本文へ移動

機械学習エンジニアの職務経歴書例(シニア)

機械学習エンジニア(シニア)の職務経歴書を参考に、担当業務と実績、プロジェクト、学歴、スキルのまとめ方を確認できます。

メルカリ参考求人の勤務地: 東京都港区 · 日本実在する社員の書類ではなく、架空の記入例です。

架空の職務経歴書例です。氏名・職歴・成果は書き方を説明するために作成したもので、実在する社員の経歴ではありません。

中島 杏奈

シニア機械学習エンジニア · 東京都港区 · 日本

ランキングモデル蒸留とオンライン特徴量のバッチ取得とモデルサービスのシャドートラフィックと自動ロールバックを担当したシニア機械学習エンジニア。主な実務分野:Python · PyTorch · 特徴量パイプライン · モデルサービング。

職務経歴

メルカリ

東京都港区 · 日本

シニア機械学習エンジニア

2021年1月 - 現在

  • 業務リードとして、SQLで抽出した視聴特徴を使うPython機械学習パイプラインを構築し、学習・評価(evaluation)期間を分離。配備(deployment)の提案前に単純な基準モデルと比較した。
  • レビュー基準の責任者として、予測の鮮度・特徴量ドリフト・配信エラーの監視(monitoring)を追加。特徴量が遅れても推薦欄が空にならない代替順位経路を検証した。
  • 学習データとモデル成果物を一緒に版管理し、オフライン評価と配信遅延を比較。誤分類例を確認して配備候補を選定。
  • 固定データと乱数シードを活用したPyTorch評価を主導し、学習・試験間の重複が生んだ見かけ上の性能向上を解消。
  • Kubernetesリソース制限を活用したPython配備検査を構築し、同一負荷の再実行1,000要求当たり推論失敗を14件から3件へ削減。

NTTデータ

東京 · 日本

機械学習エンジニア

2016年3月 - 2020年12月

  • モデルサービスのシャドートラフィックと自動ロールバック。関連チームの判断基準と担当範囲を調整。関係チームと協力し、承認済みの完了条件を満たしてロールアウトを終えた。
  • 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。

主要プロジェクト

機械学習エンジニアの自主ケーススタディ

部門横断プロジェクトリーダー

2023年3月 - 2023年7月

  • コホート別指標を含むオフライン・オンライン評価。関連チームの判断基準と担当範囲を調整
  • 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。

学歴

電気通信大学

東京都調布市 · 日本

学士(工学)

2008年4月 - 2012年3月

関連科目:アルゴリズム、OS、データベース、ネットワーク

スキル

職種別スキル

Python · PyTorch · 特徴量パイプライン · モデルサービング · 評価設計 · Kubernetes

執筆・発表

  • 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。

機械学習エンジニアの職務経歴書と求人要件を比較

求人要件を裏付ける具体的な職歴の記述を確認できます。

メルカリ

Senior Machine Learning Engineer, Credit ML - Merpay

東京都港区 · 日本シニア

求人情報の原文を見る

この職務経歴書は架空の例です。最新情報は元の求人情報をご確認ください。

  • 求人の要件
      • 機械学習
      • SQL
      • 学習パイプライン
      用語と実践経験を確認

    Senior Machine Learning Engineer, Credit ML - Merpay

    データベース・SQLの知識、及び分析~特徴量設計の経験(2年以上)

    Model Construction: Design and implementation including data analysis, feature engineering, design and implementation of ML models for tabular data, maintenance of inference/training pipelines, ensuring reproducibility, experiment management, and model quality assurance.

    職務経歴書の該当箇所
    業務リードとして、SQLで抽出した視聴特徴を使うPython機械学習パイプラインを構築し、学習・評価(evaluation)期間を分離。配備(deployment)の提案前に単純な基準モデルと比較した。
    シニア機械学習エンジニア · メルカリ
  • 求人の要件
      • 配備
      用語と実践経験を確認

    End-to-end ownership: The position involves full-cycle ownership, from problem discovery and proposal through design, implementation, deployment, and iteration of entirely new credit and model architectures, working across functions and roles.

    職務経歴書の該当箇所
    学習データとモデル成果物を一緒に版管理し、オフライン評価と配信遅延を比較。誤分類例を確認して配備候補を選定。
    シニア機械学習エンジニア · メルカリ
  • 求人の要件
      • 監視
      用語と実践経験を確認

    High-stakes quality bar: Because financial services demand strong social responsibility, the work extends beyond model accuracy to include UX, reliability, monitoring, and overall product quality—resulting in experiences that are accessible and usable for a wide range of users.

    職務経歴書の該当箇所
    レビュー基準の責任者として、予測の鮮度・特徴量ドリフト・配信エラーの監視(monitoring)を追加。特徴量が遅れても推薦欄が空にならない代替順位経路を検証した。
    シニア機械学習エンジニア · メルカリ
  • 求人の要件
      • 実験
      • 深層学習
      • feature engineering
      • データ分析
      裏付ける経験が未確認

    モデル構築: データ分析、特徴量設計、テーブルデータ向けのMLモデルの設計・実装、推論/学習パイプライン整備、再現性担保、実験管理、モデルの品質保証を含む設計・実装

    大規模言語モデル、基盤モデル等の深層学習モデルの開発・運用経験

    Model Construction: Design and implementation including data analysis, feature engineering, design and implementation of ML models for tabular data, maintenance of inference/training pipelines, ensuring reproducibility, experiment management, and model quality assurance.

    職務経歴書の該当箇所

    裏付けとなる経験の記述が見つかりません。実際の経験がなければ、キーワードだけを追加しないでください。

一致する求人要件をあと2件見る
  • 求人の要件
      • 評価
      • PyTorch
      用語と実践経験を確認

    評価設計: オフライン指標だけでなく、重要なビジネスKPIやリスク指標、UX を含めた評価設計

    scikit-learn, LightGBM, PyTorch等の機械学習ライブラリを用いたMLモデル構築およびMLプロダクトの開発経験(3年以上)

    職務経歴書の該当箇所
    固定データと乱数シードを活用したPyTorch評価を主導し、学習・試験間の重複が生んだ見かけ上の性能向上を解消。
    シニア機械学習エンジニア · メルカリ
参考資料2件確認日

この例から始めて、自分の経験で仕上げましょう。

エディターで例を開き、職歴・プロジェクト・実績を自分の実際の経験に書き換えてください。