株式会社Kaizen Tech Agent

株式会社Kaizen Tech Agent

株式会社Kaizen Tech Agentは、「人と技術をつなぐ」ことを企業理念に掲げ、日々向上していく『技術』と『人』を最適な形でむつび付け提供することで、
お客様にとって真にプラスとなる価値でありたいと考えております。
私たちはそれぞれの個性を尊重し、ほっとする和みの社風でありながら、変化する時代に対して受け身にならず、未来への挑戦心を宿しています。
事業領域は、WEBアプリ開発、業務システム開発、スマホアプリ開発、インフラ構築など幅広く展開しており、
フリーランス様に対して最適な案件をご提案させて頂いております。どんな些細な事でも結構ですので是非いつでもお気軽にご相談ください。

案件一覧

( 2,648 件中 181 - 190 件を表示)
エンジニアフルリモート
【フルリモート／週5／Python】最先端のAIモデルを最速で社会実装する次世代MLOps・機械学習基盤エンジニア

【フルリモート／週5／Python】最先端のAIモデルを最速で社会実装する次世代MLOps・機械学習基盤エンジニア

【フルリモート／週5／Python】最先端のAIモデルを最速で社会実装する次世代MLOps・機械学習基盤エンジニア お任せしたいこと ［役割］MLOpsエンジニア・バックエンドエンジニアとして、データサイエンティストが開発した最先端の機械学習モデル（画像認識、自然言語処理、推薦システム等）を、大規模トラフィックが流れる商用プロダクトへ安定的かつ高速にデプロイ・運用するための次世代MLOps基盤の設計および開発をお任せします。 ［役割に対して求める成果］「AIモデルの精度は高いが、本番環境で動かすと遅い・落ちる」という機械学習プロジェクト特有の死の谷（PoC死）をエンジニアリングの力で乗り越え、Pythonとコンテナ技術を駆使して、推論APIの極限のパフォーマンス最適化と、モデルの自動再学習・デプロイメント（CT/CD）パイプラインを堅牢に構築すること。 具体的な業務内容 ・Python（Python 3.11以降）およびFastAPI、BentoML等を用いた、フロントエンドやバックエンドシステムから呼び出される超低遅延・高スループットな機械学習推論API（REST / gRPC）の設計・実装 ・ONNX Runtime、TensorRT、Triton Inference Server等を利用した、GPU/CPUリソースの極限の最適化およびディープラーニングモデルの推論高速化 ・MLflow、Kubeflow、Vertex AI等を利用した、データの前処理からモデル学習、評価、モデルレジストリ管理に至る一連の機械学習パイプライン（DAG）の構築・自動化 ・本番環境におけるデータの傾向変化（データドリフト）やモデルの精度低下（コンセプトドリフト）をリアルタイムに検知する、高度なモニタリング基盤の設計・運用 ・Docker/Kubernetes環境（AWS EKS等）での負荷に応じた推論APIのオートスケール設計、およびカナリアリリース・A/Bテスト環境の構築 ・GitHub ActionsやArgo CDを利用した、機械学習モデルの継続的インテグレーション・継続的デリバリー（CI/CD）パイプラインの運用 必須スキル・経験 ・Pythonを用いたWebアプリケーション（API）またはデータ処理バックエンドの開発・運用経験（3年以上） ・機械学習モデル（Scikit-Learn, PyTorch, TensorFlow等）をAPIとして本番環境にデプロイ・運用した経験 ・Docker、Kubernetesなどのコンテナ技術に関する基礎知識および実務での利用経験 ・Git/GitHubを用いたチーム開発およびPull Requestベースのコードレビュー経験 歓迎スキル・経験 ・MLOps関連ツール（MLflow, Kubeflow, DVC, Argo Workflows等）の導入・運用経験 ・推論の高速化技術（ONNX, TensorRT, 量子化, 蒸留など）に関する深い知識および実装経験 ・大規模なトラフィック（秒間数千リクエスト以上）を捌くバックエンドシステムのパフォーマンスチューニング経験 ・AWSまたはGCP環境におけるクラウドネイティブなアーキテクチャ設計・運用経験 ・Terraform等のIaC（Infrastructure as Code）ツールを用いたインフラ自動化の経験 ・データサイエンティストやAIリサーチャーと密に協業し、数理モデルの要件をソフトウェア設計に落とし込んだ経験 開発環境 言語・フレームワーク：Python 3.11+, FastAPI, BentoML, PyTorch, ONNX MLOps・データ基盤：MLflow, Kubeflow (または Vertex AI / SageMaker), DVC, Apache Airflow インフラ・ミドルウェア：AWS (EKS, EC2 GPUインスタンス, S3) または GCP, Docker, Kubernetes, NVIDIA Triton CI/CD・監視：GitHub Actions, Argo CD, Datadog, Prometheus, Grafana, Slack 開発チームについて プロダクトマネージャー1名、テックリード1名、MLOpsエンジニア5名（今回募集枠含む）、データサイエンティスト・AIエンジニア6名、SRE3名の体制です。「研究室のノートブック（Jupyter）で動くコードを、そのまま本番には出させない」という強いエンジニアリングのプライドを持ち、数理的な専門家（データサイエンティスト）とソフトウェアの専門家（MLOps/バックエンド）が互いにリスペクトし合いながら、AIの真の価値をユーザーに届けるための泥臭い議論を厭わないカルチャーです。 求める人物像 ・「AIモデルを作る」こと以上に、そのモデルを「スケーラブルで安定したソフトウェア・インフラとしてどう動かすか」というアーキテクチャ設計に強い情熱を持てる方 ・データサイエンティストの書いたコードを読み解き、アルゴリズムの意図を壊すことなく、Pythonicで高速・堅牢な本番用コードへリファクタリングする知的な作業を楽しめる方 ・フルリモート環境下において、研究職気質の強いメンバーや他職種とも自発的かつ円滑にテキストや通話でコミュニケーションが取れる方 仕事の魅力 PoC（実証実験）フェーズを終え、いよいよAIを本格的なビジネスインフラとして稼働させるフェーズにおいて、最も重要かつ不足している「MLOps」という領域を牽引できる非常にエキサイティングなポジションです。高度な数理モデルとクラウドネイティブなバックエンド技術の交差点に立ち、GPUチューニングから分散処理システムまでを網羅する経験を積むことで、市場価値が極めて高い「AI時代のトップティア・ソフトウェアエンジニア」としてのキャリアを確固たるものにすることができます。 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。

報酬例

6,800 ～ 7,000円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5】Python MLOpsアーキテクト（大規模機械学習パイプラインの完全自動化と推論基盤の極限最適化）

【フルリモート／週5】Python MLOpsアーキテクト（大規模機械学習パイプラインの完全自動化と推論基盤の極限最適化）

【フルリモート／週5】Python MLOpsアーキテクト（大規模機械学習パイプラインの完全自動化と推論基盤の極限最適化） お任せしたいこと 自社で展開する数千万ユーザー規模のレコメンドエンジン、または高度な画像認識・自然言語処理を組み込んだAIプロダクトにおいて、データサイエンティストが開発した機械学習モデルを本番環境で安定かつ高速に稼働させるための「MLOps（Machine Learning Operations）基盤」の設計・構築をお任せします。 「Jupyter Notebookに書かれた属人的なスクリプトを手動で実行する」といった再現性のないAI運用や、「モデルの精度は高いが、推論APIのレスポンスが遅すぎてプロダクトに組み込めない」というビジネスの死活問題を徹底的に排除し、KubernetesやRay、MLflowを駆使した継続的学習（Continuous Training）パイプラインと、GPUリソースを極限まで使い倒す超低遅延な推論基盤を泥臭く牽引していただく中核的なポジションです。 具体的な業務内容 ・Python（FastAPI）、Ray Serve、または NVIDIA Triton Inference Server を活用した、数万QPSのトラフィックを捌き切る高スループットかつ低遅延な機械学習推論APIの設計と実装 ・Kubeflow Pipelines や Apache Airflow、MLflow を利用した、データの抽出・前処理から、モデルの学習・評価・デプロイまでを完全に自動化するMLパイプラインの泥臭い構築 ・ONNX RuntimeやTensorRTを利用したモデルの量子化（Quantization）やグラフ最適化による、推論レイテンシのマイクロ秒単位の削減とGPUコスト（FinOps）の劇的な最適化 ・Feast等のFeature Storeの導入と運用による、オンライン推論（リアルタイム）とオフライン学習（バッチ）間での特徴量（Feature）のズレ（Training-Serving Skew）の徹底的な排除 ・Evidently AI や Datadog を利用した、本番環境でのデータドリフト（入力データの傾向変化）やコンセプトドリフト（モデル精度の劣化）の継続的な監視と、自動再学習トリガーの実装 ・GitHub Actionsと連携した、機械学習モデルのCI/CD/CT（Continuous Training）パイプラインの構築と、シャドーデプロイやA/Bテストによる安全なモデル更新基盤の提供 ・データサイエンティストとバックエンドエンジニアの間に立ち、Pythonの強力な型ヒント（Type Hints）やPydanticを用いた、堅牢で保守性の高い本番用コードへの泥臭いリファクタリング ・Docker / Kubernetes（EKS, GKE）環境における、GPUノードのオートスケーリング設定およびPodのメモリ/CPUリソースの極限のチューニング 必須スキル・経験 ・Pythonを用いたWebバックエンドAPI、またはデータ処理基盤の開発実務経験（目安として3年以上） ・DockerおよびKubernetesを利用したコンテナベースの本番インフラ環境での開発・運用経験 ・機械学習の基礎的なライフサイクル（学習、評価、推論）と、PyTorchやTensorFlow等のフレームワークに関する基礎知識 ・FastAPI等の非同期Webフレームワークを用いた、パフォーマンスを意識したAPI開発経験 ・Git / GitHubを用いたプルリクエストベースでのチーム開発、およびCI/CDの構築経験 歓迎スキル・経験 ・MLflow、Kubeflow、Ray等のMLOpsエコシステムを利用したパイプラインの構築経験 ・NVIDIA Triton Inference Server、TensorRT、ONNX等を用いたモデル最適化や推論基盤の構築経験 ・データサイエンティストとしての機械学習モデルの開発経験、またはKaggle等でのコンペティション参加経験 ・Spark、BigQuery等を用いた大規模データエンジニアリングの実務経験 ・SREとしての可観測性（Observability）向上やインフラコスト削減の経験 開発・業務環境 開発言語：Python 3.11+ ML・推論フレームワーク：PyTorch, FastAPI, Ray Serve, ONNX Runtime, Triton MLOpsエコシステム：MLflow, Kubeflow, Apache Airflow, Feast インフラ・コンテナ：AWS (EKS, SageMaker) または GCP (GKE, Vertex AI), NVIDIA GPU 監視・可観測性：Datadog, Prometheus, Evidently AI (または 自社製ドリフト検知) コード品質・自動化：pytest, mypy, Ruff, GitHub Actions コミュニケーション・管理：GitHub, Jira, Slack, Zoom プロジェクトチームについて 「どんなに高精度なモデルも、本番環境でユーザーに価値を届けられなければ単なる研究発表に過ぎない」と確信し、データサイエンスとソフトウェアエンジニアリングの深い溝を技術で埋めるMLOps専門チームへの配属となります。 「私のローカル環境では動いた」という再現性の欠如を極めて嫌い、乱数のシード固定や依存ライブラリの厳格なバージョン管理（Poetry, uv等）を通じて、モデル開発プロセスを完全に決定論的（Deterministic）なソフトウェアのプロセスへと昇華させる手堅いカルチャーです。GPUメモリの枯渇（OOM）で推論APIがクラッシュした際にも、単にインスタンスサイズを上げるのではなく、バッチサイズの調整やメモリリークの特定を泥臭く行い、パズルを解くようにインフラコストとパフォーマンスの最適解を導き出す実直なメンバーが集まっています。 求める人物像 ・「AIモデルを作る」こと以上に、そのモデルを「決して止まらない、スケーラブルなシステム」として社会にデプロイすることにエンジニアとしての強い美学を持てる方 ・データサイエンティストが書いたスパゲッティコード（プロトタイプ）に対して文句を言うのではなく、敬意を持ちながら安全で高速なプロダクションコードへと書き換える過程を楽しめる方 ・日々新しいツールが登場するMLOpsカオスの現状を嘆くのではなく、自社の課題解決に本当に必要な技術を冷静に選定し、前向きに検証とハックを楽しめる知的好奇心を持った方 仕事の魅力 AIの実用化フェーズに突入した現代において、「モデルを作れる人材」以上に「モデルを本番運用できる人材（MLOpsエンジニア）」の枯渇は世界的な課題となっています。複雑な機械学習の数学的要件と、高トラフィックを捌くインフラアーキテクチャの両方のパズルを解き明かす泥臭い経験を通じて、単なる「Pythonバックエンドエンジニア」や「データサイエンティスト」を完全に凌駕し、AI時代にすべてのメガベンチャーから最も高額な条件でオファーが殺到する「Python MLOpsアーキテクト」としての圧倒的な市場価値を築くことができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

4,600 ～ 5,100円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5】Python MLOpsエンジニア（機械学習基盤構築・モデル運用自動化）

【フルリモート／週5】Python MLOpsエンジニア（機械学習基盤構築・モデル運用自動化）

【フルリモート／週5】Python MLOpsエンジニア（機械学習基盤構築・モデル運用自動化） お任せしたいこと 自社サービスにおいて、データサイエンティストが開発した機械学習モデルを本番環境へ安全かつスピーディーにデプロイし、安定稼働させるための機械学習基盤（MLOps）の設計・構築をお任せします。 「精度の高いAIモデルを作って終わり」ではなく、モデルの劣化（データドリフト）を検知する仕組み作りや、再学習パイプラインの自動化、そして推論APIのレイテンシ削減など、AIを「一過性の実験」から「持続可能なソフトウェアシステム」へと昇華させるための泥臭いエンジニアリングにチームで取り組んでいただきます。 具体的な業務内容 ・Pythonを用いた、機械学習モデルの推論API（FastAPI等）の設計・開発および高速化 ・MLflow、Kubeflow等を利用した、機械学習モデルの実験管理・バージョン管理手法の標準化 ・GitHub ActionsやCircleCI等を利用した、モデルの学習・評価・デプロイを自動化するCI/CD（CT: Continuous Training）パイプラインの構築 ・AWS（SageMaker, EKS等）やGCP（Vertex AI, GKE等）上での、スケーラブルな機械学習インフラの設計・運用 ・本番環境における推論レイテンシの監視、およびデータドリフト・コンセプトドリフトの継続的なモニタリングとアラート設定 ・データサイエンティスト（研究開発チーム）が作成したJupyter Notebook上の実験コードの、本番運用に向けたリファクタリング（モジュール化、テスト追加） ・特徴量ストア（Feature Store）の設計、およびデータパイプライン（Apache Airflow等）との統合 必須スキル・経験 ・Pythonを用いたシステム開発、またはバックエンドAPIの開発実務経験（目安として3年以上） ・機械学習モデルをWeb API等として本番環境にデプロイし、運用した実務経験 ・Docker等のコンテナ技術を用いた開発、およびパブリッククラウド（AWS, GCP等）の基礎知識 ・Git / GitHubを用いた構成管理・チーム開発経験 歓迎スキル・経験 ・MLOpsの実践、または機械学習基盤の立ち上げ・運用経験 ・MLflow、Kubeflow、BentoMLなどのMLOpsエコシステムの利用経験 ・Terraform等を用いたインフラ構成のコード化（IaC）経験 ・Kubernetesを用いたコンテナオーケストレーション基盤の運用経験 ・基本的な機械学習アルゴリズムや、データサイエンスに関する基礎知識 開発・業務環境 開発言語：Python 3.x フレームワーク：FastAPI MLOpsツール：MLflow (または Kubeflow, DVC等) インフラ・コンテナ：AWS (SageMaker, EKS等) または GCP (Vertex AI, GKE等), Docker, Kubernetes ワークフロー管理：Apache Airflow テスト・CI/CD：pytest, GitHub Actions コミュニケーション・管理：GitHub, Jira, Backlog, Slack, Zoom プロジェクトチームについて MLOps基盤（AIプラットフォーム）チームへの配属となります。 「最新のアルゴリズムを追及する」ことよりも、「いかに属人性を排除し、誰でもボタン一つで安全にモデルをデプロイできるか」という『再現性』と『自動化』に最も価値を置く手堅いカルチャーです。データサイエンティストが書いた保守性の低いコードに対しても、文句を言うのではなく「どうすればシステムとして壊れにくい形にリファクタリングできるか」をソフトウェアエンジニアの視点から前向きに伴走し、地道な改善を重ねています。 求める人物像 ・華やかなAIモデルの開発そのものよりも、それを裏側で支える「自動化の仕組み（パイプライン）作り」にやりがいを感じる方 ・「データサイエンティスト」と「バックエンドエンジニア」という異なる言語を話す職種の間に立ち、円滑にコミュニケーションを取れる（翻訳者になれる）方 ・モデルの精度低下や推論エラーが起きた際に、場当たり的な再起動で済ますのではなく、監視体制やテストコードから根本的に改善しようとする姿勢のある方 仕事の魅力 AIの社会実装が進む中、モデルを作る人材以上に枯渇している「モデルを本番で動かし続ける人材（MLOpsエンジニア）」として最前線に立つことができます。インフラ構築からバックエンド開発、データエンジニアリングまでの幅広い領域を横断しながら、非決定的なAIシステムを安定稼働させるための高度な実践的スキルを着実に磨くことができ、どこに行っても極めて重宝される市場価値の高いキャリアを築くことができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

4,600 ～ 5,200円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5／Python】最先端AI（RAG）を活用した次世代ナレッジ共有プラットフォームのバックエンド開発

【フルリモート／週5／Python】最先端AI（RAG）を活用した次世代ナレッジ共有プラットフォームのバックエンド開発

案件名 最先端AI（RAG）を活用した次世代ナレッジ共有プラットフォームのバックエンド開発 お任せしたいこと ［役割］ 大規模言語モデル（LLM）と社内データを連携させるRAGエンジニアとして、バックエンド基盤の設計・実装を主導していただきます。 ［役割に対して求める成果］ ベクトルデータベースの最適化やプロンプトエンジニアリングを通じて、AIの回答精度および応答速度を劇的に向上させること。 具体的な業務内容 Pythonを用いたLLM（OpenAI/Anthropic等）のAPI連携機能の実装 LangChainやLlamaIndexを活用した高度なRAGパイプラインの構築と検証 QdrantやPinecone等のベクトルデータベースを用いたセマンティック検索の実装 データのチャンク分割アルゴリズムの選定および検索精度の継続的なチューニング AIエージェント機能の実装に向けたバックエンドロジックの設計と開発 フロントエンドエンジニアやデータサイエンティストと連携したAPI仕様の策定 必須スキル・経験 Pythonを用いたWebアプリケーションまたはAPIの商用開発経験3年以上 FastAPIやDjango等のモダンなWebフレームワークを利用した実務経験 OpenAI等のLLM APIを活用したプロダクトの開発または運用経験 GitHubを用いたチーム開発におけるコードレビューおよびブランチ管理の習熟 RDB（PostgreSQL等）およびNoSQLを利用したデータモデリングの知識 クラウドプラットフォーム（AWS/GCP等）上でのアプリケーション実行環境の理解 歓迎スキル・経験 LangChainやLlamaIndexを用いた実用的なRAGシステムの構築経験 ベクトルデータベースを用いた大規模データのインデックス作成と検索最適化 Docker/Kubernetesを用いたコンテナオーケストレーションの運用経験 CI/CDパイプライン（GitHub Actions等）の構築および自動テストの知見 データ前処理やスクレイピング、自然言語処理に関する深い専門知識 スクラム開発などのアジャイルな環境におけるテックリードとしての経験 開発環境 言語・フレームワーク：Python, FastAPI, LangChain, LlamaIndex インフラ・DB：AWS (ECS/Lambda), PostgreSQL, Qdrant, Redis 管理ツール：GitHub, Slack, Jira, Notion 技術スタック：Poetry, Pytest, Docker, Terraform 開発チームについて 現在はバックエンド3名、フロント2名、AIリサーチ1名の計6名の少数精鋭チームです。 PM、デザイナーと密にコミュニケーションを取りながら、意思決定の早い環境で開発を進めています。 テックリードを中心にモダンな技術選定を積極的に行う、技術志向の強い組織文化が特徴です。 求める人物像 最新のAI技術動向を常にキャッチアップし、実務への適用を自発的に提案できる方 複雑なビジネスロジックを整理し、シンプルでメンテナンス性の高い設計ができる方 不確実性の高いフェーズにおいて、検証と改善を高速に回すことに喜びを感じる方 チーム全体の技術力向上に貢献する意欲があり、知見の共有を惜しまない方 仕事の魅力 RAGという生成AI界隈で最も熱い領域に、プロダクトの根幹から携わることができます。 フルリモート環境ながらも、技術的な議論が活発で行き詰まった際のフォロー体制も万全です。 最先端のLLM技術を商用レベルで使い倒し、ユーザーの課題解決に直結する開発が経験できます。 技術選定の裁量が大きく、エンジニアとしての市場価値を飛躍的に高めることが可能です。 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。

報酬例

5,000 ～ 5,600円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5／機械学習】ビジネス課題をAIで解決し社会実装をリードする機械学習エンジニア（MLOps推進）

【フルリモート／週5／機械学習】ビジネス課題をAIで解決し社会実装をリードする機械学習エンジニア（MLOps推進）

【フルリモート／週5／機械学習】ビジネス課題をAIで解決し社会実装をリードする機械学習エンジニア（MLOps推進） お任せしたいこと ［役割］機械学習エンジニアとして、当社のコアプロダクト（レコメンドエンジン、需要予測、ダイナミックプライシング等）に組み込まれる機械学習モデルの設計・開発から、本番環境へのデプロイ、および継続的な精度改善（MLOps）までを一貫してお任せします。 ［役割に対して求める成果］実証実験（PoC）で終わらせるのではなく、数千万人のユーザートラフィックや膨大なトランザクションデータに耐えうるスケーラブルな推論APIを構築し、機械学習モデルの予測精度をビジネス上のKGI/KPI（売上向上、コスト削減等）の達成へとダイレクトに繋げること。 具体的な業務内容 ・Python（PyTorch, TensorFlow, LightGBM等）を用いた、ビジネス課題を解決するための機械学習アルゴリズム（回帰、分類、クラスタリング、推薦等）の選定・学習・評価 ・PandasやPySpark、SQLを用いた、ペタバイト級のログデータからのデータ抽出、前処理、および特徴量エンジニアリング（Feature Engineering） ・AWS SageMakerやGCP Vertex AIを活用した、モデルの学習から推論エンドポイントのデプロイまでの機械学習パイプラインの構築 ・Python（FastAPI等）を用いた、バックエンドシステムやフロントエンドと連携するための高パフォーマンスな推論APIの詳細設計・実装 ・MLflowやKubeflow等のツールを利用した、モデルのバージョン管理、実験管理、および継続的トレーニング（CT）基盤の構築 ・本番環境におけるモデルの精度監視（データドリフト・コンセプトドリフトの検知）と、A/Bテスト等の統計的アプローチによる効果測定 必須スキル・経験 ・Pythonを用いた機械学習モデルの構築、および本番環境へのデプロイ（実運用）経験（3年以上） ・基礎的な機械学習アルゴリズム（ランダムフォレスト、勾配ブースティング、ニューラルネットワーク等）および統計学の深い理解 ・RDBMSを用いた大規模なデータ抽出、およびSQLを用いた複雑なデータ集計・加工の実務経験 ・Git/GitHubを用いたチーム開発およびPull Requestベースのコードレビュー経験 歓迎スキル・経験 ・MLOps（機械学習の継続的インテグレーション・デリバリー・学習）基盤の設計・構築経験 ・Docker、Kubernetes等を用いたコンテナ環境でのAPI開発・運用経験 ・AWS、GCP等のパブリッククラウドにおけるインフラ構築・運用経験 ・Apache Airflow等のワークフローエンジンを用いたデータパイプラインの構築経験 ・Kaggle等のデータ分析コンペティションでの実績、または関連する論文の執筆・登壇経験 開発環境 言語・フレームワーク：Python 3.1x, PyTorch, scikit-learn, LightGBM, FastAPI インフラ・データ基盤：AWS (SageMaker, EKS, S3) または GCP (Vertex AI, BigQuery), Docker, Kubernetes MLOps・ツール：MLflow, Apache Airflow, GitHub, GitHub Actions, Datadog, JupyterLab, Jira, Slack 開発チームについて プロダクトマネージャー1名、データサイエンティスト2名、機械学習エンジニア5名（今回募集枠含む）、データエンジニア3名、バックエンドエンジニア多数の体制です。「モデルの精度」だけを追求するのではなく、「その精度がビジネスにどう貢献するか」を最重視しており、ビジネスサイド（マーケティングやセールス）とも密に連携しながら、アジャイルに仮説検証を繰り返すエンジニアリング文化です。 求める人物像 ・「最新のアルゴリズムを使うこと」自体を目的とせず、目の前のビジネス課題に対して最も費用対効果が高くシンプルな解決策を選択できる方 ・PoC（概念実証）の成功で満足せず、モデルをシステムに組み込み、安定稼働させる泥臭いエンジニアリング（MLOps）にやりがいを感じる方 ・フルリモート環境下において、データエンジニアやPdMなど他職種とも自発的かつ円滑にテキストや通話でコミュニケーションが取れる方 仕事の魅力 蓄積された膨大なビッグデータを活用し、自らが構築したAIモデルが実際のプロダクトを通じて数千万人のユーザー体験を変える、非常にインパクトの大きなポジションです。アルゴリズムの探求にとどまらず、推論APIの最適化やMLOps基盤の構築といったソフトウェアエンジニアリングの高度なスキルも同時に磨くことができるため、市場価値の極めて高い「フルスタックな機械学習エンジニア」へのキャリアアップが可能です。 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。

報酬例

5,900 ～ 6,700円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5】Python 検索アルゴリズム・アーキテクト（大規模検索基盤のモダナイゼーションとハイブリッド検索の極限追求）

【フルリモート／週5】Python 検索アルゴリズム・アーキテクト（大規模検索基盤のモダナイゼーションとハイブリッド検索の極限追求）

【フルリモート／週5】Python 検索アルゴリズム・アーキテクト（大規模検索基盤のモダナイゼーションとハイブリッド検索の極限追求） お任せしたいこと 自社で展開する数千万アイテムを抱える大規模ECプラットフォーム、または膨大なドキュメントを扱う巨大メディアにおいて、ユーザーが「本当に欲しい情報」に瞬時に辿り着ける検索体験（Search UX）を根底から作り直すアーキテクトをお任せします。 「とりあえずElasticsearchにデータを流し込んだだけのキーワード検索」が引き起こす「0件ヒット（表記ゆれ）」や「ノイズだらけの検索結果」といったビジネスの機会損失を徹底的に排除し、自然言語処理（NLP）を用いた高度な形態素解析パイプラインの構築や、BM25とベクトル検索（Semantic Search）を組み合わせたハイブリッド検索を泥臭く実装することで、プロダクトのコンバージョン率を極限まで引き上げる中核的なポジションです。 具体的な業務内容 ・Python（FastAPI等）と Elasticsearch / OpenSearch を活用した、数万QPSの高トラフィックに耐えうるスケーラブルな検索APIの設計・開発 ・MeCab、SudachiPy等の形態素解析器とカスタム辞書を用いた、同義語（Synonym）展開、表記ゆれ吸収、および未知語対応の泥臭いチューニング ・Transformerモデル（Hugging Face等）を用いたテキストの埋め込み（Embedding）と、QdrantやMilvus等のベクトルデータベースを活用したセマンティック検索基盤の構築 ・キーワード検索（スパース）とベクトル検索（デンス）のスコアを最適にブレンドするハイブリッド検索の実装と、Reciprocal Rank Fusion (RRF) 等を用いたランキングアルゴリズムの最適化 ・XGBoostやLightGBMを活用し、ユーザーの行動ログ（クリック、購買履歴）に基づく機械学習ランキングアルゴリズム（Learning to Rank: LTR）の構築 ・検索精度を定量的に評価するための指標（NDCG, MAP, MRR等）の定義と、A/Bテストを通じた継続的なアルゴリズム改善の泥臭いサイクル回し ・インデックス更新のリアルタイム性を担保する、Apache Kafka等のストリーミングデータパイプラインと非同期バッチ処理の設計 ・検索クエリの遅延（レイテンシ）を数ミリ秒単位で削るための、Elasticsearchのシャード設計、キャッシュ戦略、およびJVMのプロファイリングとチューニング 必須スキル・経験 ・Pythonを用いたバックエンド開発、またはデータ処理パイプラインの構築実務経験（目安として3年以上） ・Elasticsearch、OpenSearch、または Solr 等を用いた検索システムの本番環境での構築・運用・チューニング経験 ・自然言語処理（NLP）の基礎知識、および形態素解析ツールを用いたテキスト前処理の経験 ・検索ランキングや情報検索（Information Retrieval）に関する基礎的な知識とアルゴリズムへの理解 ・Git / GitHubを用いたプルリクエストベースでのチーム開発、およびコードレビュー経験 歓迎スキル・経験 ・Learning to Rank（LTR）を用いた検索ランキングの最適化経験 ・ベクトルデータベースを用いたRAG、またはセマンティック検索の実装経験 ・大規模トラフィックを捌く分散システムのアーキテクチャ設計経験 ・ユーザー行動ログを用いた機械学習モデルの開発、およびA/Bテストの実務経験 ・Pythonの非同期処理（asyncio）や型ヒント（Type Hints）を用いた堅牢なシステム開発経験 開発・業務環境 開発言語：Python 3.11+ 検索エンジン：Elasticsearch (または OpenSearch) NLP・MLフレームワーク：SudachiPy, Hugging Face Transformers, LightGBM, XGBoost ベクトルDB：Qdrant, Milvus (または Elasticsearch/OpenSearchのk-NN機能) Webフレームワーク：FastAPI データパイプライン：Apache Kafka, Apache Airflow インフラ・環境：AWS または GCP, Docker, Kubernetes コミュニケーション・管理：GitHub, Jira, Slack, Zoom プロジェクトチームについて 「検索は単なる一機能ではなく、プロダクトの売上を直接的に左右する心臓部である」と認識し、泥臭い辞書メンテナンスから最新のベクトル検索まで手段を選ばず精度向上に執念を燃やすコア検索チームへの配属となります。 「ユーザーの検索意図」という正解のないパズルに直面した際にも、経験や勘に頼る（属人的なヒューリスティック・ルールを書き連ねる）ことを極めて嫌い、A/Bテストの結果とNDCGのスコアを直視し、仮説検証を論理的かつ科学的に回す手堅いカルチャーです。検索インデックスが肥大化してレイテンシが跳ね上がった際にも、安易にノードをスケールアウトするのではなく、不要なフィールドの排除やマッピング設計まで泥臭く見直す実直なメンバーが集まっています。 求める人物像 ・「検索エンジンにデータを投げるだけのインフラ屋」ではなく、自然言語の曖昧さと向き合い、ユーザーが意図した情報にたどり着くまでの導線を技術で美しく設計することに知的好奇心を持てる方 ・辞書の登録やシノニムの定義といった地道で泥臭い作業を軽視せず、それらがアルゴリズム全体に与える絶大なインパクトを理解し、運用をシステム化できる方 ・機械学習（ML）の高度な知識と、バックエンドシステム（インフラ）のレイテンシ要件という相反する制約の中で、ビジネス価値を最大化する現実的なトレードオフ判断ができる方 仕事の魅力 ECサイトや大規模メディアにおいて、「検索体験の質の低さ＝即離脱」を意味する現代において、検索アルゴリズムの改善は数％のコンバージョン率向上（＝数億円の売上増）をダイレクトにもたらします。情報検索の古典的なアプローチ（BM25）と、最新のAI技術（セマンティック検索・LTR）をハイブリッドに融合させる極めて難易度が高く泥臭い経験を通じて、単なる「Pythonバックエンドエンジニア」や「データサイエンティスト」を完全に凌駕し、世界中のテック企業から最も渇望される「検索アルゴリズム・アーキテクト（Search Engineer）」としての圧倒的な市場価値を築くことができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

4,400 ～ 4,900円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5】Python データアーキテクト（ペタバイト級の大規模分散処理基盤とData Meshアーキテクチャの構築）

【フルリモート／週5】Python データアーキテクト（ペタバイト級の大規模分散処理基盤とData Meshアーキテクチャの構築）

【フルリモート／週5】Python データアーキテクト（ペタバイト級の大規模分散処理基盤とData Meshアーキテクチャの構築） お任せしたいこと 自社で展開する大規模プラットフォーム、または膨大なトラフィックを抱えるグローバルサービスにおいて、AI・機械学習やビジネスの意思決定を根底から支える「モダンデータスタック」をPythonエコシステムを中心に設計・構築するデータアーキテクトをお任せします。 「誰が書いたか分からない野良のPandasスクリプト」や「エラーハンドリングのないCronバッチ処理」が引き起こす「サイレントなデータ欠損（Silent Data Corruption）」を徹底的に排除し、PySparkやApache Airflow、dbtを駆使した堅牢で冪等性のあるデータパイプラインの構築と、各ドメインチームが自律的にデータを管理する「Data Mesh（データメッシュ）」アーキテクチャへの移行を泥臭く牽引していただく中核的なポジションです。 具体的な業務内容 ・Pythonおよび Apache Spark（PySpark）を活用した、テラバイト〜ペタバイト級の大規模分散データ処理（ETL/ELT）パイプラインの設計と実装 ・Apache Airflowを利用した、数百〜数千のタスクが複雑に絡み合うDAG（有向非巡回グラフ）の泥臭い依存関係整理と、リトライ・バックフィル機構の実装 ・dbt（data build tool）とJinja/Pythonを組み合わせた、データウェアハウス（SnowflakeやBigQuery）内でのスケーラブルなデータモデリングと変換処理のコード化 ・Great Expectations 等のデータ品質（Data Quality）バリデーションフレームワークをパイプラインに組み込み、異常値やスキーマ変更を本番環境の川下へ流さないための防御的プログラミングの実装 ・Apache KafkaやApache Flink（PyFlink）を活用した、ミリ秒単位の遅延が求められるリアルタイム・ストリーミング処理基盤の設計・構築 ・データエンジニアリングへのソフトウェアエンジニアリング・ベストプラクティス（CI/CD、ユニットテスト、静的解析）の徹底的な導入 ・DatahubやAmundsen等のデータカタログの運用、および全社的なデータガバナンス（アクセスコントロール、PIIのマスキング）の設計と仕組み化 ・DatabricksやSnowflakeのコンピュートリソースに対する、Pythonからの動的プロビジョニングとクエリ実行計画（EXPLAIN）に基づく泥臭いパフォーマンスチューニング 必須スキル・経験 ・Pythonを用いた大規模なデータパイプライン、またはバックエンドシステムの開発実務経験（目安として3年以上） ・PySpark、Hadoop等の分散処理フレームワークを用いた大規模データ処理の経験 ・Apache Airflow、Prefect、Dagster等のワークフローオーケストレーションツールの運用経験 ・高度なSQLの記述能力、およびRDBMSやDWHにおけるパフォーマンスチューニング経験 ・Git / GitHubを用いたチーム開発経験、およびCI/CDの基礎知識 歓迎スキル・経験 ・dbtを用いたデータモデリングの実務経験 ・Snowflake、Databricks、BigQuery等のモダンデータプラットフォームのアーキテクチャ設計経験 ・Great Expectations等を用いたデータ品質管理（Data Observability）の実装経験 ・Apache Kafka、PyFlink等を用いたリアルタイムストリーミング基盤の構築経験 ・Data MeshやData Fabricといった最新のデータアーキテクチャ概念に基づく組織設計・基盤構築の経験 開発・業務環境 開発言語：Python 3.11+, SQL (Jinja) データ処理・変換：PySpark, Pandas, PyArrow, dbt, PyFlink オーケストレーション：Apache Airflow (または Prefect, Dagster) データ品質・ガバナンス：Great Expectations, Datahub データベース・DWH：Snowflake, Databricks, Google BigQuery, PostgreSQL ストリーミング：Apache Kafka インフラ・コンテナ：AWS または GCP, Docker, Kubernetes, Terraform コミュニケーション・管理：GitHub, Jira, Slack, Zoom, Notion プロジェクトチームについて 「データはプロダクトである（Data as a Product）」という強い信念を持ち、機械学習モデルの精度も経営陣の意思決定も、すべてはクリーンなデータ基盤の上になりたつと確信するデータプラットフォームチームへの配属となります。 「分析基盤のダッシュボードの数字が、本番DBの数字と合わない」というデータエンジニアリング最大の恥辱を極めて嫌い、上流のマイクロサービスで発生した突然のスキーマ変更に対しても、下流のパイプラインが強靭に耐えうるデッドレターキュー（DLQ）や型バリデーションを泥臭く設計する手堅いカルチャーです。Airflowのタスクが謎のメモリ溢れ（OOM）で落ちた際にも、単にリソースを増やすのではなく、PySparkのシャッフル処理やパーティションサイズまで泥臭くプロファイリングし、根本からパズルを解き明かす実直なメンバーが集まっています。 求める人物像 ・「単にデータを移動させるバッチスクリプトを書く」のではなく、データパイプライン自体を「テスト可能でバージョン管理されたソフトウェア」として扱うことにエンジニアとしての美学を持てる方 ・属人化して誰も触れなくなった巨大なSQLやPandasのスパゲッティコードの解読から逃げず、dbtやPySparkを用いて美しくモジュール化されたモダンなスタックへとリファクタリングを楽しめる方 ・データサイエンティスト（データの消費者）とバックエンドエンジニア（データの生産者）の両方の言語を理解し、サイロ化しがちな組織の橋渡し役を泥臭く担える方 仕事の魅力 生成AIや機械学習のビジネス活用が当たり前となった現代において、その心臓部である「クリーンなデータ」をリアルタイムかつスケーラブルに供給するパイプラインの価値はかつてなく高まっています。ペタバイト級のデータトラフィックと複雑な依存関係を持つ分散システムを、Pythonエコシステムの最先端ツール群で統制する泥臭い経験を通じて、単なる「スクリプトを書くデータエンジニア」を完全に凌駕し、AI時代においてすべてのテック企業が最も渇望する「シニア データアーキテクト」としての圧倒的な市場価値を築くことができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

4,600 ～ 5,100円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5／Python】マルチモーダルAIを活用した製造業DX向けデータ解析プラットフォーム開発

【フルリモート／週5／Python】マルチモーダルAIを活用した製造業DX向けデータ解析プラットフォーム開発

お任せしたいこと ［役割］ AIエンジニア/バックエンドエンジニアとして、画像・音声・テキストを統合解析するマルチモーダルAIのAPI基盤開発を担当していただきます。 ［役割に対して求める成果］ 大量の非構造化データを高速に処理する推論パイプラインの構築と、信頼性の高いデータ提供基盤の実現。 具体的な業務内容 Python（FastAPI / PyDantic）を用いたAI推論APIの設計および実装 PyTorch / TensorFlow等で構築されたAIモデルのプロダクション環境へのデプロイ GPUリソースの最適化（NVIDIA Triton Inference Server等）による推論効率の向上 データセットの管理・バージョン管理（DVC等）およびMLOpsパイプラインの構築 マルチモーダルデータのベクトル化およびセマンティック検索機能の開発 バックエンド処理（Celery / Redis）を用いた重いAI処理の非同期化と進捗管理 必須スキル・経験 Pythonを用いたWeb APIの開発実務経験3年以上 AIモデル（画像認識、自然言語処理等）の商用環境への実装・運用経験 Dockerを用いたコンテナ化および、GPU利用環境の構築経験 PostgreSQL / MongoDB等のデータベースを用いたデータ設計の経験 クラウドプラットフォーム（AWS / Azure / GCP）上でのAIサービス運用知見 GitHubを用いたチーム開発におけるコードレビューおよびブランチ管理の習熟 歓迎スキル・経験 NVIDIA Triton / BentoML等を用いた推論サーバーの最適化経験 MLOps（Kubeflow / MLflow）を用いた機械学習ライフサイクルの管理経験 ベクトルデータベースを用いた大規模データの検索・分析システムの構築経験 製造業や医療などのドメインにおける時系列データ解析の知見 エッジデバイス（Jetson等）へのAIモデル実装・最適化の経験 技術広報や論文調査に基づいた最新アルゴリズムの提案経験 開発環境 言語・FW：Python 3.11+, FastAPI, PyTorch インフラ：Azure (AKS, Azure Machine Learning), PostgreSQL 管理ツール：GitHub, Slack, Jira, MLflow 技術スタック：Docker, Kubernetes, NVIDIA Triton, Redis 開発チームについて データサイエンティストとソフトウェアエンジニアが1:1の割合で在籍する、技術密度の高いチームです。 「モデルを作って終わり」ではなく、いかに安定してユーザーに価値を届けるかを重視しています。 週に一度の技術共有会があり、最新の論文やライブラリの知見が常にアップデートされる環境です。 求める人物像 AIの理論だけでなく、ソフトウェアエンジニアリングとしての品質を追求できる方 複雑なデータ構造を整理し、他の開発者が使いやすいAPIを設計できる方 領域横断的なコミュニケーションを大切にし、専門用語を噛み砕いて説明できる方 製造業DXという社会的意義の大きな課題に対して、技術で挑戦したい意欲のある方 仕事の魅力 マルチモーダルAIという、生成AIの次に来るトレンド領域で実戦経験を積むことができます。 Azureの最新AI基盤をフル活用し、エンタープライズレベルのMLOpsを実践できます。 自身の開発したAIが、日本の伝統的な産業の生産性を劇的に向上させ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。

報酬例

4,000 ～ 6,000円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5】Python機械学習・MLOpsエンジニア（大規模レコメンド・予測アルゴリズムの本番API実装とモデル監視）

【フルリモート／週5】Python機械学習・MLOpsエンジニア（大規模レコメンド・予測アルゴリズムの本番API実装とモデル監視）

【フルリモート／週5】Python機械学習・MLOpsエンジニア（大規模レコメンド・予測アルゴリズムの本番API実装とモデル監視） お任せしたいこと 自社で展開する高トラフィックなBtoCサービス、またはデータドリブンな意思決定がコアとなるSaaSプロダクトにおいて、Pythonを用いた機械学習（ML）モデルの実装、およびそれを安全かつ低遅延で本番稼働させるための「MLOps基盤」の設計・開発をお任せします。 「Jupyter Notebook上でモデルを作って精度（AUC）に満足して終わり」という研究者的なスタンスを徹底的に排除し、本番環境のミリ秒単位のレイテンシ要件をクリアする推論API（Serving）の実装、特徴量ストア（Feature Store）の構築、およびデータの変化に伴うモデルの劣化（Data/Concept Drift）を検知して自動再学習を回すパイプラインを、泥臭く本番運用へ落とし込んでいくポジションです。 具体的な業務内容 ・Python 3.x および FastAPI、Triton Inference Server等を用いた、高スループットかつ低遅延な機械学習推論API（モデルサービング）の設計・開発 ・LightGBM、XGBoost、またはPyTorch等を用いた、レコメンド、検索ランキング、需要予測アルゴリズムの本番環境への組み込みと継続的な精度改善 ・MLflowやWeights & Biases、Prefect等を用いた、モデルのバージョン管理、実験管理、および自動再学習（Retraining）パイプラインの構築 ・Feast等のツールを利用した、リアルタイム/バッチ処理の双方で整合した特徴量を提供する特徴量ストア（Feature Store）の設計・運用 ・ONNXやTensorRTを用いたモデルの最適化（軽量化・量子化）、およびCPU/GPUリソースを効率化する推論パフォーマンスのチューニング ・EvidentlyやPrometheus、Datadogを活用した、本番環境における入力データのドリフト（偏り）や、モデルの推論精度の継続的な監視・アラート設計 ・データエンジニアと密に連携した、データレイク（S3/GCS）やDWH（Snowflake/BigQuery）からの特徴量抽出（ETL/ELT）プロセスの最適化 必須スキル・経験 ・Pythonを用いたバックエンドシステム、またはデータパイプラインの開発実務経験（目安として3年以上） ・機械学習モデル（Scikit-learn, LightGBM, PyTorch等）を用いた、本番環境での設計・実装・運用経験 ・FastAPI、Flask、Django等のWebフレームワークを用いたAPIの開発・運用経験 ・SQLを用いたデータ抽出・加工、およびRDBMSやNoSQLに関する基礎的な知識 ・Git / GitHubを用いたプルリクエストベースでのチーム開発経験 歓迎スキル・経験 ・MLOps（Machine Learning Operations）の実践経験、またはMLflow、Kubeflow等を用いたパイプライン構築経験 ・Docker、Kubernetes（Amazon EKS等）を用いたコンテナ環境でのモデルサービング経験 ・AWS SageMakerやGoogle Cloud Vertex AI等のマネージドMLプラットフォームの運用経験 ・分散処理フレームワーク（PySpark, Dask等）を用いた大規模データの並列処理経験 ・Terraform等を用いた、MLOps周辺インフラのコード化（IaC）経験 開発・業務環境 開発言語：Python 3.x MLフレームワーク：LightGBM, XGBoost, Scikit-learn, PyTorch API・サービング：FastAPI, Triton Inference Server, Gunicorn MLOps・データ変換：MLflow, Feast, Prefect (または Airflow) データベース：PostgreSQL, Redis, Snowflake (または BigQuery) インフラ・コンテナ：AWS (EKS, ECS, S3 等), Docker, Kubernetes 監視・品質：Datadog, Prometheus, Evidently, pytest コミュニケーション・管理：GitHub, Jira, Slack, Zoom プロジェクトチームについて データサイエンティストとソフトウェアエンジニアが融合した、ML・データプラットフォームチームへの配属となります。 「データサイエンティストが書いた汚いコードを、バックエンドエンジニアが書き直す」というサイロ化された開発フローを最も嫌い、モデル開発の初期段階から本番運用（コンテナ化、テスト自動化、パフォーマンス検証）を考慮した、共通のエンジニアリング基準を持つ手を手堅いカルチャーです。予測が外れた原因や未知のエラー（Out of Distribution）に対しても、アルゴリズムの理論とアプリケーションのログの両面から泥臭くアプローチし、論理的に原因を特定していく実直なメンバーが集まっています。 求める人物像 ・「モデルの精度を1%上げること」と同じくらい、「推論スピードを10ミリ秒縮めること」や「システム全体の安定稼働」にエンジニアとしての執念を持てる方 ・データサイエンスの理論に敬意を払いつつも、ビジネス指標（CTR、CVR、売上向上等）の最大化から逆算して、現実的な技術選定（ヒューリスティックなルールとの併用等）ができる方 ・不確実性の高いMLプロジェクトにおいて、泥臭いデータのクレンジングやログの分析作業から逃げず、執拗に課題解決に取り組める方 仕事の魅力 高度なデータサイエンスと、スケーラブルなソフトウェアエンジニアリングが交差する「MLOps」の最前線を体感できるポジションです。実社会の巨大なデータとトラフィックを背景に、機械学習の恩恵をダイレクトにビジネスのグロースへ繋げる経験を通じて、単なる「Pythonが書けるエンジニア」や「Notebook上で分析するデータサイエンティスト」を完全に凌駕し、今後のAI時代において最も重宝される「MLOpsアーテキト」としての圧倒的な市場価値を築くことができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

4,400 ～ 5,000円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル

エンジニアフルリモート
【フルリモート／週5／Python】生成AI（LLM）を活用した自社SaaSプロダクトのバックエンド開発およびRAG基盤構築

【フルリモート／週5／Python】生成AI（LLM）を活用した自社SaaSプロダクトのバックエンド開発およびRAG基盤構築

【フルリモート／週5／Python】生成AI（LLM）を活用した自社SaaSプロダクトのバックエンド開発およびRAG基盤構築 お任せしたいこと ［役割］バックエンドエンジニアとして、企業の業務効率化を支援する「生成AI（LLM）組み込み型SaaS」のバックエンドAPI開発、および独自のRAG（検索拡張生成）パイプラインの構築・運用をお任せします。 ［役割に対して求める成果］OpenAI API等を利用した機能開発において、プロンプトの実行遅延やタイムアウトを防ぐための非同期処理を適切に設計・実装すること。また、社内ドキュメント等の非構造化データをベクトル化し、ハルシネーション（AIの嘘）を最小限に抑えつつ、ユーザーが求める精度の高い回答を高速に生成できるスケーラブルなRAG基盤を安定稼働させること。 具体的な業務内容 ・Python（FastAPI）を用いた、AIプロダクト向けWeb APIの詳細設計、実装、テスト ・OpenAI API（GPT-4等）やAnthropic Claude等のLLMを活用した、自然言語処理バックエンド機能の開発 ・LangChainやLlamaIndex等を利用したRAG（Retrieval-Augmented Generation）アーキテクチャの設計、およびプロンプトエンジニアリングのシステム組み込み ・Pinecone、Qdrant、PGVector等のベクトルデータベースの構築、チューニング、およびインデックスの最適化 ・LLMの推論にかかる長時間の処理をユーザーにストレスなく提供するための、Celery等を用いた非同期タスクキューの設計とWebSocket/SSEによるストリーミング応答の実装 ・pytestを用いた単体テスト・結合テストの拡充によるデグレの防止、およびCI/CDパイプラインでの自動テスト運用 ・LLMのAPIコストやレイテンシの監視（LangSmithやDatadog等を利用）および継続的なパフォーマンス改善 必須スキル・経験 ・Pythonを用いたWebアプリケーション、またはバックエンドシステムの実務開発経験（3年以上） ・FastAPI、Django、Flask等のWebフレームワークを用いたAPI開発経験（2年以上） ・RDBMS（PostgreSQL, MySQL等）を用いたデータベース設計、および基本的なSQLの記述経験 ・Git/GitHubを用いたプルリクエストベースでのチーム開発経験 歓迎スキル・経験 ・OpenAI API等のLLMを利用したアプリケーション開発の実務経験 ・LangChain、LlamaIndexなどのLLMオーケストレーションフレームワークの使用経験 ・ベクトルデータベース（Pinecone, Qdrant, Milvus等）の運用経験 ・Celery、Redis等を利用した非同期処理アーキテクチャの設計・開発経験 ・機械学習、または自然言語処理（NLP）に関する基礎的な知識 ・AWS（ECS, RDS, S3等）、またはGCPを利用したクラウド環境でのインフラ運用経験 ・Docker等のコンテナ技術を用いた開発・運用経験 開発・業務環境 開発言語：Python 3.11以降 フレームワーク：FastAPI, LangChain, LlamaIndex データベース・KVS：PostgreSQL (PGVector), Redis, Pinecone インフラ：AWS (ECS, RDS等) または Google Cloud, Docker テスト・CI/CD：pytest, GitHub Actions 監視・分析：Datadog, LangSmith, GitHub, Jira, Slack プロジェクトチームについて AIプロダクト開発部のバックエンドチームへの配属となります。LLMという進化の早い技術を扱うため、最新のペーパーやAPIアップデートの情報をチーム内で日常的にシェアする知的好奇心の高いカルチャーです。一方で、AIのPoC（概念実証）で終わらせず「プロダクトとして安定稼働させる」ことを重視しており、LLMの出力のブレやAPIの障害に対するフォールバック（例外処理）がコードレベルで担保されているかを厳格にレビューし合います。 求める人物像 ・生成AIの技術トレンドに強い関心を持ちつつも、「AIの魔法」に頼るのではなく、エンジニアリングの力でシステムの堅牢性や応答速度を改善していくことにやりがいを感じる方 ・外部API（LLM）の仕様変更やレイテンシの悪化といった自分たちでコントロールできない外部要因に対しても、キャッシュや非同期処理を駆使してユーザー体験を守る設計ができる方 ・不確実性の高いAIプロダクト開発において、PdMやプロンプトエンジニアと密にコミュニケーションを取り、アジャイルに仮説検証を繰り返せる方 仕事の魅力 世界中でニーズが爆発している「LLMを活用したエンタープライズ向けアプリケーション」の開発に最前線で携わることができます。単なるAPIのラッパーを作るのではなく、ベクトル検索の最適化や大規模なRAGパイプラインの構築、ストリーミング処理の実装など、Pythonエンジニアとして現在最も市場価値が高まっているAIアプリケーションアーキテクチャの設計スキルを実践的に磨き上げることができます。 働き方 リモート環境 [フルリモート] 基本的にフルリモートで働いていただけます。

報酬例

5,700 ～ 6,700円/時

業務内容

システム開発・運用、SES

稼働時間目安

週5日

はたらく場所

フルリモート

スキル