AIエンジニアの職務経歴書例

• 権限で絞ったサポート文書にPython RAGサービスを構築した。固定の回答・引用テストで検索深度とプロンプトエンジニアリング（prompt engineering）を比較し、制限文書を公開せずに引用を追跡できる構成を採用した。
• 拒否動作・引用の有効性・プロンプトインジェクションの自動テスト（automated testing）をCI/CDに追加。監視（monitoring）でも同じ分類を使い、流暢でも裏付けのない回答があればリリースを止めた。
• Pythonサービスをバージョン付きDockerイメージとしてAWS ECSへデプロイし、IAMで元文書へのアクセス権を限定した。ヘルスチェックと旧版への復元を検証し、引用・権限テストを通過した版を公開した。
• 検索誤りと根拠のない回答を分ける評価セットを作成。検索前に文書権限を確認し、引用精度、遅延、トークン費用を記録。
• 合成臨床質問とPythonフィクスチャを活用したRAG評価を主導し、根拠のない引用を解消して限定実演前に人手確認を完了。
• Docker・CI/CDを活用したプロンプト版別自動試験を構築し、保留データの反復引用失敗を34%削減して観測検査を公開。

• 承認・冪等性・監査ログを備えたエージェントツール。再試行による顧客情報の重複更新を防いだ。
• 公開指標と原記録の差異から母集団を変えた処理を追跡し、再現可能なクエリで計算を修正。
• 直前の正常更新と失敗実行を比べ、入力欠損と変換エラーを分離。対象期間のみ再処理し、元クエリと修正結果を保存。

• トークン費用と遅延の監視に基づくモデルルーティング
• 重複・遅着・訂正値を含む合成原記録を作り、行数・キー一意性の検査と指標への期待影響を記録。
• 分析結果と手計算基準表を照合して差異を変換工程まで追跡。修正クエリにデータ辞書・再実行手順を添付。
• 手計算基準を活用した合成データ検証の責任を担い、重複集計を解消して訂正合計再現ノートを完成。

関連科目：アルゴリズム、OS、データベース、ネットワーク

Python · RAG · LLM evaluation · Vector search · オブザーバビリティ

• 再現クエリを活用した自主手法ノートを公開し、粒度・除外記録・分母変更への感度を解説。