EdTech事業_シニア機械学習エンジニア（テクノロジー職）

グロービスの提供する多様な教育サービスのデータを用いた機械学習モデル開発を担うシニア機械学習エンジニアのポジションです。

事業内容

◆グロービスについて
グロービスは、経営に関する「ヒト」「カネ」「チエ」の生態系を創り、社会の創造と変革を行 うことをミッションに1992年に設立されました。以来、ビジネスリーダー育成を目的とした経営大学院・スクール事業、法人向け研修事業やオンライン学習サービス、出版やベンチャーキャピ タル事業等、多岐にわたる事業を通して、多くのビジネスパーソンの皆様をご支援してきまし た。国内での事業に留まらず、アメリカ、EU、アジアなど海外にも進出しています。 

 ◆グロービス・デジタル・プラットフォーム部門について
2016年には、Ed-Tech領域に注力すべくグロービス・デジタル・プラットフォーム部門（GDP）を 設立し、現在200名を超える規模（うちエンジニアを含むテクノロジー人材は100名程度）で、国 内事業のみならず海外展開も積極的に推進しています。 GDPでは、「日本発、世界をリードするEd-Techカンパニーになる」をビジョンに掲げ、「学び の未来をつくり出し、人の可能性を広げていく」学習サービスを展開しています。 

 ◆展開中のサービスについて
 良質なビジネス動画が学び放題のサブスクリプション型サービス「GLOBIS 学び放題」や、法人向けの学習管理を目的としたSaaSプロダクト「GLOPLA LMS」など、ビジネスパーソンの可能性を 広げるためのプロダクトを複数展開しています。

募集背景

現在、グロービス内で保持する学習データ(例：「GLOBIS 学び放題」の学習行動データ)やアセスメントデータの活用にも本腰を入れ始めています。

機械学習によるデータ活用の方向性としては、教育業界におけるインパクト創出と既存サービスの成長支援の2パターンで考えています。

例えば下記のようなテーマを想定しています。

• 教育業界におけるインパクト創出: 個別学習実現のための機械学習モデル開発
• 既存サービスの成長支援: 「GLOBIS 学び放題」におけるレコメンドモデル開発

これらの実現のために、データ専門性の高い人材を集めたデータサイエンスチームを組成し、体制強化を進めています。

なお、チーム内での役割分担は下記のようにしています。

• データサイエンティスト：データによる新しい価値創造をゴールとするデータ分析やモデル開発を担う。
• 機械学習エンジニア：サービス実装をゴールとした機械学習のモデル開発と運用を担う。
• データエンジニア：データ活用の要となるデータ基盤開発と運用を担う。

現在は以下のような体制です (業務委託を含む) 。

• 統括ディレクター：1名
• データエンジニア：1名
• 機械学習エンジニア：1名
• データサイエンティスト：6名
• 技術顧問：1名

このうち、機械学習領域のコアメンバーとなるシニア機械学習エンジニアを募集します。

業務内容

▼業務概要

• パーソナライズ学習実現に向けた機械学習モデルの開発
• 部門内のサービス改善を目的とした機械学習モデルの開発

▼業務詳細 (モデル構築フェーズ)

• ビジネス要求ヒアリング
• 要求を踏まえて機械学習タスクの全体設計
• タスク開始前の基礎分析
• モデル構築方針の検討 (特徴量選定、手法検討、評価方法検討)
• モデルの実装 (ライブラリ利用､論文ベースの手法の実装)
• モデルの定量・定性評価
• モデル開発結果のレポーティング

▼業務詳細 (モデルのシステム導入フェーズ)

• 効果検証のグランドデザインの設計・実装
• 効果検証のために追加取得すべきデータ要件の整理・提案
• 効果検証のためのデータ分析

▼担当プロセス(システム本格導入時)

• システム導入時のアーキテクチャ検討
• サービス開発チームとの責任分界点の確定
• バッチ処理のジョブスケジューリングと監視設計、実装
• リリース後の運用

<データサイエンスチーム紹介資料>

• https://speakerdeck.com/globis_gdp/globis-data-science-team-is-hiring

＜テックマガジン＞

• 「大規模言語モデルはグロービス学び放題の問題をどれくらい解けるのか」というテーマで色々検証してみた
• ユーザーに合った学習コースを届けるための第一歩・・・グロービス学び放題のコース情報のembeddingをVertex AI Custom Training Jobで作成する。
• グロービス学び放題の関連コース抽出にItem2Vecを活用してみた話

開発環境は下記になります。

• 開発言語
  Python
  SQL
• インフラ
  GCP (データ基盤)
  AWS (その他本番運用システム)
• ELT ワークフロー管理
  Cloud Composer
  Airflow
• DWH
  BigQuery
• その他インフラ管理
  Docker
  GKE / Vertex AI / 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

魅力

• コアメンバーとして大きな裁量を持ち、活躍するチャンスがある。
• 経営層のデータ活用への温度感が高いので、強いバックアップのもと機械学習モデル開発に取り組む事が出来る。
• スキルの高いエンジニアとデータサイエンティストが既にチームに在籍しており、高度なデータ活用に向けたコラボレーションの環境が整っている。また、サービスのデータ分析や機械学習モデル開発向けに活用するための基盤も整えられている。
• 社会人教育における国内最大規模の大学院・教育サービス機関であり、ユニークなデータが取得・利用可能である。
• 動画サービスのようなオンラインデータだけでなく、集合研修などのオフラインデータを扱うチャンスがある。
• 社会人教育におけるDX推進にあわせ、様々なデータ活用の提案が実施できる。
• 定期的な技術ブログの発信を行うなど、技術研鑽に励むことのできる環境がある。
  https://note.com/globis_engineers/
• フルフレックス､リモートワーク、副業可、服装自由、自己啓発支援制度やグロービス経営大学院への通学支援制度等、自己成長を目指す方が働きやすい環境である。
  https://recruiting-tech.globis.co.jp/environment/

応募資格

必須要件

下記に列挙する機械学習・データ/エンジニアリングについてのスキルを保持していること。

[機械学習・データ]

• 機械学習・ディープラーニングの技術に対する基本的な内容の理解とそれらを用いた課題解決のための実装経験がある。また探索的データ分析、特徴量エンジニアリング、モデル開発・評価において豊富な知見があり、課題や要件に沿ったアプローチの提案ができる。
• SQL：SQLの構文を一通り理解し、記述、実行できる (各種JOINの使い分け。集計関数とGROUP BY､WITH 句など)。
• 統計：統計検定2級レベルの知識を保有し、実務で利用する事が出来る。

[エンジニアリング]

• システム設計：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：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。運用担当のインフラエンジニアやサービス開発担当のアプリケーション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：応用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。特に､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：パブリッククラウドを利用して､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。
• 言語要件：日本語能力がネイティブレベルの方、または、日本語能力試験（JLPT）1級相当以上
  ※下記テストを日本語能力試験（JLPT）の代替テスト・保有能力として認めます。
  https://globis.box.com/v/japanesetest
• グロービスの事業、グロービス・ウェイに対する強い興味関心がある方

歓迎要件

下記に列挙する項目のいずれかを満たしている事。

[機械学習・データ]
・機械学習：
- 応用領域として、レコメンデーション、自然言語処理、時系列解析に関する知識・経験がある。
- 機械学習モデル構築に用いる各種フレームワーク(scikit-learn, XGBoost, LightGBM, etc.)に精通している。
・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をキャッチアップしている。
- BERTなどのTransformerベースのモデルに対する理解があり、各種フレームワーク (TensorFlow, PyTorch, Huggingface transformers, etc.) を活用した実装経験がある。
- 大規模言語モデル（LLM）のトレンドをキャッチアップしており、ChatGPT APIを活用したアプリケーション開発などの知見がある。

[エンジニアリング]
・アプリケーション開発：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開発だけでなく､そのインフラ設計や API 仕様策定も行える｡
・モデルのシステム導入の実務経験：機械学習モデルのシステム導入後の運用基盤（MLOps）に関する経験がある。
・データエンジニアリング：Data Warehouse の設計・構築など､データエンジニアリング領域における理解､経験がある｡
・データ設計：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。

[ビジネス]
・コミュニケーション：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。