導いただきます。 具体的には以下の業務を担当します。 ●PdM メンバーの育成・目標設定・日次マネジメント ●プロダクト戦略ならびに VoC に基づく対応のロードマップ策定とリリースまでの完遂 ●PdM 各チームならびに CS や Sales との組織間連携設計および課題解決の推進 ●データならびに他チームの VoC 起点でのプロダクト改善サイクルの設計・実行 ●CPO ならびに他チームのマネージャとともに Core チームのプロダクト文化・開発プロセスを構築 ●AI ツールを活用した PdM 業務(仕様書生成・市場調査・データ分析)の自ら実践とチームへの展開 ●AI 前提の開発プロセス(仕様策定・レビュー・振り返り等)を Core チームに設計・浸透させる ●AI&Platform チームと連携した Core 領域への AI 機能統合の企画・推進 【利用ツール】Figma / Slack / Productboard / Confluence / JIRA

JAPAN AI株式会社

・顧客課題の発見・設計 顧客の業務プロセス・データ環境・既存 SaaS 群の全体像を深く理解し、AI で解決すべき課題を特定 AI がどう介入すれば効率化・最適化できるかを設計する 利害関係者 (経営層〜現場担当者) との関係構築・調整 課題の構造化・仮説構築・ソリューション提案 ・ワークフロー構築・PoC の高速実装 JAPAN AI STUDIO を活用した業務ワークフローの構築 (稟議承認、リソース最適配置、見込み顧客探索、データ連携 等) LLM / AI エージェントを活用した軽量 PoC の高速実装 顧客の既存 SaaS (SmartHR / Salesforce / HRMOS / 楽々精算 等) との API 連携・データ統合 フルスタック開発 (バックエンド + フロントエンド) ・本番導入・伴走 本番導入の技術支援・運用設計 セキュリティ・コンプライアンス要件への対応 導入後の利用定着支援・改善提案 ・プロダクトフィードバック 顧客フィードバックのプロダクトチームへの還元 新規ユースケースの発見・提案 プロダクト改善に繋がるパターンの抽出・体系化 【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 : 製造業の「SaaS 疲れ」を解消する企業の脳の構築 従業員 500名の製造業の顧客。 SmartHR / 楽々精算 / kintone / Salesforce を個別に運用しており、部門間のデータ連携は手作業で行われている。 現場ヒアリングで「月末の経費精算に 1人あたり 2時間かかっている」「営業が受注情報を 3つのシステムに手入力している」という課題を発見。 JAPAN AI STUDIO で各 SaaS を API 連携し、経費精算の自動承認ワークフローと受注データの自動連携エージェントを 2週間で構築。 月間 400時間の業務削減を実現し、他部署への展開 (アップセル) に繋げる。 ● シナリオ 2 : 金融機関の 24時間見込み顧客探索エージェント 地方銀行の法人営業部門。 営業担当者が手動で企業情報を調査し、アプローチリストを作成している。 1件あたり 30分かかり、1日 10件が限界。 JAPAN AI STUDIO で企業データベース・ニュースフィード・決算情報を統合し、AI エージェントが 24時間体制で見込み顧客を探索・スコアリングするワークフローを構築。 営業担当者は毎朝、AI が優先順位付けしたアプローチリストを受け取るだけの状態に。 アプローチ数が 3倍に増加し、受注率が 15% 向上。 ● シナリオ 3 : 小売業の稟議承認プロセスの AI 化 全国 50店舗を展開する小売業の顧客。 店舗からの発注稟議が紙ベースで、本部での承認に平均 5営業日かかっている。 現場観察で「承認者が出張中に稟議が滞留する」「過去の類似稟議を参照できない」という課題を特定。 JAPAN AI STUDIO で稟議データを構造化し、AI が過去の承認パターンを学習して一次判断を行うワークフローを構築。 承認リードタイムを 5営業日から 1営業日に短縮。 この成功事例をプロダクトチームにフィードバックし、JAPAN AI AGENT の標準テンプレートとして全顧客に展開。 ●ミッション 顧客の業務プロセスを解体し、AI を前提とした「次世代の基幹システム (企業の脳)」を実装する 顧客の現場に深く入り込み、既存 SaaS 群の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する。 JAPAN AI STUDIO を活用し、現場が実際に使えるワークフローを爆速で構築する。 その過程で得た知見をプロダクトチームにフィードバックし、プロダクトそのものを進化させます。 顧客の現場で発見された課題やユースケースが、直接プロダクトロードマップに反映されます。 ●AI ソリューションエンジニアについて AI ソリューションエンジニアは、Palantir 社が確立した FDE (Forward Deployed Engineer) を、AI エージェント時代にアップデートしたポジションです。 顧客の最も困難な業務課題を、AI と自社プロダクトを武器に解決します。 ・SIer / SES でのエンジニア 受け取った仕様書通りに実装する 客先常駐で開発リソースを提供する 多重下請け構造の中で顧客と距離がある 特定領域・特定技術の深掘り ・本ポジション 顧客と直接対話し、課題を発見して仕様を自ら定義する 自社オフィスを拠点に、自社プロダクトで顧客課題を解決する 経営層から現場担当者まで、顧客と直接信頼関係を築く フルスタック × AI × ビジネス理解 受託開発でも客先常駐でもありません。 顧客現場で課題を発見し、軽量な PoC を高速実装し、本番導入まで伴走する。 その過程で得た知見がプロダクトを進化させます。 ●期待する役割について 顧客の業務プロセスとデータ環境を深く理解し、JAPAN AI STUDIO を活用して課題解決を実装・導入するエンジニアです。 ・顧客の既存システム (SaaS 群) の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する ・JAPAN AI STUDIO を活用し、現場が実際に使えるワークフロー (稟議承認、リソース最適配置、見込み顧客探索 等) を爆速で構築する ・PoC を本番環境へ導入し、利用定着まで伴走する ・現場で得た知見をプロダクトチームにフィードバックし、プロダクトを進化させる ・経営層から現場担当者まで、多様なステークホルダーと関係を構築する ●成果責任 (KR/メトリクス) FDE の動きがプロダクトの成長 (ARR) に直結する設計です。 ・先行指標 (行動とアウトプット) STUDIO での新規ワークフロー構築数 — 顧客の課題をどれだけシステム化できたか SaaS 連携数 — 顧客の既存 SaaS を JAPAN AI に接続した数 (= 企業の脳の「視界」が広がった数) デプロイ速度 — 要件定義から最初の AI エージェント稼働までのリードタイム ・遅行指標 (事業と顧客へのインパクト) アクティブ利用率 (MAU / DAU) — 構築した AI ワークフローが、現場で実際にどれだけ使われているか 顧客の業務削減時間 / ROI — AI 導入によって浮いた工数や、受注率向上などの実数 アップセル・クロスセル額 — 初期導入拠点から、他部署や地方拠点へ展開したことによる追加売上 ●チーム体制 約120名が開発組織に在籍しています。 チームは現在6名で、以下のチーム・ステークホルダーと密接に連携します: Product Architect — プロダクト設計 Agentic Engineer — エージェント機能開発 AI Success Engineer — 導入後の顧客成功支援 Deployment Strategy — 顧客への導入戦略・展開推進 ●開発環境 言語 : Python (バックエンド) , TypeScript / React / Next.js (フロントエンド) / NX AI/LLM : LangChain, LangGraph, JAPAN AI STUDIO SDK インフラ : GCP (コンテナ / K8s) , Docker データ : BigQuery, PostgreSQL, 各種顧客データソース 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

JAPAN AI株式会社

ミッション "AI の出力品質を科学する — 評価手法の研究・開発で、エージェントの信頼性を証明する" LLM / AIエージェントの出力品質を、機械学習・統計学・計量心理学の手法で定量的に評価・改善します。本ポジションは「テストする人」ではなく、 「何をもって良いAIとするかを定義し、測定する科学者」 です。 期待する役割について AI Evaluation Scientist として、AI エージェントの品質評価基盤の設計・構築・運用をリードしていただきます。 ●評価メトリクスの研究開発 — LLM-as-Judge の校正、報酬モデリング、ベンチマーク設計を通じて「何をもって品質とするか」を科学的に定義します ●自動評価パイプラインの設計・構築 — 研究成果を本番 CI/CD に組み込み、スケーラブルな品質ゲートを実現します ●レッドチーミング・安全性検証 — adversarial testing の自動化、ポリシー準拠検証フレームワークを構築します ●統計的実験計画に基づく品質改善 — A/B テスト・有意差検定でプロンプト戦略やモデル変更の効果を定量的に検証します ●評価シグナルの研究・開発チームへのフィードバック — モデル改善の複利ループを構築します 約 200 社が本番利用するプロダクトの品質を「科学する」アプローチで担保します 業務内容 AI Evaluation Scientistとして、 AIエージェントの評価基盤 (Evaluation Infrastructure) の設計・構築・運用をリードしていただきます。 ●評価メトリクスの研究開発 ・LLM-as-Judge の校正手法の研究・実装 (rubric 設計、バイアス検出、proper scoring rules) ・評価ベンチマークの設計・構築・妥当性検証 (construct validity、contamination detection) ・報酬モデリング / preference learning の評価への応用研究 ・評価メトリクスの選定・設計 (win rate、task success、factuality、harm detection) ・評価セット (合成データ + 実ログ) の設計・構築・メンテナンス ●自動評価パイプラインの設計・構築 ・スケーラブルな自動評価パイプラインの設計・実装 ・CI/CD への評価パイプライン組込みと品質ゲートの構築 ・エージェント評価ハーネスの設計 (マルチターン・ツール利用・ロングコンテキスト対応) ・評価パイプラインの再現性・信頼性の担保 ●安全性・品質検証 ・自動レッドチーミング (automated adversarial testing) の研究・実装 ・安全性 / ポリシー準拠の検証フレームワーク構築 ・ハルシネーション検出・校正手法の研究・実装 ・プロンプト / ツール回帰テストの設計・実行 ●統計分析・実験設計 ・統計的実験計画 (A/B テスト、有意差検定) の設計・分析 ・品質トレンドの可視化・回帰検出の自動化 ・品質レポート作成と改善提案 ・評価シグナルの研究・開発チームへのフィードバック 業務シナリオ ※以下は想定される業務シナリオの例です ●シナリオ1: LLM-as-Judge の校正と妥当性検証 新しい評価メトリクスとして LLM-as-Judge を導入する際、judge モデルの校正 (calibration) を実施します。人間評価との一致率を統計的に検証し、rubric 設計を反復改善します。construct validity を確認した上で、自動評価パイプラインに組み込み、評価コストを 80% 削減しながら人間評価と同等の信頼性を実現します。 ●シナリオ2: 新モデル導入時の品質ゲート LLMプロバイダーが新モデルをリリースした際、既存のベンチマークスイートで回帰テストを実行し、factualityスコアが3%低下していることを検出します。原因を分析し、プロンプト調整で品質を維持したまま新モデルへの移行を完了します。 ●シナリオ3: 自動レッドチーミングによる安全性検証 金融機関向けにJAPAN AI AGENTを導入する際、自動レッドチーミングパイプラインを構築します。adversarial promptの自動生成・分類器による脆弱性検出を実装し、業界固有のリスクシナリオ(機密情報漏洩、不適切な金融アドバイス等)を網羅的にテストします。ポリシー準拠率99%以上を達成します。 ●従事すべき業務の変更の範囲 会社の定める業務 成果責任 (KR/メトリクス) ●評価カバレッジ率(テストケース網羅率) ●回帰検出率(リリース前の品質劣化検出率 ≥ 95%) ●評価パイプライン実行時間(CI/CD内で完了) ●LLM-as-Judge と人間評価の一致率 ●False Positive / Negative 率 ●安全性インシデント発生率(リリース後) チーム体制 約120名が開発組織に在籍しています。 AI Evaluation Scientistは品質保証の専門チームとして、以下のチームと密接に連携します: ●密接に連携する役割: ・Agentic Product Engineer — エージェント機能開発 ・Research Engineer — 研究開発・モデル改善 ・Agent Harness Engineer / Software Engineer (AI Platform) — AI 実行基盤開発 ・Product Manager — プロダクト設計・品質要件定義 開発環境 ●言語 : Python (評価パイプライン・分析), TypeScript / React / Next.js (フロントエンド部) / NX ●評価 / QA : pytest, LangSmith, Weights & Biases, custom eval frameworks ●データ : BigQuery, Spark, Pandas ●インフラ : GCP (コンテナ / K8s), Docker, Terraform ●CI/CD : GitHub Actions ●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

JAPAN AI株式会社

プロダクト要件・アーキテクチャ設計 ビジネス目標・顧客課題からプロダクト要件を体系化し、技術アーキテクチャへ翻訳 機能境界・ドメイン設計、データ契約、API 仕様の策定 RFC 駆動の設計レビュー・意思決定プロセスの運営 LLM / 生成 AI を活用したプロダクト設計 (RAG、tool-use、guardrails 等) 技術選定・トレードオフ判断 買う / 作る / 統合 (Build vs Buy vs Integrate) の技術選定 非機能要件 (可用性・拡張性・セキュリティ・コスト) の設計と品質属性トレードオフ判断 技術的負債の可視化と計画的解消のロードマップ策定 横断的協働・ロードマップ エンジニアリングチーム・PdM・デザイナーとの横断的協働 プロダクトロードマップの策定・推進 技術的負債の可視化と計画的解消のロードマップ策定 【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: 新プロダクトラインの立ち上げ エンタープライズ顧客から「AI エージェントによる社内ナレッジ検索」の強いニーズを発見。 市場調査・顧客インタビュー・技術検証を経て、プロダクト要件を定義。 RAG アーキテクチャの設計、データパイプラインの技術選定、MVP のスコープ定義までをリードし、3 ヶ月でベータリリースを実現。 ● シナリオ 2: Build vs Buy のアーキテクチャ判断 音声 AI 機能の拡張にあたり、自社開発 vs 外部 API 統合の判断が必要に。 コスト・品質・開発速度・カスタマイズ性の 4 軸で比較分析を行い、RFC を起票。 エンジニアリングチームとの設計レビューを経て、ハイブリッドアプローチ (コア機能は自社開発、周辺機能は外部 API) を決定。 ● シナリオ 3: 品質属性のトレードオフ判断 JAPAN AI AGENT のレイテンシ P95 が目標値を超過。 可用性・コスト・レイテンシのトレードオフを分析し、推論キャッシュの導入とモデルルーティングの最適化を提案。 エンジニアリングチームと協働して実装し、レイテンシを 30% 改善しつつコスト増を 5% 以内に抑制。 ●ミッション 何を作るかを決める プロダクトの「何を・なぜ・どう作るか」を技術とビジネスの両面から定義し、AI プロダクトの成功確率を最大化する。 ●期待する役割について Product Manager として、JAPAN AI のプロダクト群全体のアーキテクチャ設計と技術戦略をリードしていただきます。 ビジネス目標・顧客課題からプロダクト要件を体系化し、技術アーキテクチャへ翻訳する 機能境界・ドメイン設計・API 仕様の策定をリードする Build vs Buy vs Integrate の技術選定を行い、最適な投資判断を導く 非機能要件 (可用性・拡張性・セキュリティ・コスト) のトレードオフ判断を行う エンジニアリングチーム・PdM・デザイナーとの横断的協働を通じて、プロダクトの方向性そのものを決定する 技術的負債の可視化と計画的解消のロードマップを策定する ●成果責任 (KR/メトリクス) プロダクトロードマップ達成率 アーキテクチャレビュー起因の手戻り率 新機能リリースサイクル短縮 プロダクト品質属性 ●チーム体制 約120名が開発組織に在籍しています。 Product Architectは以下のチーム・ステークホルダーと密接に連携します: Agentic Product Engineer — エージェント機能開発 Human-AI Collaboration Architect — エージェント体験設計 FDE — 顧客要件・フィードバック 経営層 — 事業戦略・投資判断 ●開発環境 言語 : Python (バックエンド) , TypeScript / React / Next.js (フロントエンド) / NX AI/LLM : LangChain, LangGraph, JAPAN AI STUDIO SDK, RAG, Agent Framework インフラ : GCP (コンテナ / K8s) , Docker, Terraform 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

JAPAN AI株式会社

エージェント体験 (AX) の設計 エージェント対話フロー・インタラクションパターンの設計 不確実性の可視化・信頼度表示の UI 設計 可逆操作 (Undo / 修正) ・権限付与 UI の設計 エージェント行動のトレーサビリティ表示設計 Human-in-the-Loop 評価 UI・フィードバックループの設計 エージェントのパーソナ (性格・振る舞い・トーン) の設計 ユーザーリサーチ ユーザーインタビュー、ユーザビリティテスト、A/B テストの設計・実施 定性・定量データに基づくデザイン判断 ペルソナ・ジャーニーマップの作成・更新 AI エージェントに対するユーザーの信頼度・満足度の測定 デザインシステム・プロトタイピング AI プロダクト向けデザインシステムの構築・運用 高速プロトタイピング (Figma、コードプロトタイプ等) 情報アーキテクチャ (IA) 設計 デザインパターンのドキュメント化・チーム間共有 【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 : 稟議承認 AI の信頼度表示 UI 設計 JAPAN AI STUDIO の稟議承認ワークフローで、AI エージェントが「この稟議を承認すべき」と判断した際、ユーザーが「この判断はどの程度信頼できるか」を直感的に判断できる UI を設計。 信頼度スコア、参照した過去の承認パターン、判断根拠の表示方法をプロトタイプし、ユーザビリティテストで検証。 「AI が参照したデータソース (楽々精算の金額データ + SmartHR の部門予算データ)」を可視化することで、エージェント信頼度スコアが 20% 向上。 ● シナリオ 2 : SaaS 横断ワークフローの可逆操作 UI 設計 JAPAN AI STUDIO で AI エージェントが楽々精算 → SmartHR → Salesforce を横断して自律的に実行したアクション (経費承認、人事データ更新、CRM 記録更新) に対し、ユーザーが安心して「取り消し」「修正」できる UI を設計。 複数の SaaS にまたがるアクションの Undo / Redo のインタラクションパターンを定義し、「どの SaaS のどのデータが変更されたか」を一覧で確認できるトレーサビリティ表示を実装。 エラー回復成功率が 35% 向上。 ● シナリオ 3 : 「企業の脳」のデザインシステム構築 9 つのプロダクトで一貫した「企業の脳」体験を提供するため、エージェント対話コンポーネント (チャットバブル、ツール呼び出し表示、SaaS 連携進捗インジケーター、信頼度バッジ、可逆操作ボタン等) を標準化したデザインシステムを構築。 コンポーネント再利用率が 60% 向上し、新機能のデザイン工数を 40% 削減。 ●ミッション 「企業の脳」を信頼できる存在にする 人間と AI エージェントの間に「信頼」を生むインタラクションを設計し、透明性・可逆性・説明可能性を備えたエージェント体験 (AX) を実現する。 ●Human-AI Collaboration Architect とは Human-AI Collaboration Architect は「人と Agent の信頼を設計する人」です。 従来の UX デザイナーとは以下の点で根本的に異なります。 従来のUXデザイン ユーザーの操作に対して確定的な結果を返す UIの動作は予測可能 エラーは明確 (404、入力ミス等) ユーザーが操作する 一貫した UI で信頼を構築 ・Human-AI Collaboration Architect AI の出力は確率的で、毎回異なる可能性がある エージェントの行動は不確実で、説明が必要 エラーは曖昧 (「回答が不正確かもしれない」) エージェントが自律的に行動し、ユーザーが監督する 透明性・可逆性・説明可能性で信頼を構築 ●期待する役割について Human-AI Collaboration Architect として、JAPAN AI の全プロダクト (STUDIO / CHAT / SPEECH / AGENT 等) における AI エージェント体験の設計をリードしていただきます。 エージェントの対話フロー・インタラクションパターンを設計し、ユーザーが AI を信頼して業務に活用できる体験を実現する 不確実性の可視化、信頼度表示、可逆操作 (Undo / 修正)、トレーサビリティ表示など、AI 特有の UX 課題を解決する ユーザーリサーチ (インタビュー、ユーザビリティテスト、A/B テスト) に基づくデータドリブンなデザイン判断を行う AI プロダクト向けデザインシステムを構築・運用し、プロダクト横断で一貫した体験を提供する エンジニア・PM・AI 研究者と密に連携し、技術的制約を理解した上でデザインする ●成果責任 (KR/メトリクス) ユーザータスク完了率 エージェント信頼度スコア (ユーザーサーベイ) エラー回復成功率 (ユーザーが自力で修正できた割合) ユーザーリテンション率 デザインシステムコンポーネント再利用率 ●チーム体制 約120名が開発組織に在籍しています。 密接に連携する役割: Product Manager — プロダクト設計・要件定義 Agentic Product Engineer — エージェント機能開発 AI Quality Scientist — 品質評価・ユーザビリティ Research Engineer — AI 技術の最新動向・制約の理解 ●開発環境 デザイン : Figma, FigJam プロトタイピング : Figma Prototyping, Framer リサーチ : Maze, Hotjar, Google Analytics コラボレーション : Slack, Confluence, Linear, Google Workspace, 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

JAPAN AI株式会社

●課題を定義する 顧客の業務プロセス・データ環境・既存SaaS群の全体像を把握し、AIがどこに介入すれば効果が最大化するかを特定します。経営層から現場担当者までと直接対話し、仕様書を受け取るのではなく、仕様を自ら定義します。 ●爆速で作る JAPAN AI STUDIOで、現場が実際に使うワークフロー（稟議承認、リソース最適配置、見込み顧客探索、データ連携 等）を構築します。顧客の既存SaaS（Salesforce / SmartHR / kintone 等）とのAPI連携、LLM・AIエージェントを用いたPoCの高速実装から本実装まで、フルスタックで自ら手を動かします。 ●本番に載せ、プロダクトに還す 本番導入の技術支援、セキュリティ・コンプライアンス要件への対応、導入後の利用定着まで伴走します。現場で得たパターンはプロダクトチームへ還元され、次の標準機能になります。 例：全国50店舗を展開する小売業。紙ベースで平均5営業日かかっていた発注稟議を、過去の承認パターンをAIが学習して一次判断するワークフローに置き換え、リードタイムを1営業日に短縮。この事例は標準テンプレートとして他顧客にも展開されました。 ●ミッション 顧客の業務プロセスを解体し、AI を前提とした「次世代の基幹システム (企業の脳)」を実装する 顧客の現場に深く入り込み、既存 SaaS 群の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する。JAPAN AI STUDIO を活用し、現場が実際に使えるワークフローを爆速で構築する。その過程で得た知見をプロダクトチームにフィードバックし、プロダクトそのものを進化させます。 顧客の現場で発見された課題やユースケースが、直接プロダクトロードマップに反映されます。 ●期待する役割について 顧客の業務プロセスとデータ環境を深く理解し、JAPAN AI STUDIO を活用して課題解決を実装・導入するエンジニアです。 顧客の既存システム (SaaS 群) の全体像を把握し、AI がどう介入すれば効率化・最適化できるかを設計する JAPAN AI STUDIO を活用し、現場が実際に使えるワークフロー (稟議承認、リソース最適配置、見込み顧客探索 等) を爆速で構築する PoC を本番環境へ導入し、利用定着まで伴走する 現場で得た知見をプロダクトチームにフィードバックし、プロダクトを進化させる 経営層から現場担当者まで、多様なステークホルダーと関係を構築する ●成果責任 (KR/メトリクス) FDE の動きがプロダクトの成長 (ARR) に直結する設計です。 ・先行指標 (行動とアウトプット) STUDIO での新規ワークフロー構築数 — 顧客の課題をどれだけシステム化できたか SaaS 連携数 — 顧客の既存 SaaS を JAPAN AI に接続した数 (= 企業の脳の「視界」が広がった数) デプロイ速度 — 要件定義から最初の AI エージェント稼働までのリードタイム ・遅行指標 (事業と顧客へのインパクト) アクティブ利用率 (MAU / DAU) — 構築した AI ワークフローが、現場で実際にどれだけ使われているか 顧客の業務削減時間 / ROI — AI 導入によって浮いた工数や、受注率向上などの実数 アップセル・クロスセル額 — 初期導入拠点から、他部署や地方拠点へ展開したことによる追加売上 ●チーム体制 約60名が開発組織に在籍しています。 FDEチームは現在10名で、以下のチーム・ステークホルダーと密接に連携します: Product Architect — プロダクト設計 Agentic Engineer — エージェント機能開発 AI Success Engineer — 導入後の顧客成功支援 Deployment Strategy — 顧客への導入戦略・展開推進 ●開発環境 言語 : Python (バックエンド) , TypeScript / React / Next.js (フロントエンド) / NX AI/LLM : LangChain, LangGraph, JAPAN AI STUDIO SDK インフラ : GCP (コンテナ / K8s) , Docker データ : BigQuery, PostgreSQL, 各種顧客データソース 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

JAPAN AI株式会社

●技術オンボーディング・トレーニング FDE から引き継いだ導入済みワークフローの技術オンボーディング設計・実施 顧客の業務ワークフローに合わせた AI 活用方法の設計・提案 トレーニング資料・ベストプラクティスの作成・提供 ●利用定着・ROI実現 成功指標 (KPI) の設計と定期的なROIレビュー 利用状況モニタリングとプロアクティブな改善提案 利用データのダッシュボード構築・定量分析による課題の早期発見 プロンプト最適化・エージェント設定の改善支援 評価基盤 (eval) の運用支援・品質改善 ●テクニカルサポート・問題解決 レポートされた問題の技術的調査・根本原因分析 テクニカルサポートのエスカレーション対応 API/SDK/インテグレーションに関する技術支援 セキュリティ・ガバナンス・コンプライアンス対応 ●プロダクトフィードバック・拡大展開 顧客フィードバックの収集とプロダクトチームへの還元 拡大展開 (アップセル/クロスセル) の技術支援 新規ユースケースの発見・提案 【業務シナリオ例】 ● シナリオ 1 : SaaS 横断ワークフローの利用定着支援 FDE が製造業の顧客に構築した「経費精算自動承認ワークフロー」(楽々精算 → SmartHR 連携) の導入後、利用率が伸び悩んでいる。 利用データを分析し、「現場作業者がスマートフォンから使いにくい」「承認結果の通知が遅い」という課題を特定。 モバイル向けの利用ガイドを作成し、通知設定を最適化。 さらに、現場向けトレーニングを実施。 利用率が 2倍に改善し、月間 400時間の業務削減効果を可視化して経営層に報告。 ● シナリオ 2 : 「企業の脳」の ROI 可視化と全社展開 FDE が金融機関の 1部門に構築した「見込み顧客探索エージェント」の導入後、ROI レビューを実施。 アプローチ数 3倍、受注率 15% 向上という成果を定量化し、経営層向けレポートを作成。 この成果をもとに、他の 5部門への全社展開の意思決定を支援し、アップセルに貢献。 展開先の各部門に合わせたプロンプト最適化とエージェント設定の調整を実施。 ● シナリオ 3 : ワークフロー品質改善のフィードバックループ 小売業の顧客が JAPAN AI AGENT を活用した「稟議承認 AI」で、回答精度に関するフィードバックが増加。 eval 基盤を活用して回答品質を定量分析し、特定の稟議カテゴリで factuality スコアが低いことを特定。 プロンプト最適化とナレッジベースの改善を提案し、回答精度が 15% 向上。 この改善パターンをプロダクトチームにフィードバックし、JAPAN AI AGENT の標準テンプレートとして全顧客に展開。 ●ミッション 「企業の脳」が定着し、成果を出し続ける状態を作る AI プロダクト導入後の顧客成功を技術面から最大化し、利用定着・拡大展開・ROI 実現を推進する。 ●AI Success Engineerとは AI Success Engineerは、OpenAI社やDatabricks社が確立した職種で、AIプロダクトの導入後に顧客の成功を技術面から支援するエンジニアです。 従来のカスタマーサクセスやテクニカルサポートとは異なり、AIプロダクト特有の課題 (プロンプト最適化、eval設計、利用データ分析、ワークフロー改善) を技術的に解決する専門職です。 従来のカスタマーサクセス | AI Success Engineer 利用状況のモニタリング・報告 | 利用データを分析し、プロアクティブに改善提案 機能の使い方を説明する | AIの使い方を設計し、業務ワークフローに組み込む 問い合わせに対応する | 問題の根本原因を技術的に特定・解決する チャーン防止 | ROI実現・拡大展開の推進 ●FDE との分担 FDE | AI Success Engineer 課題発見→PoC→本番導入 | 導入後の定着→活用拡大→ROI 実現 「企業の脳」を実装する | 「企業の脳」が成果を出し続ける状態を作る 新規ワークフローの構築 | 既存ワークフローの改善・最適化 顧客の未来を発見する | 顧客の成功を証明する ●期待する役割について AI Success Engineer として、顧客の AI プロダクト導入後の成功を技術面からリードしていただきます。 FDE が構築した「企業の脳」のワークフローが現場で実際に使われ、成果を出し続ける状態を作る 顧客の業務部門・IT 部門と密接に連携し、AI プロダクトが実際の業務で成果を出し続ける状態を作る 顧客の IT 部門・開発チームと協働し、API 連携やデータ統合の技術支援を行う 利用データの分析に基づくプロアクティブな改善提案を行う レポートされた問題の技術的調査・根本原因分析を行い、エスカレーション対応をリードする 顧客フィードバックをプロダクトチームに還元し、プロダクトの進化に貢献する ●成果責任 (KR/メトリクス) 顧客ヘルススコア (利用率、API呼出数、アクティブユーザー数) チャーン率 ≤ 目標値 拡大展開率 (アップセル/クロスセル貢献) 顧客NPS ≥ 目標値 技術サポートチケット解決時間 (MTTR) ●チーム体制 約120名が開発組織に在籍しています。 AI Success Engineerは以下のチーム・ステークホルダーと密接に連携します: FDE — 導入フェーズからの引き継ぎ Deployment Strategy — 顧客への導入戦略・展開推進 プロダクトチーム — フィードバック還元 サポートチーム — エスカレーション対応 ●開発環境 言語 : Python (自動化・分析), SQL (データ分析) AI / LLM : JAPAN AI STUDIO SDK, プロンプトエンジニアリング, RAG データ : BigQuery, Looker, Pandas インフラ : GCP, Docker (基礎理解レベル) 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

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

JAPAN AI株式会社

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

株式会社アバント

エンジニアリング チームが目指すもの アバントのエンジニアリングチームでは、アバントグループの企業理念である「100年企業の創造」を達成するために、「チームの垣根を越えて協力し合いかつ、自ら決断することのできる自律型」組織を作り、チーム一丸となり、アバントのミッションの実現に向けた挑戦をし続けていきます。 本ポジションに期待する事【フロントエンドエンジニア】 アバントのミッションを達成するために、エンジニアリングチームは大きな転換をしようとしています。 お客様の「経営情報の大衆化」を進めるためにアバントは成長を続けてきました。 今後さらなる速度でのサービス拡大および「経営情報の大衆化」を見据え、アバント全体のミッションとして、新規ソフトウェアサービスの拡充に取り組んでいます。 これまでモノリシックなオンプレミス型クライアントアプリケーションとして設計・実装されてきたアバントのプロダクトをクラウド型ブラウザアプリケーションとすることで、より、お客様に価値を提供できるシステムへと作り変えています。 フロントエンドエンジニアには、システム・組織の大きな変革とサービスの成長の両面に対して、Open Value Stretchに取り組むことが求められます。 このような段階のエンジニアリングチームにおいて、UI開発はもちろんのこと、UX領域に係る意思決定から仕様に対するフィードバック等、様々な議論に対してオーナーシップを持ち、積極的・主体的に関わって頂くTechLeadとしてのエンジニアを求めています。 業務内容【フロントエンドエンジニア】 ・アバントのクラウドサービスにおけるWebアプリケーションのUI設計、開発 ・チーム開発のリード 技術環境: ・開発言語: C#, JavaScript(AngularJS 等々), C++ ・インフラストラクチャ: オンプレミスサーバ, Microsoft Azure, Amazon Web service ・ミドルウェア:Microsoft SQL Database(および SQL Server), Oracle, Azure COSMOS DB, Nginx, Kubernetes(Azure Kubernetes Service) ・構成管理ツール: Azure DevOps ・CI/CD: Azure DevOps ・監視ツール: IIJ ・ドキュメンテーション: Confluence ・その他利用ツール・サービス: Microsoft Teams , Slack　他 配属部門 プロダクト開発本部　プロダクト基盤部

株式会社アバント

エンジニアリング チームが目指すもの アバントのエンジニアリングチームでは、アバントグループの企業理念である「100年企業の創造」を達成するために、「チームの垣根を越えて協力し合いかつ、自ら決断することのできる自律型」組織を作り、チーム一丸となり、アバントのミッションの実現に向けた挑戦をし続けていきます。 本ポジションに期待する事【バックエンドエンジニア】 アバントのミッションを達成するために、エンジニアリングチームは大きな転換をしようとしています。お客様の「経営情報の大衆化」を進めるためにアバントは成長を続けてきました。今後さらなる速度でのサービス拡大および「経営情報の大衆化」を見据え、アバント全体のミッションとして、新規ソフトウェアサービスの拡充に取り組んでいます。 これまでモノリシックなオンプレミス型クライアントアプリケーションとして設計・実装されてきたアバントのプロダクトをクラウド型ブラウザアプリケーションとすることで、より、お客様に価値を提供できるシステムへと作り変えています。バックエンドエンジニアには、システム・組織の大きな変革とサービスの成長の両面に対して、Open Value Stretchに取り組むことが求められます。 このような段階のバックエンドチームにおいて、機能開発はもちろんのこと、オンプレミスアプリケーションをクラウドアプリケーションに転換するための技術領域に係る意思決定から仕様に対するフィードバック等、様々な議論に対してオーナーシップを持ち、積極的・主体的に関わって頂くTechLeadとしてのエンジニアを求めています。 業務内容【バックエンドエンジニア】 ・アバントのクラウドサービスを構成する各種Microservicesの設計、開発、運用 ・C#を利用したクラウドサービスのAPI、Webアプリケーションの設計、開発、運用 ・チーム開発のリード 技術環境 ・開発言語: C#, JavaScript, C++ ・インフラストラクチャ: オンプレミスサーバ, Microsoft Azure, Amazon Web service ・ミドルウェア:Microsoft SQL Database(および SQL Server), Oracle, Azure COSMOS DB, Nginx, Kubernetes(Azure Kubernetes Service, Elastic Kubernetes Service) ・構成管理ツール: Azure DevOps ・CI/CD: Azure DevOps ・監視ツール: IIJ ・ドキュメンテーション: Confluence ・その他利用ツール・サービス: Microsoft Teams , Slack　他 配属部門 プロダクト開発本部

株式会社kubell

kubellでは「Chatwork」を中心に、BPaaSや新規事業など複数の事業を展開しており、日々膨大なデータが蓄積されています。 データアナリストは、これらのデータを活用して事業KPIの可視化や分析を行い、インサイトを提供することで、迅速かつ的確な意思決定を支援します。 また、シニアメンバーと協働して高度な技術やベストプラクティスを吸収しながら、データマートやデータモデルの設計・構築にも携わっていただきます。 ビジネスサイドと連携し、データの力で意思決定を支援するとともに、自律的に分析プロジェクトを推進していただく役割です。 <具体的には> 1.データマートとデータモデルの設計・構築 メダリオンアーキテクチャに基づいた、スケーラブルで分析しやすいデータモデルの設計・構築(シニアメンバーとの連携・協働) dbtを用いたデータモデリングの実装 横断セールス/マーケティングデータマートの構築支援 事業管理をはじめとするトラストデータの整備支援 2.データ分析とインサイト提供 ビジネス/プロダクトの現場課題に対し、分析テーマを提案・実行 戦略的示唆の抽出による意思決定支援 ユーザー行動分析、顧客セグメンテーション、施策効果測定 事業KPI・財務指標(CAC/LTV/MRRなど)の可視化と分析 3.ダッシュボード・BIツールの開発・運用 Lookerを用いたダッシュボードやレポートの設計・構築・運用 事業管理ダッシュボード、セールス/マーケティングモニタリング環境の構築 レポーティング業務の効率化と自動化 4.チーム協業とステークホルダー連携 ビジネス/プロダクトの現場部門へのデータ利活用の推進 ビジネス部門とのコミュニケーションを通じた、データドリブンな意思決定の支援 データソリューションの現場提供に向けたSalesforceエンジニア、CRMアーキテクト、BizOpsとの連携 クロスファンクショナルチームでのプロジェクト推進、ステークホルダーとの定期的なミーティング 【変更の範囲】 ・部署異動等により当社業務全般へ変更する場合があります(出向含む) 使用技術・ツール <プログラミング言語> ・SQL(Hive、Presto、など) ・Python <インフラ> ・Snowflake ・TreasureData <ツール> ・データエンジニアリング:dbt ・コード管理:GitHub ・BI:Looker Studio、exploratory、Google Spreadsheet、Excel等 <タスク管理> ・JIRA <情報共有> ・Chatwork ・Confluence ・Miro ・Slack

株式会社エスキュービズム

事業内容 Eコマースの豊富な知見を有する専門家集団が、自社開発フレームワークを活用して企業のビジネスドリブンを実現する、大規模Eコマースシステム開発事業 ミッション Eコマースシステム開発のプロジェクト推進 クライアント・案件例 ・大手不動産会社のテナント企業向け会員制施設・サービスの予約、決済システムの開発 仕事内容(想定) ・社内や外部ベンダーと連携したプロジェクト管理 ・プロジェクトメンバーの管理、デリバリー品質の担保 ※将来的に管理職や経営層へのキャリアパスを想定しています. ※1　業務変更の範囲:会社内でのすべての業務 開発環境 ・フロントエンド:JavaScript/TypeScript、Vue.js、Nuxt.js ・バックエンド:Java、Spring Boot ・データベース:Microsoft SQL Server、MySQL、Redis ・コンテナ:Docker、Amazon ECS ・インフラ:AWS (EC2、ECS、Fargate、Lambda、ELB、RDS、ElastiCache、CloudFront、S3) ・構成管理:AWS CDK (CloudFormation), Packer ・監視:Datadog ・ログ:Elasticsearch、Kibana ・CI/CD:Jenkins, CodePipeline/CodeBuild/CodeDeploy ・バージョン管理:Git (Bitbucket) ・タスク管理:Jira、Confluence ・コミュニケーション:Slack ・ツール:Swagger、Storybook ・開発手法:アジャイル、スクラム、ウォーターフォール 開発実績 エスキュービズムグループでは過去1000社以上の導入実績を誇り、単なるEC開発だけではない複合的な大規模案件を豊富に抱えています. 実績例 ・某大手不動産会社のテナント企業向け会員制施設・サービスの予約、決済システムの開発・リリース ・某大手商業施設でのRFIDの商用化プロジェクト ・EC売上だけで100億をこえるお客様からの、カートイン2,000回/秒を超える大規模ECサイト構築 ・空港での海外用Wi-Fiルーターピックアップ用IoTロッカー ・某大手小売チェーンの1,000店舗、4,000台超の大規模POS導入 … 等 その他、GMS、CVSチェーンなどの非公開事例も多数ございます. 詳細は導入事例(https://client.s-cubism.com/)からご確認ください.

Japan Digital Design 株式会社

【具体的な業務】 ●プロジェクト担当として ・主要プロジェクトにインフラ担当として参画し、領域全体をリード ・開発チームと初期段階から協働し、アーキテクチャ設計・技術選定・構築方針を検討 ・金融水準のセキュリティ・可用性・運用性を踏まえたクラウドインフラの設計・構築(AWS/Google Cloud等) ・PoCから本番運用まで一貫して担い、IaC・監視・運用設計を整備 ●チーム横断・改善活動として(並行して) ・各プロジェクトで個別に対応している部分のうち、共通化できるものを見極めて仕組みに落とし込む ・クラウドアカウントの払い出しや統制環境の改善、IaCテンプレートやナレッジの整備など、チームで使える土台をつくる ・Claude Code等の生成AIツールを活用し、IaC作成・レビューや定型作業の自動化・ドキュメント整備をチーム全体に広げる 【プロジェクト例】 ・[産業情報検索AIシステム](https://japan-d2.com/projects/industrial-search) ・[そうぞくガイド](https://japan-d2.com/projects/inheritance) ・[EUDクラウドサービス](https://japan-d2.com/projects/eudcloud) ・[三菱UFJ銀行への生成AI×RAGによる「手続検索支援システム」の提供を開始](https://japan-d2.com/news/20250731-001) ・[生成AIを活用した「AI社内手続ナビゲーター(旧称:手続検索支援システム)」利用ユーザーを国内全営業店へ拡大](https://japan-d2.com/news/20260331_001) 【カルチャー】 ・フルフレックス・フルリモート可能な柔軟な働き方 ・職種を超えて協働する文化(開発・インフラ・セキュリティ・データ/AI) ・技術選定はJDDが主導し、クラウドのベストプラクティスに沿った活用をMUFGと対等な立場で提案・実践しています ・AI、クラウドなど先端領域に自由に触れながら実務で成長できる環境 ※SIer・大手IT企業・クラウドサービス事業者・スタートアップなど、様々な経歴を持つメンバーが集まっています。これまでの環境を問わず、裁量を持ってインフラに一気通貫で向き合いたい方に向いている環境です。 【技術スタック】 ●クラウドインフラ・IaC ・Amazon Web Services / Google Cloud / Microsoft Azure(主にEntraやOpenAI) ・Databricks(データ分析基盤で利用) ・Terraform(標準として利用)/ AWS CDK / AWS CloudFormation ●ツール・生成AI ・Slack / GitHub Enterprise Cloud / JIRA / Confluence / Microsoft 365 E5 ・Claude Enterprise(Claude Code)/ ChatGPT(Codex) / Microsoft Copilot など ※変更の範囲 業務:会社の定める業務

Japan Digital Design 株式会社

【業務概要】 三菱UFJフィナンシャル・グループ(MUFG)のデジタルトランスフォーメーション(DX)を、グループ会社として内側から支援します。JDDでは、クラウド・データ・AIを活用したプロジェクトが急速に拡大しており、それに伴いセキュアな開発・運用を前提としたAI活用がこれまで以上に重要になっています。今回募集するセキュリティエンジニア(AIセキュリティ)は、開発チーム・インフラチーム・AIプロジェクトと密に連携しながら、JDDの開発プラットフォームおよびAI活用プロジェクトにおけるセキュリティ・ガバナンスの強化を実践的に推進するポジションです。 ※異業界出身者歓迎 (これまでの開発・インフラ・AI経験を、金融×セキュリティ領域で活かせます) 【具体的な業務】 ご自身の得意領域に応じて以下のすべてあるいは一部を担っていただきます。 ・開発チームと協働したセキュア開発の実践 　-Webサービスやデータ・AI関連システムにおけるセキュア開発の推進 　-設計レビュー、実装レビュー、開発プロセスへのセキュリティ観点の組み込み 　-開発チームと並走しながら、実装レベルでのセキュリティ品質向上を支援 ・Cloud Platformのセキュア化推進 　-インフラチームと協働し、MUFG向けに提供しているソリューションのインフラ基盤(パブリッククラウド環境)のセキュリティ強化を推進 　-ID管理、権限設計、ログ・監視、クラウド設定等の観点での設計・改善・レビュー 　-開発・運用のスピードを損なわない、実用的なセキュリティアーキテクチャの検討・導入 ・AIプロジェクトへの伴走とセキュリティ・ガバナンス強化 　-AI活用プロジェクトに初期段階から関与し、ガバナンス・セキュリティ観点での助言・実装支援 　-データ利用、モデル開発・運用、外部サービス連携等におけるリスク整理と対策検討 　-AIプロジェクトが継続的に安心して運用できる仕組みづくりの支援 　-MUFGのセキュリティ基準に対する説明責任の担保 【技術スタック】 ・クラウド/AI関連 　-Amazon Web Services 　-Google Cloud 　-Microsoft Azure 　-Databricks(データ・AI基盤) ・セキュリティ領域(例) 　-セキュア開発プロセス 　-クラウドセキュリティ(IAM、ログ・監視、設定管理) 　-AI/データ活用におけるガバナンス・リスク管理 　-セキュリティ業務でのAI活用 ・利用ツール 　-Slack, GitHub, JIRA, Confluence, Microsoft Teams 　-導入済みのAIツールについてはこちらの「AIツールの活用」もご覧ください ※特定技術への深い専門特化よりも、開発・AIプロジェクトに伴走できる実践力を重視します。 ●変更の範囲 業務:会社の定める業務

株式会社カオナビ

カオナビ労務の成長を担うプロダクトマネージャーとして、以下の業務に取り組んでいただきます。 ●プロダクト戦略の策定と実行 ●市場調査・競合分析によるプロダクト要件の定義 ●エンジニアやデザイナーとの連携によるプロダクト開発の推進 ●複数のプロダクトマネージャーと協力しながらの横断的な課題解決 ●ユーザーフィードバックの収集と分析、改善施策の立案 ●KPIの設定と進捗管理 ●ステークホルダーへの報告とコミュニケーション ●プロダクトのローンチ計画と実行管理 ●データ分析に基づくプロダクト改善の提案 開発環境 開発言語:Go, JavaScript, TypeScript フレームワーク:Echo, React 開発/運用環境:Docker, GoLand, Figma, GitHub, GitHub Copilot 構成管理:Terraform インフラ環境:AWS (EC2, RDS, S3, CloudFront, ECS, Fargate, ECR, SystemManager, EventBrigte, GlobalAccelerator...), Mailgun 監視, モニタリング, 運用ツール:AWS CloudWatch, Mackerel 社内ツール:Confluence, JIRA, Slack, Zoom, Miro

株式会社カオナビ

本ポジションではプロダクトマネジメントや組織開発における一連の業務をお任せします。プロダクトマネジメントチームの責任者を担っていただくポジションのため、経営陣や各現場責任者と協働しながら、プロダクト戦略や組織戦略を描いていただき、実行いただくことを期待しています。 主な業務は以下となります。 ●プロダクト戦略策定業務 ・新規プロダクトの企画立案や既存プロダクトの機能改善方針の検討 ・プロダクトロードマップ策定やKGI/KPIなど達成すべき数値目標の検討 ●プロダクトマネジメント業務 ・定性・定量リサーチ(ユーザー調査・ログ分析・問い合わせ分析・VOEやVOC分析) ・CS部門やセールス部門との連携による要求整理、改善アイデアの検討 ・開発要件整理、開発プロジェクトの進捗管理、リスク管理、納期管理 ●組織マネジメント業務 ・プロダクト戦略に紐づく、組織戦略の策定や人員計画の検討 ・チームが円滑に活動するための組織活性化施策の検討と実行 ・メンバーの意欲と能力向上を目指した各種メンバーマネジメント業務 【直近過去事例】 新機能「クリエイティブマップ」β版を提供開始 カオナビが、申請業務を効率化する新機能「ワークフロー」の提供開始 現在、他社との連携も進行中です。 【開発環境】 開発言語:PHP, Go, TypeScript, Dart フレームワーク:Laravel, Gin, React, Flutter コード管理:GitLab DB:MySQL インフラ:AWS, Terraform, Docker 監視ツール:Mackerel, Datadog 社内ツール:Confluence, Jira, Redmine, Slack, Miro, Figma 開発環境: JetBrains IDE, Visual Studio Code AI開発環境:Github Copilot, Claude Code

株式会社カオナビ

2025年8月に新設された「AI推進室」の立ち上げに関わっていただきます。 直近は以下の開発が予定されています。 ●企画・開発支援業務へのAI技術の組み込み ●AI機能の探索・試作・検証・実装 ●機能のPoC支援やユーザーテスト、効果検証のサポート 主力のカオナビ、新規サービスのロウムメイト、ヨジツティクスに続くマルチプロダクト化を推進していただくことを期待しています。 開発環境 開発言語:Go, JavaScript, TypeScript, Python フレームワーク:Gin, React, Next.js 開発/運用環境:Rancher Desktop, GoLand, Protocol Buffers, Storybook, Figma, GitLab, GitLab CI, GitHub Copilot, Claude Code 構成管理:Terraform インフラ環境:AWS (EC2, RDS, S3, CloudFront, Step Functions, ECS, Fargate, ECR, SystemManager, EventBrigte, GlobalAccelerator...), Auth0, SendGrid 監視, モニタリング, 運用ツール:AWS CloudWatch 社内ツール:Confluence, JIRA, Slack, Zoom その他:Yarn, webpack, Jotai, TanstackQuery, React Hooks, gRPC

株式会社GA technologies

●ミッションと課題 当社のデータプラットフォームは構築フェーズから、グループ全体をカバーする大規模スケールと極めて高い信頼性の両立フェーズへとシフトしています。 ・データパイプラインをプロダクトとして扱い、SLI/SLO(サービスレベル目標)の策定、可観測性インフラ(IaC/CI/CD)の徹底的なコード化によって、手作業や属人化したトイルをゼロに近づける。 ・ビジネスの実行スピードを落とさずに、個人情報保護や機密性を保つガバナンス体制を、DMBOKなどのフレームワークに則ってアーキテクチャレベルで実装。 ・GAグループ横断的なデータ基盤・データマネジメントシステムの構築・運用。 ●仕事概要 国内外のグループ会社を含めた全社共通のデータマネジメントおよびデータプラットフォームの進化をリードしていただきます。 CDO直下組織のもと、単なるデータ連携の実装にとどまらず、プロダクトとしての強固なデータプラットフォームのアーキテクチャ設計、高いサービスレベルの担保(SLM)、およびセキュアなガバナンス構築を推進する役割を担っていただきます。 ・Snowflake × dbt × Dagsterを主軸としたデータプラットフォームのアーキテクチャ設計・移行・最適化 ・TerraformおよびTerragruntを用いた、再現性が高く、複数部門・複数会社へ迅速に横展開可能なIaCプラクティスの整備 ・SRE観点に基づくパフォーマンスチューニング、データレイクハウス(Apache Iceberg等)の評価・検証および実運用 ・データモデリング(履歴管理、コンテキストモデリング)およびデータ品質テスト自動化システムの構築 ・権限設計、アクセスコントロール、マスキングルール構築を包括するデータガバナンス標準化の主導 ・ADR(Architecture Decision Records)を用いた技術選定プロセスの明確化と、メンバーに対するコードレビューやメンターシップの実施 ●開発環境 ・主要:Snowflake x dbt x dagster x Terraform ・詳細:Snowflake, Apache Iceberg, dbt, Dagster, Python, dlt, TROCCO, Airbyte, Treasure Data, Terraform, Terragrunt, GitHub Actions, ・Docker, OpenMetadata, Tableau, Prometheus, Grafana, AWS(ECR, ECS Fargate, S3, DMS) ※経営状況、配属先の状況等を総合的に勘案し、会社の指定する部署への配置転換及び会社が指定する業務内容へ変更する場合がございます。(グループ会社等への出向及び転籍を含む)

株式会社本田技術研究所

1.SDVアーキテクチャの全体設計方針立案 ビジネス戦略・商品企画・技術戦略を踏まえ、 車両内外(クラウド・モバイル含む)を横断した システム全体としてのアーキテクチャ方針を構想・定義します。 個別領域最適ではなく、車一台の価値最大化を前提とした全体設計が求められます。 2.アーキテクチャ統制・ガバナンスの構築 各開発部門・機種・世代を跨いだ数百名規模の開発組織に対し、 設計原則・ルール・意思決定プロセスを定義し、 開発全体を統制するガバナンスモデルを構築・定着させます。 単なるルール整備ではなく、実行させ、定着させるところまで責任を持つポジションです。 3.重要開発テーマへの参画・意思決定リード アーキテクチャに大きな影響を与える重要プロジェクトに自ら参画し、 基本方針の意思決定を主導します。 4.技術リーダーシップおよびメンバー育成 アーキテクト・エンジニアに対して、設計思想や技術判断の指針を示し、 組織全体のアーキテクチャ設計力の底上げを担います。 ・設計レビューやディスカッションを通じた技術指導 ・アーキテクト人材の育成・輩出 ・複雑な技術課題に対する意思決定支援 自らの専門性をもってチームを率い、技術で牽引するリーダーシップが求められます。 ※専門性や適性、会社ニーズなどを踏まえ、会社が定める業務への配置転換を命じる場合があります。 【使用ツール】 AUTOSAR Adaptive/Classic, C/C++, Python, Javascript, シェルスクリプト, Doors, EnterpriseArchitect, CAMEO/PREEvision, JIRA/Confluence, Git, SVN, Jenkins, GoogleTest framework, Docker, Claude/Claude Code etc.

株式会社本田技術研究所

【具体的には】 お客様の生活を豊かにするエネルギーV2Xエコシステム実現に向けて家電や電気設備など家庭・電気自動車で使用するエネルギーの可視化・最適な充給電制御システムの開発で必要となる ・Honda独自のV2Xサーバー構築(PoC/量産環境) ・アーキテクチャ設計・ソフトウェア機能設計及び検証 ・サーバー向けソフトウェア構築のためのDevOpsの定義/開発 ・上記システムに関連するスマホアプリUI/UX設計及び検証・ハードとソフトウェアを統合したシステム実証実験　等 ・サーバー構築技術のリーディングとロードマップの策定 ・システムの目標値の策定・KPIマネジメント・予算管理 ・グループメンバーのマネジメント業務 (1on1やコーチングやメンタリングを通した育成支援/人事評価を通した成長促進やキャリア支援等) ※V2X(Vehicle-to-X)とは、電気自動車(EV)と家庭・社会インフラ(電力系統、クラウド、アプリ等)を通信でつなぎ、相互にエネルギー/情報をやり取りする仕組みです。本ポジションでは、主にV2H(Vehicle-to-Home:車から家へ電力を供給)およびV2G(Vehicle-to-Grid:車と電力系統の双方向連携)を含むユースケースを想定し、車両データや電力データ、ユーザーの利用動向をもとに、コネクテッドアプリ等を活用したスマート充電/充給電制御サービスの価値創出に取り組みます。 ※パートナー企業様との共同開発において、戦略検討段階から実証実験まで連携しながら業務推進いただきます。 ※業務上、海外現地法人・取引先等とのやり取りが発生します。 ※将来的には、海外駐在の可能性もございます。 ※専門性や適性、会社ニーズなどを踏まえ、会社が定める業務への配置転換を命じる場合があります。 【開発ツール】 使用言語:Python/Java/JavaScript/SQL クラウド環境:AWS　バージョン管理ツール:Git/AWS(CodeCommit)/SVN そのほか知識:Jira/Confluence/Docker/Shell/RESTful API/RDBMS(MySQL)/NoSQL DBMS 【推奨の資格】 AWS Solutions Architect

株式会社本田技術研究所

【仕事内容】 SDVを実現するためのソフトウェアプラットフォームおよび、AD/ADASのプラットフォームの設計・戦略策定及び最終的な意思決定、マネジメント等を管理職としてお任せします。 ●超長期的な技術ロードマップの策定 5年・10年先を見据えた、AD/ADAS向けソフトウェアプラットフォームの開発戦略の立案 技術トレンドや市場環境を分析し、自社で開発すべきコア技術と、外部技術(OSSやパートナー企業との連携)を組み合わせた技術スタックの選定・決定 ●プラットフォーム・アーキテクチャの定義 アプリケーションがハードウェアに依存せず進化し続けられるための、疎結合かつスケーラブルなプラットフォーム構成の設計 OS、ミドルウェア(通信スタック、ミドルウェア連携、データ基盤)のインターフェースおよびデータフローの全体設計 ●技術的意思決定と標準化のリード プラットフォームのアーキテクチャにおける技術的整合性の評価、および開発チームに対する設計指針の提示 機能安全(ISO 26262)やサイバーセキュリティなど、モビリティに求められる高度な信頼性をプラットフォーム層で担保するための設計方針の策定 ●技術課題の解決と戦略的牽引 複雑化するソフトウェア構成における技術的ボトルネックの特定と、根本解決に向けた構造設計の刷新 ※専門性や適性、会社ニーズなどを踏まえ、会社が定める業務への配置転換を命じる場合があります 【開発ツール】 AUTOSAR Adaptive/Classic, POSIX, Linux, HyperVisor, C/C++, Python, シェルスクリプト, Doors, EnterpriseArchitect, PREEvision, JIRA/Confluence, Git, SVN, Jenkins, Wireshark等