非公開

12266

シニア機械学習エンジニア

正社員

若干名

▼業務概要
・パーソナライズ学習実現に向けた機械学習モデルの開発。
・部門内のサービス改善を目的とした機械学習モデルの開発。

▼業務詳細 (モデル構築フェーズ)
・ビジネス要求ヒアリング
・要求を踏まえて機械学習タスクの全体設計
・タスク開始前の基礎分析
・モデル構築方針の検討 (特徴量選定、手法検討、評価方法検討)
・モデルの実装 (ライブラリ利用。最新論文手法の実装)
・モデルの定量・定性評価
・モデル開発結果のレポーティング

▼業務詳細 (モデルのシステム導入フェーズ)
・効果検証のグランドデザインの設計
・効果検証のために追加取得すべきデータ要件の設計
・効果検証のためのデータ分析

▼担当プロセス(システム本格導入時)
・システム導入時のアーキテクチャ検討
・サービス開発チームとの責任分界点の確定
・バッチ処理のジョブスケジューリングと監視設計
・バッチ処理実装
・リリース後の運用

開発環境は下記になります。
インフラ
・GCP (データ基盤) / AWS (関連システム)
データパイプライン (ETL)
・CloudComposer (Airflow)
DWH
・BigQuery
その他インフラ管理
・Docker
・GKE / GAE / CloudRun
可視化ツール
・Google Data Portal / Tableau
分析環境
・Jupyter Notebook / Google Colab / Google Cloud ML
監視
・Cloud Logging / Stackdriver Logging
その他
・Git / GitHub / Slack / Notion

東京都

フレックスタイム制にて定める時間内とします。
（月の精算時間は、各月休日を除いた所定労働日数に7.5時間を乗じた時間数となります。）

800万円～1500万円

経験・能力を考慮し、規定に従い相談の上決定します。
・給与改定は年2回1・7月に実地します。

・交通費支給（当社規定による）
・各種社会保険有り（健康保険、雇用保険、労災保険、厚生年金）
・退職金制度有り（定年：60歳）
・持ち株制度有り
・大学院受講支援制度
・海外短期留学支援制度
・自己啓発支援（年間上限20万円）
・業務上必要な研修受講支援（所属部門長の判断により全額負担）

・有給休暇：年間20日（翌年繰越により最大40日）＜試用期間中は最大5日まで使用可/入社日により按分＞
・年末年始休暇（12月29日～1月4日）、結婚休暇、忌引き休暇、災害ボランティア休暇、出産・育児休暇、サバティカル休暇（勤続5年/10年に付与）

下記に列挙するデータ専門性とエンジニアリング力を全て保持している事。

■データ専門性
SQL：SQLの構文を一通り理解し、記述、実行できる (DML、DOLの理解。各種JOINの使い分け。集計関数とGROUP BY。CASE文。副問合せなど) 。加えて数百行のSQLを解読する事が出来る。
統計：統計検定2級レベルの内容を用いた実務経験を持つ｡
機械学習：教師あり学習モデル､教師なし学習モデルの実務における構築経験を持つ (「はじめてのパターン認識」に相当する内容をイメージ) ｡また､特徴量エンジニアリング、モデルの性能チューニング、モデルのオフライン性能評価の豊富なノウハウを持つ。

■エンジニアリング力
システム設計能力：機械学習モデルをシステム導入する際のシステムアーキテクチャの検討が出来る。また､システム稼働中に発生する運用課題を洗い出す事が出来る。
アプリケーション開発：Flask や FastAPI などを利用して､機械学習モデルを本番利用するためのアプリケーションを開発することが出来る。サービス開発担当のアプリケーション開発エンジニアとシステム導入にあたっての技術面の相談が出来る。
コンピューターサイエンス：応用技術情報試験レベルのコンピューターサイエンスの知識を保有し、実務で利用する事が出来る。
データ設計能力：ビジネスプロセスを理解して、データフロー図、論理データモデル、ER図、テーブル定義書を作成することが出来る。モデル開発やオンライン性能検証の際に必要となるログ要件を作成することが出来る。
計算量への理解：計算量オーダーの概念を理解し、自身が開発した機械学習モデルの実行時間を見積もる事が出来る。見積もった実行時間や将来の予測対象数の拡大も考慮して、適切な手法選定に活かすことが出来る。
バッチ処理実装：機械学習モデルの学習や推論処理実行のためのバッチ処理実装が出来る。後続のサービス開発側のジョブ実行を考慮したジョブ設計が出来る。ジョブのエラーハンドリングを行うための設計が出来る。
歓迎要件

【下記に列挙する項目のいずれかを満たしている事】

■データ専門性
機械学習：パターン認識と機械学習 (PRML) の上下巻と統計的学習の基礎 (ESL) に相当する機械学習の知識。
自然言語処理：形態素解析、構文分析、固有表現抽出のアルゴリズムを理解し、使いこなせる。トピックモデル、サポートベクターマシンなどの文書分類手法を理解し、実行出来る。RNNやLSTMなどを用いたニューラルネット型言語モデルを理解し使いこなせる。
Deep Learning：各種トップカンファレンスやarXivの論文を含めたDeep Learning系統の最先端の研究開発動向に精通している。

■エンジニアリング力
API開発：機械学習モデルの推論結果を提供するAPIのシステム設計が出来る。(インフラ設計、API仕様策定)。機械学習モデルの推論結果を提供するAPIのシステム運用方針を決められる。
モデルのシステム導入の実務経験：機械学習モデルをシステム導入した際に発生する運用上の課題とそれに対するベストプラクティスを有している。
Data Warehouse の設計・構築など､データエンジニアリング領域における理解､経験がある｡

■ビジネス力
コミュニケーション力：相手の理解度に合わせて説明粒度を調整して説明する能力。

▼ 書類選考
　　↓
▼ 面接（複数回）
　　↓
▼ 内定