建設データから、使い続けられる機械学習へ。ゴーレムのシニア機械学習エンジニアという仕事

こんにちは、ゴーレム採用チームです！

建設業務の課題を、機械学習でどう解くか。ゴーレムでは、その技術判断と実装をリードするシニア機械学習エンジニアを募集しています。どんなデータを扱い、どこまで任されるのか。背景からご紹介します。

01 | なぜ今、このポジションを採用するのか

増える分析テーマを、継続してプロダクトへ

ゴーレムは、建設業界のデータを活用し、企業の業務効率化や意思決定を支えるプロダクトを開発しています。CO2排出量の算定に加え、見積・購買・業務分析へと取り組むテーマが広がっています。

テーマや機能が増える中、検証だけで終わらせず、データ条件の確認、本番実装、稼働後の監視・改善まで継続して対応できる体制が必要です。そこで、自ら実装しながら、機械学習領域の技術方針をリードする方を募集します。

02 | この仕事が、ゴーレムの事業で担うこと

建設データを、業務で使える形にする

建設業界のデータは、会社やプロジェクトによって書き方や単位、管理方法が異なり、ExcelやPDF、担当者が実務で培った判断基準に分散しています。たとえば同じ「鉄骨100本」の発注でも、種類によって発注先が変わることがあります。その判断には、担当者が実務で蓄積してきた知見が含まれます。

ゴーレムは、こうした情報をAIで読み取り、データとして扱える形に整えて共通のデータ基盤へつなげています。その基盤の上で、CO2排出量の算定、購買仕分、長期修繕算定、図面チェック、施工計画など、複数のアプリケーションを展開しています。

技術の検証を、業務で使う機能へ

機械学習で何ができるかを検証し、実際の業務で使える機能へつなげる。それが、このポジションのミッションです。

機械学習を使うこと自体が目的ではありません。ルールベースや既存機能も含めて、課題に合う方法を選びます。自ら実装しながら、その技術判断をリードしていただきたいと考えています。

03 | 具体的な仕事

課題から仮説を立て、データと評価を設計する

課題に機械学習が合うのか、ルールベースや既存機能で解くのかを比較し、技術的な仮説と検証計画を立てます。機械学習を使う場合は、データの不足や偏りを調べ、学習・評価に使うデータ、結果を測る指標、業務で使えると判断する品質水準を検討します。学習データを設計するときには、何を「正しい答え」とするかも整理します。

モデルを開発し、プロダクトに組み込む

課題とデータに合うモデルやアルゴリズムを選び、モデルの判断材料となる入力情報「特徴量」を設計して実装します。

機能として届けるために、呼び出しに応じて結果を返すAPI、データをまとめて処理するバッチ、取り込みから出力までをつなぐパイプライン、予測を実行する推論基盤も設計します。

稼働後の変化を捉え、品質を改善する

本番ではモデルの精度やデータの変化を監視し、変化があれば原因を調べ、必要に応じて再学習や更新を検討します。コードや設計上の課題を見直して保守性・再現性を高め、コード・モデル・実験・評価をレビューします。検証に使ったデータや条件、手順、結果も記録し、判断を同じ前提でたどれるようにします。評価を受けてデータを見直すなど、課題に応じて各領域を行き来しながら進めます。

04 | チームでの進め方と、まわりとの関係

自ら実装し、チームで成果をつくる

機械学習開発の全工程を一人で担うわけではありません。技術的なボトルネックや不足する専門性を見つけ、自ら実装するところと、メンバーに任せてレビューするところを判断します。必要なチーム構成や採用方針を提案することも期待されています。

メンバーへの技術支援やメンタリングにも関わりますが、主な責任は機械学習領域の技術判断です。人事評価や組織運営は主な責任ではなく、ピープルマネジメントの経験も必須ではありません。

PdM・EMとそれぞれの視点を持ち寄る

PdM（プロダクトマネージャー）はユーザー課題や優先順位、プロダクト要件を整理します。シニア機械学習エンジニアは技術的な実現方法を検討し、必要な品質や評価についてPdMと相談します。

EM（エンジニアリングマネージャー）は、人や組織のマネジメントを担います。1on1、目標設定、評価、育成などがその領域です。技術上必要な専門性や体制の提案は、EMが担うチーム設計と接点を持つため、具体的な分担は面談や選考で相談します。

05 | 入社後に期待すること

入社後は、まず建設データや既存の仕組みを理解し、一つの機能を主担当として持つところから、関わる範囲を広げていく想定です。以下は目安です。実際のテーマや進め方は、ご経験や専門性を踏まえて選考で相談します。

1〜2か月目：データと開発の進め方を知る

建設データ、既存モデルやコード、システム構成を理解し、チームの開発・レビュー・リリース方法を把握します。既存モデルの学習・評価結果を再現し、技術面や運用面の課題を整理することも想定しています。再現を通じて結果が得られた前提を理解し、改善時に確かめる点を整理します。

3〜6か月目：一つのモデル・機能を主担当する

一つのモデルまたは機械学習機能を主担当として、課題設定から評価設計、実装、リリースまで周囲と進めます。コードや設計のレビュー、評価・運用方法の改善も担う想定です。技術判断の理由や検証結果は、ほかのメンバーが前提をたどれる形で残します。

その先：機能とチームの技術水準を高める

新しい機械学習機能の検証・プロダクト化を進めながら、システムの品質・保守性・再現性を高めます。チームの設計・実装・評価の水準を上げ、業界データを活用した新しいプロダクト価値を提案することも期待されています。担当テーマや広げる範囲は、事業の状況やご本人の専門性によって変わります。

06 | この仕事のやりがい

使う技術を、課題に合わせて選べる

建設業務のデータや課題を見ながら、機械学習、ルールベース、既存機能も候補に、必要な方法を選べます。

精度の先にある、運用の現実まで考えられる

モデルの精度が高ければ、それだけで業務に使えるとは限りません。運用のしやすさ、保守性、コスト、処理性能も含めて技術を判断するため、検証結果を本番の機能へつなぐ難しさと面白さがあります。

自分の知見を、チームの判断にも活かせる

レビューや方法の標準化を通じて、実装や評価で得た知見をチームのほかの開発に活かすこともできます。

07 | どんな経験・志向が、この仕事につながるか

精度だけでなく、運用・保守・コストまで考えて、業務に合う方法を選びたい。その理由を専門の異なる相手にも伝え、レビューや仕組みづくりを通じてチームに知見を広げたい。そんな方と、ご一緒したいと考えています。

必須となる経験

以下すべての経験を求めています。

• Pythonを用いた機械学習モデルの設計・開発・本番運用経験
• 学習データ、評価データ、評価指標、受入水準を設計した経験
• クラウド環境でML／データ処理のパイプラインを構築・運用した経験
• モデル・コード・システム設計のレビューを行った経験
• 業務課題に対し、MLを使う／使わないを含めて技術選択の妥当性を説明した経験

あると活かしやすい経験

以下は歓迎する経験です。必須条件とは分けてご覧ください。

• MLOps、モデル監視、再学習、CI/CD等の運用設計経験
• NLP、LLM、生成AIを本番サービスへ導入した経験
• 大規模データ基盤・特徴量パイプラインの設計経験
• 複数MLテーマの技術方針・ロードマップをリードした経験
• 建設・積算・見積等の業務データを扱った経験

最新の応募要件は、求人票もあわせてご確認ください。

いかがでしたか？

ゴーレムのシニア機械学習エンジニアは、建設業務のデータと課題に向き合い、機械学習領域の技術判断をチームで前へ進める仕事です。

この記事が、ゴーレムで働く姿を具体的にイメージするきっかけになればうれしいです！