AI研究者の職務経歴書例（シニア）

• OpenAIで推論・評価を横断する研究アジェンダを率い、3チームと重要な研究課題を選定した。長期プロジェクトの責任者と計算予算を定め、自律性を保ちつつ対照再現に失敗した2仮説を中止した。
• 業務リードとして、固定トークン予算で検証器を使う推論の機械学習手法を開発し、均等抽出・不確実性による配分・教師あり学習の基準線を比較した。汚染確認と要素別アブレーションで、配分の効果と計算量増加の効果を分離した。
• 業務リードとして、PyTorchによる深層学習アルゴリズムの高性能実装と、活性値メモリ・処理量の計測に基づくバッチ構成とチェックポイントの変更を担当し、同じプロンプト・乱数種・品質確認を保ち、固定評価の実行時間を11.4から8.1 GPU時間に短縮した。
• 業務リードとして、評価・基盤の同僚と協働し、大規模でも汎化するアイデアを検証した。3つのモデル規模で同じ基準線を用い、未使用ドメインで消えた改善は採用せず、根拠のない大規模実行を防止した。
• 業務リードとして、検証器予算の研究を筆頭著者のプロジェクト報告にまとめ、不確実な回答へ追加推論を配分する新しいアイデアを検証した。アブレーション実験で単に回答を長くするより難しい例の選択が重要と分かり、独立した査読者が実行一覧から比較を再現した。
• 業務リードとして、未知の領域で断定的な誤答と回答保留を検証し、AI技術の影響を評価した。基準精度の向上だけでは根拠のない回答が安定して減らず、査読者が失敗例の付録と公開範囲の制限を承認した。
• 依存版を固定して未使用課題で基準線を再現。乱数種間の信頼区間を報告し、最高性能だけでなく失敗したアブレーションも記載。
• 固定シードと相互検討済み前提を活用した機械学習除去実験を主導し、交絡基準を修正して否定結果の再現報告を完成。
• カーネル分析を活用した高性能実装を構築し、同精度で評価時間を28%削減して研究課題に関わる限界を公開。

• Google Researchでの版管理データセット・3つの乱数種・未使用ドメイン分割を用いた指示チューニング研究の再現を担当し、改善に見えた結果の一つが重複例によるものと判明し、次の実験選定前に比較を修正した。
• 研究・基盤の協働者に同一計算予算・3シードの分散・負の結果の記録を求める評価レビューを整備した。2人の研究者の独立再現を指導し、隠れたデータ重複のある基準線を廃止した。
• 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。

• 1,200件の合成多段課題で推論精度と回答保留を比較する再現可能な研究プロジェクトの作成を担当し、データ生成コード・基準線・負の結果を内部報告にまとめ、合成課題の改善は実社会の安全性を証明しないと明記した。
• 同じ未使用課題で3つの推論予算ごとに精度・生成トークン・GPU時間を記録した。追加計算は難しい推論に有効でも断定的な誤答は解消せず、回答保留規則を伴う上限付き可変予算を提案した。
• 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：機械学習、最適化、統計的推論、再現実験；モデル評価に関する博士論文

機械学習 · 研究アジェンダ · 深層学習アルゴリズム · 対照実験 · 汎化

• 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。