機械学習エンジニア（正社員） の求人一覧 - 株式会社ゴーレム

私たちについて株式会社ゴーレムは、建設‧不動産領域の⾒積、設計、施⼯、購買、修繕などのデータを構造化し、AIによる解析‧分類‧業務標準化‧意思決定⽀援に取り組んでいます。 建設⾒積書や内訳書には、業界固有の⽤語、階層構造、顧客ごとの表記揺れ、⽂脈に依存する判断が数多く含まれます。 AIの性能を継続的に⾼めるには、モデル開発だけでなく、教師データ・評価データを⻑期的に利⽤できる「データ資産」として整備し続けることが不可⽋です。募集背景これまでは⽴ち上げ期の体制として、業務上の正解に関する知識はビジネス部⾨（Biz）・カスタマーサクセス（CS）、学習・評価に関する知識は機械学習チーム（ML）、データ作成の実務は社内外の作業者が担ってきました。その結果、ルールの曖昧さやデータの誤りが⾒つかった際に、MLメンバーが個別判断、作業指⽰、修正確認まで担う場⾯が増えています。 私たちが必要としているのは、定義済みのルールに沿ってアノテーションを⾏う担当者や、件数‧納期だけを追う進⾏管理者ではありません。 データを⾃ら分析し、Biz‧CS‧MLの判断を再現可能なルールへ変換し、作成‧監査‧修正‧学習投⼊‧評価‧次の改善までを⼀つのサイクルとして運⽤する責任者です。⻑期的なドメイン理解と判断履歴を社内に蓄積する必要があるため、正社員の専任機能の⽴ち上げメンバーとして本ポジションを募集します。アノテーションの実作業は、社内作業者、業務委託、外部ベンダーと分担します。ミッション建設⾒積書‧内訳書から作成される教師データと評価データを、学習‧評価に継続利⽤できるデータ資産として管理し、Biz‧CS‧MLの判断を、作業者が再現可能なルールと改善サイクルへ変換することです。お任せすることデータ資産と品質状態の可視化・教師データ・評価データの⼀覧、⽤途、バージョン、責任者、利⽤可否、残存リスクを整理する ・サンプル監査を設計‧実施し、現在の品質⽔準と指標の限界を説明する ・個別の誤りを類型化し、ラベル、階層、作業者、時期、データソースなどの切り⼝で原因と偏りを分析する ・重複、⽭盾、⽋損、階層制約違反、学習⽤‧評価⽤データ間のリーケージを確認するルールと品質運⽤の設計・アノテーションルールを、定義、正例、負例、境界例、判断停⽌条件、エスカレーション先まで含む形に整備する ・ルールの版判断履歴、未解決ケースを⼀元管理する ・サンプリング、監査、⼆重アノテーション、作業者校正、差し戻し、再レビューの仕組みを設計する ・作業者や外部ベンダーへの説明‧教育‧評価を⾏い、理解度と再発状況を確認するデータ改善とML開発の接続・新規データ作成と既存データ修正のバックログを管理し、事業上の優先度とMLの学習計画に接続する ・学習投⼊前に、データ運⽤上のReady∕Not Readyと残存リスクを提⽰する ・MLメンバーとともに、データ変更前後のモデルの失敗パターンを⽐較し、次に改善すべき対象を提案する ・週次のデータ準備状況と、⽉次の品質傾向を関係者へ共有する部⾨横断の意思決定⽀援・業務上の正解はBiz、顧客‧現場事例はCS、モデル要件と投⼊判断はML、ツール実装はSoftwareEngineerへ、論点と判断先を切り分ける ・データ量、品質、費⽤、納期、想定されるモデル影響、未確定事項を整理し、関係者が判断できる状態を作る ・アノテーションツール上の課題を運⽤要件‧受⼊条件へ変換し、Software Engineerと改善を進めるこのポジションが持つ責任と、持たない責任本ポジションが責任を持つ領域 他の役割が最終責任を持つ領域・品質基準、サンプリング、監査⽅法 ・アノテーションルール、例⽰、判断履歴 ・作業者校正、差し戻し、外部ベンダーの品質 ・作成‧修正バックログの運⽤上の優先順位 ・データの運⽤上のReady∕Not Ready判定他の役割が最終責任を持つ領域・業務上の正解：⽤語・顧客要件：Biz ・顧客・現場事例の収集：CS ・学習‧評価要件、データ分割、モデル投⼊判断：ML ・ツールの設計、実装、テスト、リリース：SoftwareEngineer ・最上位の事業優先順位：事業‧AI責任者本ポジションが、すべての業務上の正解を決めること、モデルを実装すること、アノテーションツールを開 発すること、全件を⾃ら確認‧修正することは想定していません。このポジションの魅⼒・AIの性能を左右する教師‧評価データを、単発の作業物ではなく継続利⽤できる会社の資産へ変えられます ・品質指標、ルール、判断履歴、作業者運⽤をゼロから設計できる、⽴ち上げ期のポジションです ・データ改善がモデルのどの失敗を改善したかまで追い、データ運⽤とML開発を直接つなげられます ・将来的には、業務量と組織規模に応じて、Data Quality∕CurationとAnnotation Operationsの機能分化‧チーム設計にも関われます⼊社後に期待すること⼊社後90⽇を⽬安に・既存の教師データ‧評価データの⼀覧、⽤途、バージョン、責任者を整理する ・サンプル監査を⾏い、現在の品質⽔準と主なエラー類型を提⽰する ・ラベル・階層ルール、未解決ケース、判断履歴を⼀元化する ・次回学習に向けた修正バックログと優先順位をBiz・MLと合意する ・作業者向けの校正⽤データを作り、⼩規模な運⽤を開始する⼊社後180⽇を⽬安に・データセット、ラベル、階層、作業者別の品質傾向を継続的に説明できる状態を作る ・データ作成から学習‧評価までのリードタイムとボトルネックを可視化する ・ルール変更、作業者教育、差し戻し後の再発状況を測定する ・データ修正前後でモデルの失敗パターンを⽐較し、改善効果を確認する ・外部作業者を活⽤しても、品質状態と残存リスクを説明できる運⽤を確⽴する

▍事業内容／企業紹介 ゴーレムは、建設業界に蓄積されてきた見積・設計・施工・維持管理などのデータと、実務の中で培われてきた判断基準を構造化し、企業の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。 建設業界では、企業・プロジェクトごとに業務、データ、管理方法が異なり、重要な情報がExcelやPDF、担当者の経験に分散しています。ゴーレムでは、こうした非構造・属人的な情報をデータとして扱える状態へ変換し、CO2排出量の算定をはじめ、見積・購買・業務分析など複数のテーマへ展開しています。 ▍ポジションのミッション（募集背景） 分析テーマとプロダクト機能が増える中、PoCを作るだけでなく、データ条件、評価、本番実装、監視・改善まで継続して対応する体制が必要です。通常・育成・シニア・業務委託の責任を分け、技術判断と実装を適切なレベルへ配置します。 今回募集するのは、機械学習を使うべきかの判断から評価設計、モデル開発、システム組み込み、運用改善まで技術面をリードするシニアICポジションです。具体的には、解決手段比較と技術仮説設定、学習・検証データ、評価指標、受入水準設計、モデル・特徴量・アルゴリズム選定と実装、API・バッチ・パイプライン・推論基盤設計などを通じて、担当領域を前に進めます。 ▍仕事内容 課題・データ・評価の設計 ● 解決手段比較と技術仮説設定 ● 学習・検証データ、評価指標、受入水準設計 ● モデル・特徴量・アルゴリズム選定と実装 モデル／機能の開発・実装 ● API・バッチ・パイプライン・推論基盤設計 ● 本番監視・再学習・精度低下分析 本番運用・品質・チームへの貢献 ● コード・モデル・実験・評価レビュー ● 技術的負債・再現性・保守性改善 【役割分担】 ML領域の技術意思決定。EMは人・組織、PdMは課題・優先順位、AIデータ品質は正解データ設計 ▍やりがい・魅力など ● モデル開発だけでなく、評価設計・本番運用・MLOpsまで含めて技術判断できる ● 建設業務の複雑なデータに対し、MLを使う／使わないから設計できる ● 技術レビューや標準化を通じて、ML開発の品質をチーム全体へ広げられる

▍事業内容／企業紹介 ゴーレムは、建設業界に蓄積されてきた見積・設計・施工・維持管理などのデータと、実務の中で培われてきた判断基準を構造化し、企業の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。 建設業界では、企業・プロジェクトごとに業務、データ、管理方法が異なり、重要な情報がExcelやPDF、担当者の経験に分散しています。ゴーレムでは、こうした非構造・属人的な情報をデータとして扱える状態へ変換し、CO2排出量の算定をはじめ、見積・購買・業務分析など複数のテーマへ展開しています。 ▍ポジションのミッション（募集背景） 分析テーマとプロダクト機能が増える中、PoCを作るだけでなく、データ条件、評価、本番実装、監視・改善まで継続して対応する体制が必要です。通常・育成・シニア・業務委託の責任を分け、技術判断と実装を適切なレベルへ配置します。 今回募集するのは、Pythonで建設データの前処理、分析、既存モデル改善、機能開発を担当し、支援を受けながら一機能を自走できる状態へ成長するポジションです。具体的には、データ収集・前処理・探索・可視化、既存モデルの学習・評価・改善、PoC用データ準備・分析、モデル・解析ロジック実装補助などを通じて、担当領域を前に進めます。 ▍仕事内容 データ理解・前処理 ● 建設・見積等のデータを確認し、項目・欠損・分布・ラベル品質を把握 ● Pandas／SQL等を用いて学習・分析に必要な形へ前処理 ● 既存モデル・評価方法を理解し、改善対象を整理 モデル開発・評価 ● 回帰・分類等のモデルを実装し、ベースラインと比較 ● 特徴量・ハイパーパラメータ等を検証し、評価結果を整理 ● 誤分類・精度低下ケースを分析し、データ／モデル双方の改善案を検討 ● 検証条件・結果をドキュメント化 プロダクトへの実装 ● シニアML／エンジニアと連携し、モデルをAPI・バッチ等へ組み込み ● 本番利用に必要な入出力、例外処理、性能要件を確認 ● コードレビュー・テストを通じて品質を改善 継続改善・学習 ● 本番データやユーザーフィードバックをもとに改善テーマを整理 ● 必要なML・データ技術を自らキャッチアップし、検証へ反映 ● 担当した分析・実装を他メンバーが再利用できる形で残す ▍やりがい・魅力など ● Python・データ分析の経験を生かし、機械学習プロダクト開発へキャリアを広げられる ● 実際の建設データを用いて、前処理・モデル評価・改善を経験できる ● シニアMLエンジニアと協働し、本番開発を意識した技術を身につけられる ▍組織名／体制 ML／AIエンジニア、プロダクト、データ品質チームと連携。 ▍開発体制 既存実装・データからキャッチアップし、モデル・機能の担当範囲を広げる。 ▍技術スタック Python、SQL／R／Pandas、Git。歓迎：クラウド、Docker、NLP。