★このポジションの魅力★ ①独自性のある業界データを扱える 建設業界特有の構造を持つデータを用い、一般的な公開データセットとは異なる実務上の課題に取り組めます。 ②PoCから本番運用まで関われる 技術検証だけを行う役割ではなく、機能設計、システムへの組み込み、運用、改善まで一貫して担当できます。 ③手法ありきではない機械学習開発 勾配ブースティング、自然言語処理、生成AIなどから、課題に適した技術を選択できます。現在はPython、Pandas、AWS、Amazon SageMaker、勾配ブースティング系モデルなどが利用されています。 ▍募集背景 ゴーレムでは、建設業界に蓄積された多様なデータを活用し、CO2排出量の算定をはじめとした業務効率化や意思決定を支援する、建設業界特化型のデータプラットフォームを開発しています。 現在の機械学習チームは、正社員2名、業務委託2名の計4名で構成されています。Python、Pandas、AWS、Amazon SageMakerなどを利用し、建設データの解析処理、回帰・分類モデル、新機能、PoC、新規プロダクトの開発に取り組んでいます。 事業やプロダクトの拡大に伴い、与えられたモデルを実装するだけでなく、業務課題の理解、技術的な仮説設定、データの検証、モデル開発、システムへの組み込み、運用改善まで一貫して担えるシニアエンジニアが必要になっています。 今回募集するのは、メンバーの評価や組織運営を担うマネージャーではありません。 自ら実装を行いながら、テーマ単位で技術的な判断、設計、レビューを担うシニア機械学習エンジニアです。 ▍ミッション 建設業界の業務課題に対して、機械学習を用いるべきかを見極め、検証だけで終わらない、継続的に運用可能な機能・システムとしてプロダクトへ組み込むことがミッションです。 シニア機械学習エンジニアは、以下について責任を持っていただくことを想定しています。 ・解決したい課題に対して、機械学習を用いることが妥当か ・どのデータを、どのような前提で利用するか ・何を評価指標とし、どの水準を目指すか ・モデルが業務上の価値を提供しているか ・本番環境で安定して利用・改善できる設計になっているか ・技術的な判断と検証結果が再現可能な形で残されているか ▍業務内容 課題設定・技術検証 機械学習、ルールベース、既存機能などの解決手段の比較 技術的な仮説と検証計画の策定 PoC、フィージビリティスタディの設計・実施 プロダクト化に必要な精度、データ量、運用条件の整理 ②データ分析・モデル開発 建設関連データの構造、品質、欠損、偏りの分析 学習データ、検証データ、評価方法の設計 特徴量設計、モデル選定、学習、評価 回帰、分類、予測、異常検知などのモデル開発 自然言語処理、LLM、生成AIを活用した機能開発 既存モデルや解析ロジックの精度・処理性能の改善 ③プロダクトへの組み込み 機械学習機能の要件定義・システム設計 バッチ処理、API、データパイプラインの設計・実装 AWS上の学習・推論環境の設計 ソフトウェアエンジニアとのインターフェース設計 テスト、デプロイ、監視方法の設計 モデルや解析結果をユーザーへ提供する方法の検討 ④運用・継続改善 モデル精度、データ変化、処理性能の監視 再学習やモデル更新の仕組みの整備 障害や精度低下の原因分析 利用状況やユーザーフィードバックを踏まえた改善 実験条件、評価結果、設計判断のドキュメント化 ⑤技術的なリード テーマ単位での技術方針・設計方針の策定 コード、モデル、評価設計のレビュー メンバーへの技術的な助言 実験・評価・実装方法の標準化 技術的負債や品質課題の整理と改善 ▍EMとの役割分担 EMは、1on1や目標設定、評価、育成、採用、チーム設計など、メンバーと組織のマネジメントに責任を持ちます。 シニア機械学習エンジニアは、機械学習領域における技術設計、実装、レビュー、技術選定など、技術面の意思決定に責任を持ちます。 メンバーへの技術支援やメンタリングにも関わりますが、人事評価や組織運営を主責任とするポジションではありません。 ▍PdMとの役割分担 PdMは、どのユーザー課題を、なぜプロダクトとして解決するのかを定義し、開発の優先順位やプロダクト要件を整理します。 シニア機械学習エンジニアは、その課題に対して機械学習を活用することが適切かを検証し、技術的な実現方法、評価方法、運用方法を設計します。 モデルの精度向上そのものを目的とするのではなく、ユーザー課題の解決に必要な品質や技術水準をPdMと協議しながら判断します。 ▍入社後に期待すること ①入社後1〜2か月 ・建設データ、既存モデル、コード、システム構成を理解する ・既存モデルの学習・評価結果を再現する ・チームの開発・レビュー・リリース方法を把握する ・現在の技術課題と運用上の課題を整理する ②入社後3〜6か月 ・一つのモデルまたは機械学習機能を主担当として持つ ・課題設定、評価設計、実装、リリースまでを一貫して進める ・コードレビューや設計レビューを担う ・モデルの評価・運用方法を改善する ・技術判断と検証結果をドキュメントとして残す ③その後 ・新しい機械学習機能の技術検証とプロダクト化を進める ・機械学習システムの品質、保守性、再現性を高める ・チーム内の設計・実装・評価水準を引き上げる ・業界データを活用した新しいプロダクト価値を提案する

※以下すべての経験をお持ちの方 ・Pythonを用いた機械学習モデルの設計・開発・本番運用経験 ・回帰、分類、予測などの手法について、データ設計から評価まで一貫して行った経験 ・Git、Dockerなどを用いたチーム開発経験 ・モデルの精度だけでなく、運用性、保守性、処理性能を考慮して設計した経験 ・技術的な検証結果を、非技術者を含む関係者へ説明した経験

・MLOps、CI/CD、モデル監視、再学習基盤の構築経験 ・Amazon SageMakerを用いた開発・運用経験 ・テーブルデータに対する勾配ブースティング系モデルの開発経験 ・自然言語処理、LLM、生成AIを用いたプロダクト開発経験 ・RAG、Embedding、ベクトル検索を用いたシステム開発経験 ・大規模または複雑な業務データを扱った経験 ・API、バッチ、データパイプラインの設計・実装経験 ・技術選定、設計レビュー、コードレビューの経験 ・建設、建築、不動産、サステナビリティ領域に関する知見

・機械学習を使うこと自体ではなく、業務課題を解決することに関心がある方 ・複雑なモデルを選ぶ前に、シンプルな解決方法も比較できる方 ・精度だけでなく、運用、保守、コスト、説明可能性を考えられる方 ・データや要件が整っていない状況でも、必要な前提を整理できる方 ・研究やPoCで終わらず、ユーザーが利用できる状態まで実装したい方 ・自ら手を動かしながら、周囲の技術水準向上にも関われる方 ・検証結果や失敗を含めて、再現可能な形で共有できる方