⁨Machine Learning⁩関連の求人⁨19⁩選

アクロクエストは、先端技術を常に探求し、クラウドサービスやデータ分析・AIの活用を推進しています。 【事業概要】 ・「デジタルデータ活用事業」 　これまでに活用できていなかったデータに新たな価値を見いだし、 　膨大なデータをビジネスに活用することで大幅なコスト削減や新たな価値創造を実現します。 ・「IoT革新事業」 　無数のセンサーやデバイスから送られてくる大量データをリアルタイムに 　収集・分析することで、意思決定のスピードアップの実現、状況の変化に 　応じた迅速な対応を可能とします。 ・「AI/生成AIソリューション事業」 　画像解析・予測分析などを実現する機械学習や高度な分析・対話能力を有する生成AI。 　最新のテクノロジーを駆使して、お客様のビジネスを進化させます。 以下の自社プロダクトを開発／展開しています。 ・IoTデータ分析プラットフォーム「Torrentio」 　https://www.site.torrentio.tech/torrentio/ ・データ分析体験向上ソリューション「ENdoSnipe」 　https://www.endosnipe.com/ ・生成AIアシスタント「AcroChatAI」 　https://www.acroquest.co.jp/business/acro-chat-ai/ ▼生成AI活用事例一覧 ・大阪市高速電気軌道株式会社(Osaka Metro) 様 　Amazon Bedrock をベースとした生成AIアシスタントで 　業務改善・新規企画創出を促進 　https://www.acroquest.co.jp/business/ai-solutions/ ・小田急電鉄株式会社 様 　生成AI活用により議事録作成や社内ドキュメント検索を効率化 　https://www.acroquest.co.jp/archives/18045/ ・株式会社シニアライフクリエイト 様 　生成AIを用いて、日替り弁当サービスの献立検討を効率化 　https://www.acroquest.co.jp/archives/18608/ 【クラウドを活用したスピード感あるシステム／サービス開発を実現】 アクロクエストは、創業から当初から30年以上培ってきたシステム開発＋データ分析・活用の技術を元にクラウドを活用したスピード感あるシステム／サービス開発に積極的に取り組んでいます。 その実績は次の通りです。 ・AWS Machine Learning コンピテンシー 　https://www.acroquest.co.jp/archives/12593/ ・Microsoft AI Cloud Partner Program（MAICPP） 　https://www.acroquest.co.jp/archives/17096/ ・Elastic Reseller Partner Elite / OEM Partner 　https://www.endosnipe.com/why-acroquest 【先見性・革新性・貢献性にこだわり、価値を最大限に高める】 アクロクエストは、先見性・革新性・貢献性のある仕事にこだわり、お客様に提供できる価値を最大限に高められるように努めています。 それを実現するための私たちの強みとして、以下の3つの内容に重点をおき、今後も発展させていきます。 1）お客様の実現したいことの本質にコミットする 　クラウド活用を推し進め、ビジネス体験の変革を実現しようとしている 　お客様に対して、スピーディかつ柔軟な構成で実現することを目指す 2）先端技術を探求し、実務に活かす 　先端技術の探究をするための社内研究開発チームを作り、DevOpsを 　意識した開発プロセスを採用することで、実際の利用したフィードバックから 　素早い改善を継続的に行う 3）組織技術力 × 特性能力主義 　組織技術力：チーム全体で連携し、複数の技術領域にまたがる優れた成果を上げる力　　 　特性能力主義：社員それぞれが、特化した技術分野を深くカバーし、高い問題解決力を持つ 【『特性能力主義』で、自分の特性を発揮する】 エンジニア１人１人が自分の特性を発揮することで、高いチームワーク力を構成でき、質の高いサービス開発に繋がります。 また、自身のキャリアを自分の特性と考えに合わせて自由に変更できるようにしています。 【社風が評価され様々な賞を受賞】 ■ Great place to work社による「働きがいのある会社」 ランキング（25人以上99人以下部門）にて、3度目の全国第1位にランクインしました。 https://www.wantedly.com/companies/acroquest/posts/17879 ■ 第５回「日本で一番大切にしたい会社」大賞 審査委員会特

AIを活用した業務効率化PoC（概念実証）を行い、現場の課題を分析し、大規模言語モデルや生成AIを用いて解決策を提案・検証します。ゲーム制作における業務プロセスを革新し、AIツールの開発と改良を通じて、組織の生産性向上に貢献します。

期待すること（責任/権限） ■チームについて MLOpsチームでは、ML（Machine Learning）を活用したプロダクトを世に送り出すために必要となる、モデル開発以外のすべてのエンジニアリングを担当します。 ZOZOTOWN・WEARが抱えている課題に対して、MLを使ったソリューションの提案から、モデルのAPI開発やインフラ構築まで幅広い役割を担います。モデル開発を担当するMLエンジニアが優れたモデルを作ることに注力できるようサポートし、MLを使ったPoCプロジェクトでプロトタイプアプリケーションの開発を行います。 そして、さらに堅牢性や拡張性を考慮しながらそれらをプロダクションレベルまで昇華させつつ、安定的に運用しながらMLの付加価値をユーザーに届けることがミッションです。 ■職種について ZOZOTOWN・WEARの「探す」「買う」「届ける」「着こなす」の裏側にあるMLアプリケーションの開発・運用を支えていくポジションです。 MLエンジニアの研究を効率的に行うための実験環境の構築、コンピューティング処理の高速化、プロトタイプ開発などを行いながら、信頼性の高いサービスを提供できるように「自動化」「可用性」「セキュリティ」「パフォーマンス」「耐障害性」などを意識したクラウドインフラ基盤の構築・運用を行います。 チーム内外との連携も多く、システムを安定稼働させるための技術力だけではなく、様々な場面で起こる課題に対する高度な問題解決能力、業務遂行のためのコミュニケーション能力も必要とされます。 ■現状の課題と実現したいこと ZOZOグループが保有するビッグデータの活用および、ZOZOMAT/ZOZOSUITをはじめとした技術革新の加速により、ZOZOTOWNやWEARなど既存事業の拡大とテクノロジードリブンな新規事業の創造を行うことが求められる中、MLOpsチームでは特にデータやAIの力で事業に貢献します。 ZOZOTOWNやWEARに対して、MLを活用した新しい機能を継続的に素早くリリースするためには、土台となるML基盤が重要であり、MLOpsチームではML基盤の設計・構築を推進しています。様々なMLのプロダクトに対して、一貫して安定したサービスの提供を目指します。 業務内容 ■具体的な業務例 MLエンジニアの研究サポートおよび研究結果をZOZOTOWNやWEARに組み込むためのエンジニアリング全般、加えてML案件の基盤整備を行っていただきます。 ・機械学習APIサーバーの設計/構築/運用または実装 ・機械学習ワークフローの設計/構築/運用または実装 ・Infrastructure as CodeおよびCI/CDによる構築、デプロイ自動化 ・サービス監視設計/運用 ・パフォーマンスチューニングを含むSite Reliability向上のための実装 ・MLアプリケーションPoCのプロトタイプ開発 ■利用技術 ・開発言語：Python / Java / Go / Bash ・Google Cloud：Google Kubernetes Engine（GKE） / BigQuery / Vertex AI / Anthos Service Mesh / Cloud Run など ・コンテナ技術：Docker / Kubernetes ・構成管理：Terraform ・CI/CD：GitHub Actions / Argo CD / Argo Rollouts ・監視：Datadog / Cloud Monitoring / Sentry / PagerDuty ・ワークフロー：Kubeflow Pipelines（Vertex AI Pipelines）/ Apache Airflow（Cloud Composer） ・機械学習ライブラリ：PyTorch / TensorFlow など ■参考資料 会社説明資料 【TECH BLOG】WEAR関連コーデレコメンドプロジェクトへのVertex AI Vector Search導入と実践 【TECH BLOG】Kubernetes Event-driven Autoscaling（KEDA）で実現する夜間・休日のインフラコスト削減 【TECH BLOG】Four Keysを活用してチームの開発生産性を改善した時のふりかえりの考え方と手法を紹介します 【TECH BLOG】Go製CLIツールGatling Commanderによる負荷試験実施の自動化 【TECH BLOG】MLOpsマルチテナントクラスタへのArgo CDの導入と運用 【TECH BLOG】Knative Servingを用いて多数の開発環境APIを低コストで構築する 【TECH BLOG】Kubeflow PipelinesからVertex Pipelinesへの移行による運用コスト削減 【T