ENEXIA合同会社のMLOps Engineerの求人

【ポジションについて】
MLOpsチームは、データサイエンティストが実験を実行・評価し、予測モデルを安全かつ再現可能に学習・デプロイ・運用するためのプラットフォームと開発プロセスを提供します。自動学習・予測ワークフロー、特徴量パイプライン、モデル検証、バージョン管理、監視、電力・市場データの挙動変化への迅速な対応を支えます。（シニア）MLOpsエンジニアとして、このライフサイクルの重要な領域を担当し、研究コードと信頼できる本番システムをつなぐ役割を担います。モデル研究そのものではなく、MLプラットフォームと運用を中心としたエンジニアリングポジションです。
ENEXIAのMLOpsが目指すのは、既存のツールを組み合わせるだけのMLOpsではありません。運用・監視からモデルのデプロイまで、MLプロセス全体をAI/LLMで自動化する「AIネイティブ」なパイプラインと、任意の過去時点を再現して検証できる「デジタルツイン／タイムマシン」型の検証基盤をつくります。電力・市場データに関心を持ち、自ら課題を見つけて仕組みにしていける方を求めています。

■主な業務
・AIエージェントやLLMを活用し、監視・異常の一次切り分け、再学習・デプロイ判定、運用ドキュメント作成などMLプロセス全体を自動化するAIネイティブなパイプラインの設計・構築
・「デジタルツイン／タイムマシン」型の検証基盤の設計・構築（as-of／バージョン管理されたデータによる任意時点の再現可能なバックテスト、リリース前のシャドー・リプレイ・シナリオ検証の一括実行、モデル開発時の効率的な実験・検証ワークフロー）
・データサイエンティストと連携した実験設計、モデルプロトタイプの再現可能・テスト可能・デプロイ可能なワークフローへの変換
・バッチ／準リアルタイムの学習・予測用特徴量パイプラインの設計・構築・運用
・データ要件・学習挙動・予測出力・デプロイ判定を対象としたモデルテスト・検証フレームワークの構築
・予測品質、データドリフト、コンセプトドリフト、特徴量スキュー、レイテンシ、パイプライン健全性の評価フレームワーク・監視基盤の実装
・自動学習・再学習・デプロイ・ロールバック・モデルバージョン管理ワークフローの設計
・新規モデル・新規予測対象へのスケール支援、モデルアーキテクチャ・実装のトレードオフと落とし穴の特定・共有
・MLプラットフォームの信頼性・セキュリティ・コスト効率・可観測性の改善と本番障害対応
・Data／Platform・SREチームと連携した共通のデータ・オーケストレーション・インフラ・ガバナンス基盤の整備
・自ら課題を見つけ、改善を起案・推進（データサイエンティスト、事業部門、他チームとの対話を通じて）

■現在の技術スタック（現時点の構成）
言語：Python、SQL／ML・データ：pandas、scikit-learn、勾配ブースティング、時系列ワークフロー／オーケストレーション：Airflow、Metaflow、Kubeflow、GCPマネージドサービス／監視：Grafana、Looker、Metabase／クラウド：GCP、Docker、Cloud Run、Vertex AI（必要に応じて）／インフラ：Terraform、Terragrunt、Ansible／CI/CD：GitHub Actions、Cloud Build／開発：Cursor（主要IDE）、クラウドエージェント

──────────────────────────────

[About the Role]
The MLOps team provides the platform and engineering practices that let data scientists run and evaluate experiments and train, deploy, and operate forecasting models safely and repeatably. As a (Senior) MLOps Engineer, you will own significant parts of this lifecycle and act as the engineering bridge between research code and reliable production systems. This is a platform-and-operations role, not ownership of model research itself. ENEXIA's MLOps is not about assembling existing tools. We are building AI-native pipelines that use AI and LLMs to automate the whole ML process, from operations and monitoring to model deployment, and a "digital twin / time machine" validation platform that can reproduce and test any past point in time. We want people who care about power and market data and who find problems and turn them into systems on their own initiative.

• Responsibilities:

• Design and build AI-native pipelines that use AI agents and LLMs to automate the ML process end to end: monitoring and first-line triage of anomalies, retraining and deployment decisions, and operational documentation.

• Design and build a "digital twin / time machine" validation platform: point-in-time reproducible backtesting on as-of, versioned data; running shadow, replay, and scenario validations at once before release; and an efficient experimentation and validation workflow during model development.

• Partner with data scientists to design experiments and turn model prototypes into reproducible, testable, deployable workflows.

• Design, build, and operate feature-engineering pipelines for batch and, where needed, near-real-time training and prediction.

• Build model testing and validation frameworks (data requirements, training behavior, prediction outputs, deployment gates).

• Implement evaluation frameworks and monitoring for prediction quality, data/concept drift, feature skew, latency, and pipeline health.

• Design automated training, retraining, deployment, rollback, and model-versioning workflows.

• Improve reliability, security, cost efficiency, and observability of the ML platform and respond to production incidents.

• Collaborate with Data and Platform/SRE teams on shared data, orchestration, infrastructure, and governance foundations.

• Find problems yourself and propose and drive improvements, working through dialogue with data scientists, business teams, and other engineering teams.

• Current Stack: Python, SQL; pandas, scikit-learn, gradient boosting, time-series workflows; Airflow, Metaflow, Kubeflow, managed GCP; Grafana, Looker, Metabase; GCP, Docker, Cloud Run, Vertex AI; Terraform, Terragrunt, Ansible; GitHub Actions, Cloud Build; Cursor (primary IDE), cloud agents.

【求める人物像・カルチャー】
ENEXIAは「できあがったチームに加わる」のではなく、エンジニアリングチームそのものをつくるフェーズにあります。設立から約2年、外部ベンダー開発のシステムの内製化を進めており、チームのあり方・開発プロセス・技術基盤を一緒につくる余地が大きく残されています。
ENEXIAが求めているのは、技術だけに関心があるエンジニアではありません。エネルギー転換という事業に関心を持ち、現場の課題から考え、自分の手で作り、AIを使い切るエンジニアと一緒にチームをつくりたいと考えています。
・電力・市場データや再生可能エネルギーの事業に関心を持ち、予測が業務の現場でどう使われるかを理解したうえで仕組みを考えられる方
・運用・監視からデプロイまで、MLプロセスのあらゆる場面でAI/LLMを使い、人手に頼らず回る「AIネイティブ」なMLパイプラインをつくりたい方
・どの過去時点でも再現できるバックテストや、リリース前の検証を一度に回せる「デジタルツイン／タイムマシン」型の検証基盤を、自ら設計して形にできる方
・指示を待たずに課題を見つけ、自分で仕事を生み出し、データサイエンティストや事業部門と対話しながら前に進められる方
・AIを振り切って使う一方、モデルが答えを返した「あと」を高い基準で問える方（出力を理解し、検証・レビューし、自分の名前で世に出す。判断・意思決定・責任は人間が担う）
・肩書きではなく仕事への向き合い方としてのリーダーシップを発揮し、担当領域に閉じず課題を自ら見つけ、必要な人を巻き込んで前に進められる方
・アーキテクチャや運用の課題に対し、議論だけで終わらせず自ら手を動かして調査し、プロトタイプやデモで提案を具体的な行動へ変えられる方
・好奇心と適応力があり、既存の前提（自分たちの前提を含む）を疑い、曖昧な状況を具体的なアクションへ変えられる方
・ナレッジを個人で囲い込まず、共有・議論・実践を通じてチームの価値を高められる方

──────────────────────────────

[Who We're Looking For / Culture]
We are building the engineering team, not joining one that already exists. ENEXIA was founded about two years ago and is bringing core engineering capabilities in-house, so there is real room to shape the team, its practices, and the systems it owns.
We are not looking for people who care only about technology. We want engineers who care about the energy transition, think from the field, build with their own hands, and use AI fully.

• Is interested in power and market data and renewable energy, and designs systems with a clear picture of how forecasts are used in operations.
• Wants to build AI-native ML pipelines that use AI and LLMs at every step, from operations and monitoring to deployment, so the pipeline runs without manual effort.
• Can personally design and build a "digital twin / time machine" validation platform: backtests reproducible at any past point in time, and pre-release validations that run all at once.
• Finds problems without waiting for instructions, creates their own work, and moves it forward through dialogue with data scientists and business teams.
• Uses AI as far as it will go, but holds a high standard for what happens after the model returns an answer — understanding, testing, and reviewing output, and putting their own name behind it. Judgment, decisions, and accountability stay human.
• Treats leadership as a way of working, not a title: looks beyond their domain, identifies problems without waiting for instructions, involves the right people, and moves work forward.
• When they see an architectural or operational issue, investigates hands-on and builds a prototype or demonstration rather than only discussing it.
• Brings curiosity and adaptability, challenges existing assumptions (including our own), and turns ambiguity into concrete action.
• Shares knowledge rather than protecting it individually.

【必須要件（MUST）】
・ENEXIAの事業、電力業界、または再生可能エネルギーへの関心（エネルギー・電力・ユーティリティ・気候関連の業務やプロジェクトの経験、または応募書類に記載された志望動機で確認します）
　※関心を持った理由やきっかけを、応募書類（職務経歴書・志望動機）またはエージェントの推薦文にご記載ください。書類から確認できない場合は、本要件を満たしていないものとして扱います。
・AIネイティブなMLパイプラインの構築経験：AIエージェント、LLMによる自動化、AIコーディングツール等を活用し、運用・監視からモデルのデプロイまでのMLプロセスを自動化した経験。日常業務でもCursor、Claude、ChatGPT等のAIツールを活用していること（従来型のMLOpsツールの導入・運用のみでは本要件を満たしません）
・本番のMLライフサイクルを自ら構築・運用した経験（データサイエンス、MLエンジニアリング、MLOps、データエンジニアリング等で4年以上が目安）：Pythonを用いて、モデルのデプロイ、学習・予測パイプライン、監視、モデルのバージョン管理、ML向けCI/CDを本人が担当したこと（ツールは問いません。例：Airflow、Kubeflow、Vertex AI Pipelines、MLflow、Grafana、Docker、GCP）
・「デジタルツイン／タイムマシン」型の検証基盤の設計・構築経験：任意の過去時点のデータとモデルの状態を再現するバックテスト（as-of／バージョン管理されたデータで先読みやリークを防ぐ）、リリース前の複数検証（シャドー、リプレイ、シナリオテスト等）の一括実行、モデル開発時の効率的な実験・検証ワークフローのいずれかを設計・構築したこと（バックテスト、リプレイ、シミュレーション、ポイントインタイムのデータ基盤などの経験が職務経歴から確認できること）
・自ら課題を見つけ、仕事を生み出してきた経験：指示を待たずに改善を提案・推進し、自分で立ち上げた取り組み（新しい仕組みやツールの導入、プロセス改善等）が職務経歴から確認できること
・コミュニケーション力とビジネスレベルの英語力：データサイエンティスト、事業部門、他のエンジニアリングチーム等と具体的に協働して成果を出した経験があり、英語でエンジニアリングの協働とドキュメンテーションができること

──────────────────────────────

[Requirements (Must-have)]

• Genuine interest in ENEXIA's business, the power industry, or renewable energy, shown by work or projects in energy, power, utilities, or climate, or by a motivation stated in the application.
  Note: Please describe why you are interested in your application (CV or cover letter) or, if applying through an agent, in the recommendation. If the documents do not show it, this requirement is treated as not met.
• Has built AI-native ML pipelines: used AI agents, LLM-driven automation, or AI coding tools to automate ML processes end to end, from operations and monitoring to model deployment, and uses AI tools such as Cursor, Claude, or ChatGPT in daily work. Introducing or running conventional MLOps tooling alone does not meet this requirement.
• Has personally built and operated the production ML lifecycle (about 4+ years in data science, ML engineering, MLOps, data engineering, or a related production role): in Python, owned model deployment, training and prediction pipelines, monitoring, model versioning, and CI/CD for ML. Any tools count (e.g., Airflow, Kubeflow, Vertex AI Pipelines, MLflow, Grafana, Docker, GCP).
• Has designed and built a "digital twin / time machine" validation platform: point-in-time reproducible backtesting that reconstructs data and model state as of any past moment (with as-of, versioned data that avoids look-ahead and leakage), running many validations at once before release (shadow, replay, scenario tests), or an efficient experimentation and validation workflow for model development. The CV should show backtesting, replay, simulation, or point-in-time data systems you designed or built.
• Finds problems and creates work autonomously: proposes and drives improvements without being told, with initiatives you started yourself (new systems or tools, process improvements) visible in the CV.
• Strong communication and business-level English: concrete collaboration with data scientists, business teams, or other engineering teams that led to results, and the ability to collaborate and document engineering work in English.

【歓迎要件（NICE TO HAVE）】
・エネルギー領域のモデリング経験（気象予測、再生可能エネルギー発電量、電力需要、コモディティ価格変動、その他の時系列問題）
・時間依存モデリングとそのデプロイ要件（特徴量・学習・予測パイプラインのリアルタイム／バッチ処理）の経験
・LLMOpsやAIエージェント基盤の構築・運用経験（評価、ガードレール、トレーシング、コスト管理等）
・Airflow、Metaflow、Kubeflow、Vertex AI Pipelines、Dagster、Prefect等のML／データオーケストレーションツールの経験
・モデルテストフレームワーク、モデル評価・再学習ルーチン・デプロイ制御の設計・構築経験
・Grafana、Looker、Metabase等を用いた監視基盤・ダッシュボードの設計・構築経験
・Vertex AI、MLflow、Feast、モデルレジストリ、Feature Store、実験管理基盤の経験
・GCP・Dockerを用いたクラウド・コンテナの実務経験、IaCツール（Terraform、Terragrunt、Ansible）の経験
・自動テスト、Gitベース開発、MLアプリケーション向けCI/CDおよび段階的リリースの経験
・データ品質フレームワーク、リネージ、ガバナンス、再現性管理の経験
・Kubernetes、分散処理、GPUワークロード、性能・コスト最適化の経験
・本番MLシステムにおけるオブザーバビリティと障害対応の経験
・電力、取引、FinTech領域の経験
・スタートアップ、アジャイル、多文化チームでの経験
・事業・ドメインコミュニケーションに必要な日本語力

──────────────────────────────

[Requirements (Nice-to-have)]

• Energy-related modeling: weather forecasting, renewable generation, energy demand, commodity price fluctuation, or other time-series problems.
• Time-dependent modeling and its deployment requirements: real-time and batch feature, training, and prediction pipelines.
• Building and operating LLMOps or AI-agent platforms (evaluation, guardrails, tracing, cost control).
• ML or data orchestration tools such as Airflow, Metaflow, Kubeflow, Vertex AI Pipelines, Dagster, or Prefect.
• Designing and building model testing frameworks, evaluation and retraining routines, and deployment controls.
• Designing and building monitoring platforms and dashboards with Grafana, Looker, Metabase, or similar tools.
• Vertex AI, MLflow, Feast, model registries, feature stores, or experiment-tracking platforms.
• Cloud and container experience with GCP and Docker; IaC tools such as Terraform, Terragrunt, or Ansible.
• Automated testing, Git-based development, CI/CD and progressive delivery for ML applications.
• Data-quality frameworks, lineage, governance, and reproducibility controls.
• Kubernetes, distributed processing, GPU workloads, or performance and cost optimization.
• Observability and incident-response practices for production ML systems.
• Energy, trading, or fintech domain experience.
• Startup, Agile, or multicultural-team experience.
• Japanese language ability for business and domain communication.