AIエンジニアへの転身ガイド
研究職(博士・ポスドク)から生成AIエンジニアへ|研究と開発の違いと、論文の書き方
更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)
博士課程の学生やポスドクから、生成AIの開発の仕事に移る人が増えています。機械学習や自然言語処理が専門の人だけでなく、物理、化学、生物、情報科学の他の分野から移る人もいます。
研究で身につけた力の多くは、生成AIの開発で役に立ちます。ただ、研究と開発では「良い仕事」の基準が違い、それを知らずに書類を書くと、伝わるべき強みが伝わりません。この記事では、研究と開発の違い、活きる経験と足りない経験、職務経歴書での研究の書き方を説明します。
そのまま活きる経験
| これまでの経験 | 生成AIの開発での使われ方 |
|---|---|
| 論文を読む速さ | 新しい手法が自社の課題に使えるかを、数日で見極める |
| 実験の設計 | 比較の条件をそろえ、どの変更が効いたかを切り分ける(アブレーション) |
| 統計の扱い | 評価データの件数が少ないときに、差が偶然かどうかを判断する |
| 再現性への意識 | 乱数の固定、設定の記録、データの版の管理 |
| 文章を書く力 | 設計の文書や、検証結果の報告を、根拠つきで簡潔にまとめる |
| PyTorch などでの実装(機械学習の研究者の場合) | ファインチューニング、埋め込みモデルの学習、評価の仕組みづくり |
特に評価されるのは、仮説を立て、比べ、結論を出すという一連の流れを、自分で回してきた経験です。生成AIの開発では、プロンプト、検索の方法、モデルの選び方など試すことが多く、何を比べればよいかを決められる人は貴重です。
機械学習以外の分野の研究者も、実験の設計と統計の力はそのまま使えます。さらに、化学や材料、医療など専門の分野がある人は、その分野向けの生成AIの製品で、専門知識を評価データや設計に活かせます。
研究と開発の違い
| 研究 | 開発 | |
|---|---|---|
| 目標 | 新しさ、これまでより良い結果 | 利用者の課題が解決されること |
| 評価の基準 | 公開されたベンチマーク | 自社の利用者の質問やデータで作った評価 |
| 期限 | 学会の締め切り | 数日〜数週間ごとのリリース |
| 「十分」の基準 | 既存の手法を上回ること | 業務で使える水準に届き、費用と応答時間が見合うこと |
| コード | 自分が動かせればよい | 他の人が読み、直し、何年も運用する |
| 成果の単位 | 論文 | 動いている機能、改善された数字 |
開発では、最新の手法よりも単純な方法が選ばれることがよくあります。精度が少し上がっても、費用が3倍になる、応答が遅くなる、保守が難しくなるなら採用されません。面接では「なぜ新しい手法を使わなかったのか」を説明できるかが問われます。
足りない経験と、埋め方
1. チームで書くコード
研究のコードは、ノートブックや1人で読む前提のスクリプトであることが多いと思います。開発では、Git でのブランチとレビュー、テスト、型ヒント、パッケージの管理が前提です。自分の研究のコードを、他の人が README の通りに実行して結果を再現できる形に整え、GitHub に公開してみてください(GitHub の書き方)。
2. 本番で動かす経験
API として提供する、ログを取る、障害に備える、といった経験は研究では得にくい部分です。LLM を使ったアプリを作り、クラウドにデプロイし、応答時間と費用を記録するところまで一度やっておくと、話せることが大きく増えます。
3. 利用者から考える習慣
研究では課題を自分で設定しますが、開発では課題は利用者の側にあります。「この評価データは、実際の利用者の質問を代表しているか」を常に問う習慣が必要です。
学ぶ順番
- LLM の API で RAG(検索拡張生成)のアプリを作る(2〜3週間)。自分の研究分野の論文を対象にすると、答えの正しさを自分で判断できます。
- 評価データを作り、比較実験をする(2〜3週間)。文書の分け方、検索の方法、再順位付けの有無などを、条件をそろえて比べます。研究の経験がいちばん活きる段階です。
- 小型のモデルをファインチューニングする(3〜4週間)。公開されているモデルで、決まった形式の出力や専門用語の扱いを改善し、評価データで効果を測ります。
- API として提供し、デプロイする(2週間)。応答時間と1回あたりの費用を記録し、ファインチューニングの前後で比べます。
職務経歴書での研究の書き方
研究職からの応募でいちばん多い失敗は、論文の題名を並べるだけで終わることです。読む人は専門外のことが多く、題名からは何ができる人なのかが分かりません(詳しくは論文の書き方)。
研究を3つの要素で書く
- 何の課題に取り組んだか:専門外の人にも分かる言葉で1〜2文
- 何をしたか:手法、データの規模、使った道具
- 何が分かったか・どう良くなったか:数字で
職務要約
書き換える前 博士(情報学)。自然言語処理の研究に従事し、国際会議で筆頭著者として論文を3本発表。
書き換えた後 博士課程とポスドクの5年間、文書の要約の自動評価を研究しました。人の評価と相関が高い評価指標を提案し、既存の指標より相関を0.12高めた結果を国際会議で筆頭著者として発表しています。研究では PyTorch で学習と評価の仕組みを自分で作り、GPU 8台の環境で実験を管理してきました。評価の設計と比較実験の経験を活かし、生成AIの製品の質を数字で改善する仕事に携わりたいと考えています。
論文の欄
書き換える前 〇〇 et al., "(論文の英語の題名)", 国際会議名, 2025.
書き換えた後 〇〇 et al., "(論文の英語の題名)", 国際会議名, 2025.(筆頭著者) 要約の質を人の評価に近い形で自動判定する方法を提案。3つの公開データで既存の指標を上回る相関を確認しました。実装は GitHub で公開しています。
論文の情報はそのまま残し、その下に平易な説明を1〜2文足します。筆頭著者かどうか、自分が担当した部分も書いてください。
応募先の選び方
- リサーチエンジニアや応用研究の求人:論文の実装、比較実験、ファインチューニングが仕事の中心で、研究の経験がいちばん直接に活きます。
- 特定の分野向けにモデルを調整する会社:医療、法律、製造など、専門の分野の知識と実験の力の両方が求められます。博士の専門がそのまま強みになることもあります。
- 生成AIの製品を作るスタートアップ:評価の設計や手法の選定を担う人として採用されることがあります。開発の経験を補ったうえで応募すると通りやすいです。
コンペティションでの実績がある場合は、開発の力の裏付けとして書けます(コンペティションの書き方)。
まとめ
- 論文を読む力、実験の設計、統計、再現性への意識は、生成AIの開発でそのまま活きる
- 研究と開発では「良い仕事」の基準が違い、費用、応答時間、保守のしやすさも含めて判断する
- 職務経歴書では、論文の題名を並べるだけでなく、課題・したこと・結果を平易な言葉で書く
研究の経験をどう見せるかは、応募先が研究寄りか開発寄りかで変わります。職務経歴書を見ながら、合う応募先と書き方を一緒に考えます。
