お任せしたいこと
［役割］
AIエンジニア/MLOpsエンジニアとして、全国展開する飲食チェーン向けの「AI需要予測・自動発注システム」における、機械学習モデルのプロダクション環境へのデプロイおよびパイプライン構築を担当していただきます。
［役割に対して求める成果］
データサイエンティストが作成した学習モデル（LightGBMや時系列モデル等）を、日々安定して推論・実行できるスケーラブルな推論API基盤（FastAPI/Kubernetes）および再学習の自動化フロー（MLflow）を完成させること。

具体的な業務内容
Python（FastAPI）を用いた、機械学習モデルを組み込んだ高速な推論APIの設計および実装
MLflow や Kubeflow を用いた、実験管理、モデルリポジトリの運用、および機械学習ライフサイクルの自動化
Apache Airflow または Prefect を用いた、データ前処理から推論、結果格納までの一連のETL/MLパイプラインの構築
NVIDIA Triton Inference Serverなどを活用した、推論サーバーのパフォーマンス最適化とリソース管理
Docker / Kubernetes環境へのAIモデルのコンテナデプロイ、およびクラウド（GCP / BigQuery）連携の最適化
データドリフトやモデルの精度低下を検知するための、本番環境におけるモニタリングシステムの構築

必須スキル・経験
Pythonを用いたWeb APIまたは機械学習周辺システムの開発実務経験3年以上
FastAPI、Djangoなどのフレームワークを用いた、商用環境でのAPI開発・運用経験
Dockerを用いたコンテナ化、およびKubernetes（GKE / EKS等）環境でのアプリケーション運用経験
SQLを用いた大規模データベース（BigQuery、Snowflake、PostgreSQL等）からのデータ抽出・加工スキル
機械学習モデル（特にLightGBM、XGBoost、時系列解析等）を商用プロダクトへ組み込んだ経験

歓迎スキル・経験
MLOpsツール（MLflow, Kubeflow, Vertex AI等）を用いたパイプラインの構築・運用経験
Apache Airflow, dbtなどを用いた、データエンジニアリング（データパイプライン）の構築経験
NVIDIA Triton Inference ServerやBentoML等を用いた、推論サーバーの最適化実務経験
データサイエンティストと連携し、研究コード（Jupyter）を本番用クリーンコードへリファクタリングした経験
Git / GitHub Actionsを用いた、MLモデルおよびコードのCI/CD自動化構築経験

開発環境
言語・FW：Python 3.11+, FastAPI, LightGBM, scikit-learn
インフラ・データ：GCP (GKE, BigQuery, Cloud Storage)
MLOps・CI：MLflow, Apache Airflow, Docker, GitHub Actions
管理ツール：GitHub, Slack, Jira, Weights & Biases

開発チームについて
データサイエンティスト2名、MLOps/バックエンドエンジニア3名、PdM1名の計6名のチームです。
「モデルを作って満足するのではなく、いかに店舗の廃棄ロスを減らすか」というビジネス成果を重視しており、技術とドメインが融合した非常にエキサイティングな現場です。

求める人物像
機械学習の理論（数学的背景）を理解しつつ、ソフトウェアエンジニアリングとしてのコード品質を追求できる方
領域横断的なコミュニケーション（データサイエンティストとWebエンジニアの間）を円滑に仲介できる方

仕事の魅力
今最もホットな「MLOps」の領域を、GCP（GKE/BigQuery）の最新機能やOSSを駆使して実践できる環境です。
自分の開発したAIパイプラインが、食品ロス削減という社会的意義の大きな課題を直接解決する手応えを感じられます。

働き方
リモート環境
[フルリモート] フルリモートで働いていただけます。