データエンジニアの転職求人

362 件

ML基盤の設計・構築・運用を一気通貫でリードするポジションです。

業務概要:
レコメンデーション基盤では、現在19本のVertex AI Pipelineが本番稼働しています。Two-Towerモデル・日本語Sentence-BERT・FAISSを組み合わせた推論基盤が、毎日数百万件の顧客行動データをリアルタイムで処理し、「AI Feed」として提供するレコメンドがアプリ内購入の65.8%を占めるまでに成長しました。
しかし、この基盤を専任で設計・運用できるMLOpsエンジニアが存在しません。現在はDS・バックエンドエンジニアが兼務でパイプラインを維持している状態で、OOMエラーの解消・オートスケーリング設計・CI/CD for MLの整備など、本来MLOpsエンジニアが担うべき課題が積み上がっています。
今後は商品レコメンドにとどまらず、UGC（口コミ投稿）のパーソナライズ、広告配信の最適化、ダイナミックプライシングへとML活用領域を拡張していく計画です。それを支える基盤の設計から担当いただきます。

プロダクトの特徴:
発見型ソーシャルECアプリでのポジションです。従来の「ほしいものを検索して買う」検索型ECとは真逆で、「なんとなく眺めているなかで、ほしいものを発見して買う」という体験を提供するECを指します。セール商品との偶然の出会いや、レビュー・クエストなどの参加型機能を通じて、買い物が「単なる購入」を超えて感情を動かす体験になる場をつくっています。
累計ダウンロード数を突破し、ユーザーは全国にまんべんなく広がっております。特徴的なのは、これまでECをほとんど使ったことがない40 50代の女性に多く利用いただいている点です。作物育成ゲームや投稿機能など、日常的に楽しめる要素が豊富にあることが強みとなっており、高い頻度で利用いただいているユーザーが多く、これまでのECユーザーとはまったく異なる行動が生まれています。

プロダクトの目指す世界:
「日常に楽しさを」をミッションに、「新しい生活圏のカタチ」をつくる企業でのポジションです。検索と最適化に寄りがちなECでのお買い物体験に、発見や偶然、ほどよいにぎわいといった人間らしい豊かさを取り戻すことが狙いです。ふらっと立ち寄れば気になるものが見つかり、知人の姿に安心し、つい滞在したくなる。駅前や商店街のように、人が自然と集まり生活のリズムに溶け込む拠点を、ソーシャルとエンタメとコマースの掛け算で形にします。情報収集も遊びも買い物も同じ動線の中でゆるやかにつながり、作業となってしまっていたお買い物はいつしか楽しみへと変わります。
事業転換以降、大きな成長を達成しています。変化を力に変えてきた企業は、人数に依存しない運営モデルで常識を更新し続けます。目指す姿は、多くの人々に楽しみが巡る生活インフラです。小売の主役となるべき生活圏を切り拓きます。

具体的な業務:
- MLパイプライン（Vertex AI Pipelines）の設計・最適化・安定化
- モデルサービングのアーキテクチャ設計（Cloud Run, Vertex AI Endpoint等）
- 実験管理基盤の構築・効率化（Vertex AI Experiments）
- データパイプラインの構築・運用（BigQuery, Dataform, Cloud Scheduler）
- CI/CD for MLの設計・実装（モデルのバリデーション→ステージング→本番のライフサイクル管理）
- MLシステムのモニタリング・ドリフト検知・再学習の仕組み構築
- インフラコスト管理と最適化（GPU/マシンリソースの効率化）
今後MLチームを拡大していく予定があり、採用や育成にも関わっていただけることを期待しますが、まずは上記のような基盤構築に専念いただきます。

具体的な技術課題とプロジェクト例:
- MLパイプラインの安定化と最適化: 19本のVertex AI Pipelineが本番稼働中。OOMエラーの解消、オートスケーリング設計、GPU対応によるパイプライン実行時間の短縮
- モデルサービング基盤の強化: Cloud Run上のFastAPIサービスでTwo-Towerモデルを本番運用中。リアルタイム推論のレイテンシ改善、スケーラビリティの向上（現在120 RPS）
- データパイプラインの再設計: Dataformによるデータ変換（Raw→Cleansed→Warehouse→Mart）の拡張。Spanner Federated Queryの活用、GA4ストリーミングデータとの連携強化
- CI/CD for MLの整備: モデルのバージョニング、自動バリデーション、ステージング環境でのスモークテスト。コードのCI（lint, test）とモデルのCI（学習→評価メトリクスのしきい値チェック）の分離
- BytePlus依存からの段階的内製化: 複数のMLエンジンを並走させる基盤設計。内製レコメンドモデルとBytePlusの共存・切り替え機構

仕事の魅力:
- 設計者として、0からアーキテクチャを決められる: 「誰かが作った基盤を引き継ぐ」ではありません。19本のパイプラインが稼働している現状から、次世代のMLOps基盤をどう設計するか その意思決定を、担当者が担います。CI/CD for ML・Feature Store・モニタリング基盤まで、「正解のない設計判断」を繰り返せる環境です。
- ECとゲームが交差する、唯一無二のデータ: ゲーム機能を持つECアプリとして、お客様は月平均20日以上・1日38分アプリを使います。購買データだけでなく、ゲーム内行動・投稿・閲覧・タイムスタンプが複合した固有のシグナルは、他のECでは得られないデータです。このデータを基盤として扱えるのは、この企業ならではです。
- 本番で動くMLが、事業数値を直接動かす: レコメンドAI導入でKPI100 200%改善という実績があります。基盤を安定させ、DSが新モデルを早くデプロイできるようになれば、その改善速度が事業成長に直結します。「インフラを整えた結果、事業が伸びた」という手触りが得られる環境です。
- 外部のAI技術開発部との共同開発体制: 外部のAI技術開発部からML領域のアドバイザリーを受けながら開発を進めています。業界水準の高い技術観点を取り込みながら、自社プロダクトに実装するという、スタートアップでは稀な学習環境があります。
- AI Nativeな開発で、生産性の上限を更新し続ける: コードの80 90%をAIが生成し、PRの80%をAIレビューのみでDeployする開発スタイルを全社で実践しています。「MLOpsエンジニアがAIを使い倒したら何ができるか」を最前線で実験できます。