業務委託 の求人一覧 - 株式会社APTO

■ 募集背景 AIの性能を決定づけるのはモデルだけではなく、その学習に用いられるデータの質と量も大事です。 しかし現実のAI開発においては、データ収集・生成・アノテーション・品質管理といった工程が依然として属人的かつ非効率なプロセスに依存しており、この領域がAI活用の最大のボトルネックとなっています。 APTOは、この構造的な課題を解決するため、AIデータ生成・管理を一元的に扱うデータ基盤プラットフォームを開発・提供しています。 現在、プロダクトはPoCフェーズを越え本番利用が急速に拡大しており、取り扱うデータ量・ユースケース・機能要件の複雑性が同時に増大しています。 その中で、 ・データ規模の急増に耐えうる設計の必要性 ・長期的な拡張性を見据えたアーキテクチャ再設計 ・プロダクト全体を俯瞰した技術意思決定 といった課題が顕在化しており、単なる実装ではなく、基盤設計をリードできるエンジニアが不足しています。 そこで今回、AIデータプラットフォームの中核を担うプロダクトエンジニアを募集します。 ■ このポジションの本質 本ポジションは、一般的なWebサービス開発とは異なります。 開発するのはユーザー向けのアプリケーションではなく、AI開発に必要なデータを生み出すためのプラットフォームそのものです。 扱う対象の一例としては、 ・生成され続ける大規模データ ・構造が一定でない非定型データ ・人手作業とシステム処理が混在するワークフロー といった、AI開発特有の複雑性を持つ領域です。 このポジションでは、 ・データがどのように生成され ・どのように処理され ・どのように品質管理され ・どのようにAI開発へ流れるか という、データの生成から評価・改善に至る一連のプロセス設計を担っていただくポジションです。 単なる機能実装ではなく、プロダクトの長期的な進化を見据えた基盤設計を行うことが求められます。 ■ 具体的な業務内容 ・AIデータ基盤（Backend / API / DB）の設計・改善 ・大規模データ処理を前提としたアーキテクチャ設計 ・データ生成・管理ワークフローのシステム設計 ・プロダクトスケールに伴う技術的課題の解消 ・クラウドインフラの設計・運用改善 ・技術選定および設計方針の意思決定 ■ このポジションの難易度と面白さ 本ポジションでは、一般的なWeb開発では扱わない課題に直面します。 例えば、 ・正解が存在しないデータ構造の設計 ・継続的に増え続けるデータの運用設計 ・人手によるアノテーション工程のシステム化 ・多様なAIユースケースに対応する汎用基盤の設計 といった、AIデータ領域特有の問題を解く必要があります。 一方でこれらを解決することは、AI開発の根幹を支える基盤を作ることを意味し、社会におけるAI活用の広がりに直接的な影響を与えるインパクトを持つポジションです。 ■ 主軸（最も期待する領域） ・Python（Django）を中心としたバックエンド設計 ・PostgreSQL 等のデータ設計・運用 ・大規模データを扱う基盤設計 ・スケーラブルなアーキテクチャ設計 ■ 周辺技術 ・フロントエンド：TypeScript / React / Next.js ・モバイル：React Native ・インフラ：AWS / GCP / Docker / Kubernetes ・CI/CD：GitHub Actions ・AI連携：Vertex AI / SageMaker ■ 任せたい裁量 ・技術選定および設計方針の決定 ・基盤アーキテクチャの進化の主導 ・プロダクトスケールに伴う構成変更の判断 エンジニア起点でプロダクトの構造を進化させることを期待しています。 ■ このポジションで得られるもの ・AI開発の根幹を支えるデータ基盤設計の経験。 ・プロダクトの長期的進化を見据えたアーキテクチャ設計経験。 ・技術意思決定を担うポジションでの成長機会。 ・将来的なTech Lead / アーキテクトへのキャリアパス。

■ 募集背景 現在のAI開発において、最も重要でありながら、最も未整備な領域はモデルではなく 「データ」 にあります。 実際、AIプロジェクトの開発工数の大半は、データ収集・整形・アノテーション・品質管理・運用設計といった データ準備工程に費やされており、多くの企業がこの領域の難易度の高さによってAIを実運用まで到達させることができていません。 APTOは、この構造的な課題に対し、AIデータ生成・管理プラットフォームを提供すると同時に、 顧客ごとのAI開発におけるデータ基盤設計・運用設計までを担うことで、企業がAIを実用化できる状態をつくることをミッションとしています。 現在はプロダクトの本番利用拡大に加え、LLM・画像認識・業務自動化など多様な領域でのAI開発支援プロジェクトが急増しており、 ・顧客課題に応じたアーキテクチャ設計 ・プロダクトの進化を見据えた技術判断 を横断的に担えるエンジニアが不足しています。 そこで今回、AIデータ基盤の設計責任を担いながら、顧客AIプロジェクトの技術パートナーとして関わるリードエンジニアを募集します。 顧客の業務構造やAI活用の目的を理解し、最適なソリューションを共に設計していくことが求められます。 ■ 具体的な業務内容 ・大規模データ運用を前提としたアーキテクチャ設計 ・顧客AIプロジェクトにおける技術提案およびPoCの実装 ・顧客との技術ディスカッションおよび要件整理 ・クラウド環境におけるソリューションの設計・運用 ・プロダクトのスケールに伴う技術的ボトルネックの解消 ■ このポジションの難易度と面白さ 本ポジションでは、一般的なWeb開発では扱わない課題に直面します。 例えば、 ・顧客ごとに異なるAI開発プロセスへの適応 ・ Computer vision、LLMなどの領域で最先端研究へのキャッチアップ ・ 自律運転、LLM(VLM、RAG)、Phycial AI(ロボティクス)などの幅広い課題 といった、AI開発特有の複雑な問題に向き合うことになります。 一方で、それらを解決することで、AIが実際に社会で使われる状態を技術的に支えることができるという極めて大きなインパクトを持つポジションです。 ■ このポジションで得られるもの ・プロダクト開発と顧客プロジェクトの両面における技術判断経験。 ・技術選定やアーキテクチャ設計を主導する裁量。 ・将来的にTech Leadやアーキテクトとして成長できる環境。

■ 募集背景 APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。 近年、AIの中でも特にコンピュータービジョン領域においては、 ・物体検知・セグメンテーション・トラッキングなどモデルの高度化 ・実運用を前提としたデータ量・品質要件の急激な引き上げ ・製造・検査・図面解析など産業領域特有のデータ課題の顕在化 ・Physical AI(ロボティクス)におけるビジョンデータの処理、シミュレーション（Data augmentation) が同時に進み、モデル性能を左右する要因はアルゴリズム以上に 「どのようなデータを設計し続けられるか」 に移行しています。 特に現在は、 ・学習データの品質が属人的に管理されている ・評価指標と実運用性能が乖離している ・データ改善の方法論が体系化されていない という課題があり、コンピュータービジョンモデルの性能をデータの観点から継続的に引き上げられるメンバーが求められています。 そこで今回、CV領域におけるデータ設計と評価ループを担うResearch Engineerを募集します。 ■ コンピュータービジョン領域における課題 コンピュータービジョンとは、コンピュータに人間の「目」と「認識能力」を持たせる技術です。 画像や映像から特徴を抽出し、 ・物体が何かを識別し ・どこにあるかを特定し ・どのように動くかを理解する ことを可能にします。 主な技術領域には以下があります。 ・画像分類 画像全体から対象物のカテゴリを識別する技術。 ・物体検知 画像内の対象物の位置と種類を同時に特定する技術。 ・セグメンテーション 画素レベルで対象物を区別する高度な認識技術。 ・トラッキング 動画内における物体の動きを継続的に追跡する技術。 ・シミュレーション Nvidia Cosmos, Issac sim等を使ったデータの増強 ■ 本ポジションの本質 コンピュータービジョンモデルが正しく学習され、実環境で安定して動作し、課題を解決できる状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。 扱う対象は単なる画像データではなく、 ・ノイズを含む実世界データ ・クラス不均衡の激しいデータ ・長尾分布を持つ例外ケース といった、CV特有の難しさを持つデータです。 ■ 主な役割 ・物体検知・セグメンテーションモデル向けデータ設計 ・画像・動画データの前処理・品質管理 ・アノテーション方針およびガイドライン設計 ・モデル評価指標の設計および評価分析 ・学習 → 評価 → データ改善のフィードバックループ構築 ・モデル開発チームとの連携による性能改善 ■ 研究・応用テーマ例 本ポジションでは以下の一例のようなテーマに取り組みます。 CVデータ設計 ・モデル性能を最大化するデータ分布設計 ・少量データ環境におけるデータ効率化 ・長尾クラス問題への対応 評価設計 ・実運用性能を反映する評価指標設計 ・誤検知・未検知の原因分析 ・アノテーション品質評価手法 産業応用 ・製造ラインにおける異常検知データ設計 ・図面画像の構造理解・3D化に向けたデータ設計 ・マシンビジョンにおける実環境適応 ■ 主軸（最も期待する領域） ・CVモデル向けデータ設計・品質管理 ・モデル評価とデータ改善ループ構築 ・Pythonを用いた画像データ処理・分析 ・データ視点からのモデル性能改善 ■ このポジションで得られるもの ・CVモデル性能を左右するデータ設計の実務経験。 ・実環境で使われるマシンビジョンの課題解決経験。 ・研究とプロダクト開発を横断したキャリア。 ・AIの社会実装を支える基盤設計への関与。

■ 募集背景 APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。 近年、AIモデルの進化に伴い、競争力の源泉はモデル構造そのものから、 「どのようなデータを、どのように設計し、評価し、改善し続けられるか」へと急速にシフトしています。 特に、 ・LLM / VLM / マルチモーダルモデルの高度化 ・本番運用を前提とした大規模データ要求 ・データ品質がモデル性能を直接左右する構造 が同時に進み、AI開発におけるボトルネックは完全に「データ側」に移行しています。 さらに現在は、 ・有害データの混入 ・バイアスの増幅 ・誤学習によるリスク ・評価指標と実運用性能の乖離 といった AIの安全性・信頼性に関わる課題 が顕在化しており、データ設計は単なる精度改善の問題ではなく、AIの社会実装における責任領域へと拡張しています。 APTOでは現在、 ・データ設計や評価が属人的に行われている ・モデル改善のボトルネックがデータ側にあるが体系化されていない ・安全性・品質・性能を統合した設計思想が未確立 という課題を抱えており、AIモデル性能と安全性を「データの観点から」引き上げられるResearch Engineerを募集します。 ■ このポジションの本質 AIモデルが正しく学習され、安全性・信頼性を担保し、本番環境で信頼できる性能を発揮する状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。 扱う対象は単なる学習データではなく、 ・モデルの挙動を規定する訓練信号 ・評価基準を形作るテストデータ ・安全性を担保するガードレールデータ といった、AIのモデルの出力特性と性能を規定する要素です。 そのため本ポジションでは、 ・どのデータがモデルの意思決定に影響するのか ・どの評価が本番性能を適切に測定できるのか ・どのようなデータ設計が安全性を担保するのか といった問いに対し、研究的視点と実装視点の両方から取り組むことが求められます。 ■ 主な役割 ・LLM / VLM / マルチモーダルモデル向けの学習データ設計 ・データ前処理・アノテーション方針の設計と改善 ・モデル評価指標の設計および評価結果の分析 ・学習 → 評価 → データ改善 のフィードバックループ構築 ・モデル開発チームとの連携による性能改善 ・データ品質・バイアス・安全性に関する設計指針の確立 ■ 研究テーマとしての領域 本ポジションでは、以下のような研究的テーマに取り組んでいただく想定です。 データ設計領域 ・モデル性能を最大化するデータ分布設計 ・データカバレッジと一般化性能の関係 ・少量データ環境での効率的データ生成 評価領域 ・モデルの実運用性能を反映する評価指標の設計 ・評価データセットの品質設計 ・自動評価と人手評価の統合設計 AI安全性領域 ・有害出力を抑制する訓練データ設計 ・バイアス・公平性に関するデータ分析 ・安全性評価データセット（ベンチマーク）の設計 ・データガバナンス・トレーサビリティ設計 ・SFT, RLHFによるモデルの性能向上 ■ 主軸（最も期待する領域） ・AIモデル向けデータ設計・品質管理 ・モデル評価とデータ改善ループの設計 ・Pythonを用いたデータ処理・分析 ・データ視点からのモデル性能改善 ■ 扱う対象例 ・LLM / VLM 向けテキスト・画像・動画データ ・物体検知・画像認識モデル向けデータ ・アノテーションデータ・メタデータ ・安全性評価用データセット ■ このポジションで得られるもの ・AIモデル性能を左右するデータ設計の実務経験。 ・最新のLLM / VLM を実運用レベルで扱う希少な機会。 ・AIの安全性・信頼性に関わる最前線の課題に取り組む経験。 ・研究とプロダクト開発を横断したキャリア。