デジタルマーケティング会社での機械学習エンジニアの求人

機械学習エンジニアは、次のような仕事により広告効果を高めます。

配信ログ・ユーザー属性からCPC・CPAなどのKPIをもとに広告表示価格の決定
クリック率や勝率が低いリクエストを見分け、無駄なレスポンスの削減
ユーザー属性から最適なクリエイティブの選択
広告プラットフォーム開発における挑戦には以下のようなものが挙げられます。

▼ソフトウェアエンジニアとのコラボレーションが密である

MLパイプラインやA/Bテスト基盤など構築や運用はデータサイエンスの価値を出す上で重要になります。ソフトウェアエンジニアと協力することで素早くデータの価値を届けます。

業務上触れる分野や技術スタックについて
▼分野

機械学習
オンライン意思決定
数理最適化
統計学
▼スタック

Python, Kotlin
AWS
dbt, Snoflake
Prefect
Terraform
GitHub
Slack

▼時系列データを用いた早い学習サイクル

大量の広告配信に関わるログをもとに、モデルの更新サイクルは1時間程度
広告配信は不均衡なデータセットが多く、モデルの評価は慎重になる必要がある
▼リアルタイムな予測

DSPでは50ms程度で全ての処理が完結
推論に使える時間は10ms程度
▼論文サーベイ等の技術調査と提案

オンライン広告の分野では多くの手法が検討され日々技術が進歩する
収集したデータを最大限生かす手法を探し出し、提案する能力が求められる
仕事の進め方
機械学習エンジニアの仕事の進め方としては二つのフェーズがあると考えます。

▼ビジネス課題を機械学習の問題へ変換

新たな課題に向かう時、プロダクトマネージャーと密接に協力します。この段階ではビジネス上の課題を深く理解し、機械学習が解決可能な問題として落とし込みます。場合によっては機械学習を使わない方法も提案します。

▼MLパイプラインの構築・改善

モデル構築と改善に取り組みます。このフェーズでは、プロダクション環境へモデルを組み込むことをゴールとすることが重要になります。効率的なMLパイプラインを構築し、モデルの迅速な実験などの改善を可能にします。プロダクション環境へのリリース後は、広告配信ログなどを元にフィードバックサイクルを実現します。

働く環境
これらの働き方を支えるチーム体制として次のような仕組みがあります。

▼専門性を生かすためのデータサイエンス環境

Snowflakeをベースとしたデータ基盤をデータ基盤チームが開発・運用しています。データ基盤チームは、配信ログなどのデータについてデータ品質を担保してくれます。プロダクトチームのエンジニアはdbtを使用して簡単に分析・学習用のデータを抽出する環境が整っています。データ基盤チームはデータサイエンス人材がその専門性を最大限に活かすサポートをします。

データ基盤については、以下に詳しくまとめているので、興味あれば御覧ください。

必須スキル

統計モデリングや機械学習を用いて、仮説構築・モデル構築・効果検証までの一連の実務経験を2年以上
時系列データに対する課題解決の経験
デジタル広告、モニタリングの異常検知など

▼歓迎スキル

プロダクト開発に携わった経験
ソフトウェアエンジニアと協力してMLOpsに携わってきた経験
レコメンドエンジンなど低レイテンシーのサービス開発に関わった経験
データサイエンティスト/機械学習エンジニアをリード/マネジメントした経験