生成AI・LLMプロダクト開発 年収1200万円以上のITエンジニア求人・転職情報

AIシニアエンジニアとして、医療プラットフォームの各プロダクトにおけるAI機能の実装やAI技術の導入をリードしていただきます。具体的には、以下の業務を想定しています。 ・AIや外部システム連携を用いた新機能の設計・実装・改善 ・PdMやデザイナーとの協働による要件整理と技術検討 ・プロダクト内外のデータ活用・自動化を支える技術基盤の整備 ・チーム内でのコードレビューや技術知見の共有 ・AI/API関連の新技術のキャッチアップとプロダクトへの適用検討 ※業務の変更の範囲:会社の定める業務

【概要】 AI を活用した高速な開発ループの中で、Flutter を主軸としつつ、必要に応じてネイティブ層(Swift/Kotlin)も活用し、モバイルアプリの体験設計・実装・品質向上をリードしていただきます。 【業務範囲】 ・Flutter(Dart)によるアプリ設計・実装・CI/CD 構築 ・パフォーマンス最適化(起動時間、描画、Jank、メモリ)と計測の仕組み化 ・ネイティブ機能ブリッジ(BLE、Push、カメラ、位置情報、バックグラウンド処理 等)の設計・実装 ・オフライン対応、状態管理、エラーハンドリングの堅牢化 ・AI/LLM APIを用いたアプリ機能の実装と検証 ・デザインシステム/アクセシビリティの整備と運用 ・ストア配信、リリース運用、クラッシュ解析(Firebase Crashlytics 等) ・AIを活用した開発フロー改善・自動化 ※業務内容の変更範囲:会社の定める業務 【利用するツール】 ・Flutter / Dart ・Swift / Kotlin(必要に応じて) ・Firebase(Crashlytics, Analytics, Remote Config 等)/ Sentry ・GitHub / GitHub Actions / Fastlane ・Claude / Claude Code / Cursor / 各種 MCP ツール※今後変更になる可能性がございます ・Datadog / Sentry / 各種計測基盤 ・AWS / GCP / Vercel 等のバックエンド基盤 【資質(自律性・品質志向・適応性)】 ・AI 協働を前提に、仮説検証を迅速に回す自律性 ・体験品質(滑らかさ、応答性、安定性)への強い執着 ・未確立な領域(AI×モバイル)でも構造化して前進できる柔軟性 【具体スキル】 ・Flutter(Dart)による商用開発と状態管理(Riverpod/Bloc 等)の経験 ・ネイティブ機能ブリッジ(MethodChannel、FFI、プラグイン開発)の実践 ・CI/CD(Fastlane、GitHub Actions)とリリース運用(TestFlight/Play) ・モバイルパフォーマンス計測・最適化(フレームタイム、メモリ、電力) ・クラッシュ解析/ログ収集(Crashlytics、Sentry 等)と MTTR 改善 ・セキュアなストレージ/認証/ネットワーク(TLS/証明書ピンニング 等)の理解 ・API 設計・エラーハンドリング・リトライ/バックオフ制御

【概要】 Go を主軸としたバックエンドと、Next.js または Flutter を用いたフロントエンドの両面を担当し、機能の企画段階から設計・実装・リリースまでを一貫してリードしていただきます。 AI 協働による高速な仮説検証と、プロダクション品質の両立を追求します。 【業務範囲】 ・Go によるバックエンド API の設計・実装・最適化 ・Next.js(React)または Flutter を用いたフロントエンド/モバイルの設計・実装 ・データベース設計・クエリ最適化(RDS、DynamoDB 等) ・プロダクト要件の技術仕様への落とし込みとアーキテクチャ設計 ・AI/LLM APIを活用した機能の設計・実装 ・CI/CD パイプラインの構築・改善 ・パフォーマンス計測・ボトルネック分析・改善 ・AIを活用した開発フロー改善・自動化 ・コードレビュー、設計レビューを通じたチーム全体の技術品質向上 ※業務内容の変更範囲:会社の定める業務 【利用するツール】 ・Go(バックエンド主要言語) ・TypeScript / Next.js / React(Web フロントエンド) ・Dart / Flutter(モバイル/Web) ・PostgreSQL / MySQL / DynamoDB / Redis ・Docker / GitHub Actions ・AWS(ECS、RDS、CloudFront、Lambda、S3 等)/ GCP(一部利用) ・Datadog / Sentry ・Claude / Claude Code / Cursor / 各種 MCP ツール 【資質(自律性・全体最適志向・実装力)】 ・フロントエンドとバックエンドの境界にとらわれず、ユーザー価値を起点に最適な設計判断を下せる全体最適志向 ・AI 協働を前提に、仮説から実装・検証までを高速に回す自律性 ・技術的な深さと幅の両方を持ち、状況に応じて柔軟に使い分けられる適応力 【具体スキル】 ・Go によるバックエンド開発(API 設計、認証、ミドルウェア、並行処理) ・TypeScript / React / Next.js または Dart / Flutter によるフロントエンド開発 ・RDB 設計・SQL チューニング・キャッシュ戦略(Redis 等) ・REST API / GraphQL の設計と実装 ・Docker を用いたコンテナベースの開発・デプロイ ・AWS マネージドサービスを活用したシステム設計 ・パフォーマンス計測・プロファイリング・ボトルネック改善 ・Git/GitHub を用いた協働開発とコードレビュー

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

このポジションでは、以下の業務に取り組んでいただきます。 ●プロダクト戦略 ・会社全体のビジョンや事業戦略に基づいたプロダクト戦略の策定 ・市場調査や競合分析を通じたプロダクトの方向性の決定 ・プロダクトロードマップの作成および優先順位の設定 ・KPIの設定と追跡、データに基づく意思決定の推進 ●ハンズオンでのプロダクト開発 ・開発チームと連携し、プロダクトの要件定義や仕様策定を直接リード ・ユーザーインタビューやデータ分析を通じたプロダクト改善の推進 ・プロダクトのリリース計画の策定および実行 ・最新のAI技術動向の把握と自社プロダクトへの応用検討 ●チームマネジメント ・10名規模のプロダクトマネージャーチームの育成・評価 ●チーム全体のパフォーマンス向上を目的とした組織改善 ・メンバーが自律的に成長できる環境の構築およびモチベーション管理 ・多国籍チームにおけるバイリンガルコミュニケーションの推進 ●ステークホルダーとの連携 ・営業やカスタマーサクセスチームとの連携を通じた顧客ニーズの把握とプロダクト改善 ・顧客との直接的なコミュニケーションを通じたフィードバックの収集 ・経営層や他部門との連携を通じたプロダクト戦略の共有と調整 ・グローバル展開を見据えた英語でのコミュニケーション ●開発言語 : TypeScript, Python ●作業環境 : Mac (Appleシリコン)、モニター2台まで利用可能 ※従事すべき業務の変更の範囲 会社の定める業務