人材育成コンサル会社でのEdTech新規事業　シニア機械学習エンジニアの求人

データ専門性の高い人材を集めたデータサイエンスチームを立ち上げ、現在急ピッチで体制強化を進めています。
尚チーム内でのRole(=役割分担)は下記のようにしています。
　・データサイエンティスト：データによる新しい価値創造をゴールとするデータ分析やモデル開発を担う。
　・機械学習エンジニア：サービス実装をゴールとした機械学習のモデル開発を担う。
　・データエンジニア：データ活用の要となるデータ基盤開発と運用を担う。
　・PM：データ活用PJTのプロジェクトマネジメント。実装以外の全てを担いデータ専門人材が各自の開発に集中出来る状況を担保する。

このうち、機械学習領域のコアメンバーとなるシニア機械学習エンジニアを募集します。

▼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 (PM同席のもと)
・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)
・モデルの定量評価
・モデルの定性評価
・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 ※ PMが担当する事も可能
・効果検証のために追加取得すべきデータ要件の設計 (主にログ設計)
・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 ※ PMが担当する事も可能
・サービス開発チームとの責任分界点の確定 ※ PMが担当する事も可能
・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

▼ポジションの魅力
・動画サービスのようなオンラインデータだけでなく、集合研修などのオフラインデータを扱うチャンスがある。
・データ基盤やML開発環境やデータ整備が進んでいるので、参画後すぐに機械学習モデル開発に取り組める土台がある。
・チームの立ち上げ期なので、大きな裁量を持ちコアメンバーとして活躍するチャンスがある。
・経営層のデータ活用への温度感が高いので、強いバックアップのもと機械学習モデル開発に取り組む事が出来る。
・教育領域の課題解決がメインとなるので、社会的意義の大きいテーマに取り組める。

▼開発環境
・インフラ：GCP（データ解析基盤）/ AWS（ユーザー向けサービス）
・分析基盤：BigQuery / Data Portal / Tableau
・監視：Stackdriver Logging / Stackdriver Monitoring / Stackdriver Trace
・データ基盤：GAE / GCS / Datastore / Pub Sub / Dataflow
・その他：GitHub / Slack / Qiita:Team

●必須条件
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の構文を一通り知っていて、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。
　・プログラミング能力：ライブラリを利用したモデル開発に加え、ライブラリを利用しない形でも機械学習や統計モデル構築が出来る (論文内の機械学習手法など)
　・統計：統計検定2級レベルの知識を有しており、実務で正しく利用する事が出来る。
　・機械学習：はじめてのパターン認識に相当する機械学習の知識。
　・自然言語処理：TF-IDFやcos類似度などの基本アルゴリズムを使い、単語ベクトルの作成や文書群の類似度計算を行う事が出来る。
　・Deep Learnikng：GoodfellowのDeepLearning本レベルの知識を持つ。
　・モデル開発の実務経験：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：機械学習をシステム導入する際のアーキテクチャ検討が出来る。機械学習をシステム稼働後に発生するシステム運用課題を洗い出す事が出来る。
　・アプリケーション開発：機械学習モデルのデモを目的とした簡易アプリケーションの開発(Flaskなどを利用)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事が出来る。
　・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設計が出来る

●歓迎条件
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。

[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。