【機械学習エンジニア】学習サービス事業　

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こと。 [データ専門性] ・SQL: SQLの構文を一通り理解し、記述、実行できる (DML、DOLの理解。､種JOINの使い分け､集計関数とGROUP BY､ASE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。 ・統計: 統計検定2級レベルの内容を用いた実務経験を持つ｡ ・機械学習: 教師あり学習モデル､教師なし学習モデルの実務における構築経験を持つ(「はじめてのパターン認識」に相当する内容をイメージ) ｡また､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: 機械学習モデルをシステム導入する際のシステムアーキテクチャの検討が出来る。また､システム稼働中に発生する運用課題を洗い出す事が出来る。 ・アプリケーション開発: Flask や FastAPI などを利用して､機械学習モデルを本番利用するためのアプリケーションを開発することが出来る。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: IPA 基本情報技術者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。 【効果検証のためのデータ分析開発環境は下記になります。】 ● インフラ ○ GCP (データ基盤) / AWS (関連システム) ● データパイプライン (ETL) ○ CloudComposer (Airflow) ● DWH ○ BigQuery ● その他インフラ管理 ○ Docker ○ GKE / GAE / CloudRun ● 可視化ツール ○ Google Data Portal / Tableau ● 分析環境 ○ Jupyter Notebook / Google Colab / Google Cloud ML ● 監視 ○ Cloud Logging / Stackdriver Logging ● その他 ○ Git / GitHub / Slack / Notion

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の論文を含めた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。 ・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することが出来る。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することが出来る。 ・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ことが出来る。 ・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を行うための設計が出来る。 [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。