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。

■主な業務
・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

■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.

• Responsibilities:

• 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.

• 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。
・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.

• 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）】
・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、または関連する本番運用職での実務経験4年以上
・Pythonの高いスキル（pandas、scikit-learn、勾配ブースティング等、過去データのモデリングに用いる標準的フレームワークを含む）
・データサイエンス／機械学習ワークロードを本番化した実務経験
・データサイエンスチームとの協働経験（実験設計→信頼性の高いデプロイ可能な本番ワークフローへの落とし込み）
・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
・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
・モデル評価、再学習ルーチン、モデルバージョン管理、デプロイ制御の経験
・モデルテストフレームワークの設計・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
・ソフトウェアエンジニアリングの基礎、自動テスト、Gitベース開発、CI/CDの経験
・クラウド・コンテナの実務経験（GCP・Dockerを歓迎）
・エンジニアリングの協働とドキュメンテーションに必要なビジネスレベルの英語力

──────────────────────────────

[Requirements (Must-have)]

• 4+ years of experience in data science, ML engineering, MLOps, data engineering, or a closely related production role.
• Strong Python skills, including standard frameworks such as pandas, scikit-learn, and gradient boosting.
• Hands-on experience productionizing data-science or machine-learning workloads.
• Experience collaborating with data science teams — designing experiments and translating them into reliable, deployable production workflows.
• Experience with ML or data orchestration tools such as Airflow, Metaflow, Kubeflow, Vertex AI Pipelines, Dagster, or Prefect.
• Experience with time-dependent modeling and its deployment requirements — real-time and batch feature/training/prediction pipelines.
• Experience with model evaluation, retraining routines, model versioning, and deployment controls.
• Experience designing and building model testing frameworks.
• Experience designing and building monitoring platforms and dashboards using Grafana, Looker, Metabase, or similar tools.
• Strong software-engineering fundamentals, automated testing, Git-based development, and CI/CD.
• Practical cloud and container experience; GCP and Docker are preferred.
• Business-level English proficiency for engineering collaboration and documentation.

【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）
・Vertex AI、MLflow、Feast、モデルレジストリ、Feature Store、実験管理基盤の経験
・IaCツール（Terraform、Terragrunt、Ansible）の経験
・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
・Cursor、Claude Code、Copilot等を用いたAI支援／エージェント型開発経験

──────────────────────────────

[Requirements (Nice-to-have)]

• Energy-related modeling: weather forecasting, renewable generation, energy demand, commodity price fluctuation, or other time-series problems.
• Vertex AI, MLflow, Feast, model registries, feature stores, or experiment-tracking platforms.
• IaC tools: Terraform, Terragrunt, or Ansible.
• 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.
• AI-assisted or agentic development using Cursor, Claude Code, Copilot, or similar tools.