jinbay無料で相談する

職務経歴書の記入例

機械学習エンジニアの職務経歴書 記入例

機械学習エンジニアの書類では、「AUC 0.95」のような精度の数字だけを並べても、それが事業にどう効いたかは伝わりません。どう検証し、本番でどう動かし、何の数字が変わったかまで書くことが大切です。決済の不正検知から小売の需要予測に移った人の記入例で解説します。

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)

記入例の人物:統計学の修士を出て、決済代行会社で不正検知モデルの開発を5年。その後、小売向けの需要予測 SaaS で機械学習エンジニアを5年半。35歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 中村 由紀

■ 職務要約

統計学の修士課程を修了後、決済代行会社で不正検知モデルの開発と本番運用に5年携わり、リアルタイム推論の基盤づくりまで担当しました。2021年からは小売向けの需要予測 SaaS の会社で、店舗×商品の日次需要予測モデルの開発と、再学習・監視のしくみの整備をリードしています。需要予測では、バックテストの誤差率を31%から24%に下げ、予測を発注に使った顧客企業で生鮮品の廃棄を約15%減らしました。

■ 活かせる経験・知識・技術

  • 分類(不均衡データ)と時系列予測のモデル開発、期間で区切った検証の設計
  • モデルの指標を、損失額・廃棄率など事業の数字に結びつけて説明すること
  • リアルタイム推論とバッチ推論の本番化、学習時と推論時のずれの調査と対策
  • 再学習のパイプラインと、予測の精度・入力データの監視のしくみづくり

■ テクニカルスキル

言語Python(9年8か月)、SQL(9年8か月)、Java(4年)
フレームワーク・ライブラリFlask(4年)、Vertex AI Pipelines(3年2か月)、pandas(2年6か月)、Polars(2年6か月)
機械学習・生成AILightGBM(9年8か月)、ONNX Runtime(4年)、MLflow(3年2か月)、scikit-learn、statsmodels
データベースBigQuery(5年8か月)、PostgreSQL(4年)、Redis(4年)
OS・クラウド・インフラDocker(7年2か月)、Google Cloud(5年8か月)、AWS(4年)
ツールdbt(3年2か月)、GitHub Actions(3年2か月)、Jupyter

■ 職務経歴

株式会社〇〇(2021年4月〜現在)

事業内容:スーパー・ドラッグストア向けの需要予測・自動発注の SaaS 従業員数:約120名 雇用形態:正社員

所属・役職:データサイエンス部 機械学習グループ(2023年10月からリード)

2021年4月〜2023年9月

店舗×商品の日次需要予測モデルの刷新

顧客企業12社・約40万系列(店舗×商品)の、14日先までの日次の販売数を予測するモデルを刷新。予測は毎晩のバッチで作り、翌朝の発注案に使われる。

【役割】メンバー(モデル開発の主担当) 【規模】チーム4名/全体15名

【担当工程】要件定義、基本設計、実装・単体テスト、結合テスト、データ整備、モデル開発・評価

【取り組み】

  • 系列ごとの統計モデルから、全系列を1つで学習する勾配ブースティングのモデルに切り替え、新商品など履歴の短い系列にも予測を出せるようにした
  • 特売、天候、祝日、近隣店舗の休業などを特徴量に加え、特売の情報は発注時点で確定しているものだけを使うよう顧客とすり合わせた
  • 直近12週を1週ずつずらすバックテストを評価の標準にし、ランダム分割での評価は廃止した
  • 誤差率だけでなく、欠品につながる予測の不足と、廃棄につながる過剰を分けて報告する形にした

【成果】

  • バックテストの WAPE(重み付き誤差率)を31%から24%に改善
  • 予測を発注量に使った3社で、生鮮品の廃棄を約15%削減(欠品率は同水準を維持)

【使用技術】Python、SQL、pandas、Polars、LightGBM、BigQuery、Google Cloud

2023年10月〜現在

再学習パイプラインと精度監視のしくみの整備

毎週の再学習から予測の配信までを自動化し、顧客企業ごと・カテゴリごとの精度と入力データの変化を監視するしくみを整備。

【役割】リード 【規模】チーム5名

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、保守・運用、モデル開発・評価

【取り組み】

  • 再学習したモデルは、前のモデルと同じバックテストで比べ、悪化したカテゴリがあれば配信を止めて担当者に知らせるようにした
  • 顧客企業の POS データの欠けや、商品コードの付け替えを検知するチェックを入れ、予測が大きく崩れる前に気づけるようにした
  • 精度の推移を顧客企業ごとのダッシュボードにし、カスタマーサクセスの担当者が説明に使えるようにした

【成果】

  • 再学習から配信までの手作業を週約10時間からほぼゼロに削減
  • データの不備による予測の大きな崩れを、顧客からの指摘より先に検知できる割合を約9割にした

【使用技術】Python、SQL、Vertex AI Pipelines、LightGBM、MLflow、BigQuery、Google Cloud、Docker、dbt、GitHub Actions

株式会社〇〇(2016年4月〜2021年3月)

事業内容:EC 事業者向けのクレジットカード決済代行 従業員数:約400名 雇用形態:正社員

所属・役職:リスク管理部 データ分析チーム

2017年4月〜2021年3月

不正利用検知モデルの開発とリアルタイム推論化

カード決済の不正利用を検知するモデルを開発し、ルールベースの審査に追加。1日約200万件の決済に対し、承認の処理の中でリアルタイムに推論する。

【役割】メンバー(2019年からモデル開発のリーダー) 【規模】チーム5名/全体20名

【担当工程】基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • 不正の比率が約0.1%と極端に少ないため、評価は「誤検知率1%での検知率」と損失額に統一した
  • 推論の応答時間を承認処理の制約(50ミリ秒)に収めるため、モデルを ONNX 形式に変換し、特徴量は Redis に事前に集計しておく形にした
  • 本番で検知率が検証時より落ちた原因が、学習時と推論時の集計のずれだったことを特定し、集計の定義を1か所にまとめた

【成果】

  • 誤検知率1%の条件で、検知率を68%から81%に改善
  • チャージバックの損失を月約1,200万円削減
  • 推論の応答時間を99パーセンタイルで18ミリ秒に抑えた

【使用技術】Python、Java、SQL、Flask、LightGBM、ONNX Runtime、PostgreSQL、Redis、AWS、Docker

■ 資格

  • 2017年6月 統計検定 準1級
  • 2023年3月 Google Cloud Professional Machine Learning Engineer

■ 社外での活動

  • Kaggle の表形式データのコンペで銀メダル(2019年)
  • 修士論文「階層ベイズモデルによる小売需要の予測」

■ URL

  • GitHub:https://github.com/example
  • Kaggle:https://www.kaggle.com/example

■ 自己PR

モデルの精度を上げることと同じくらい、その数字が事業にとって何を意味するかを説明することを大切にしています。不正検知では、リスク管理部の担当者と一緒に「誤検知を何%まで許せるか」を決め、その条件での検知率と損失額で改善を報告するようにしました。評価の物差しを先にそろえたことで、モデルの入れ替えの判断が早くなりました。

需要予測では、精度の監視と再学習を自動化し、少人数でも多くの顧客企業を支えられる形を作りました。今後は、モデルの開発から本番運用までを一貫して担い、事業の数字に直接つながる機械学習に取り組みたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

機械学習エンジニアの職務経歴書で、見られる点

  1. 01

    モデルの指標と事業の数字がつながっているか

    AUC や RMSE は、それだけでは良し悪しが判断できません。不正検知なら「誤検知率を1%に抑えた条件での検知率」と「防げた損失額」、需要予測なら「予測誤差」と「廃棄や欠品の減り方」のように、事業側の数字まで書けているかが見られます。

  2. 02

    検証の切り方が正しいか

    時系列のデータをランダムに分けて検証すると、未来の情報が学習に混ざり、精度が高く出すぎます。期間で区切ったバックテストをしたか、本番で手に入らない特徴量を使っていないかを一言書いておくと、基礎がしっかりした人だと伝わります。

  3. 03

    本番でどう推論しているか

    バッチ推論かリアルタイム推論か、1回の推論に何ミリ秒かかるか、何件をさばいているかで、求められる技術がまったく違います。ノートブックの中で終わったモデルと区別するために、本番の推論の形を書きます。

  4. 04

    モデル以外の工程も担っているか

    機械学習エンジニアの仕事の多くは、特徴量の作成、再学習、監視、劣化したときの対応です。学習時と推論時で特徴量の計算がずれていた問題を見つけて直した、などの経験は、現場をよく知る人の証拠になります。

欄ごとの書き方

職務要約
扱ってきた問題の種類(分類・時系列予測など)と、本番で動かした年数を書きます。最後に、事業の数字で表した成果を1つ入れます。
活かせる経験・知識・技術
モデリング、検証の設計、本番化の3つに分けて書くと、データサイエンティストとの違いがはっきりします。使えるライブラリの羅列は、テクニカルスキルの表に任せます。
職務経歴
プロジェクトの概要に、データの規模(件数・系列数)と推論の形(バッチかリアルタイムか、応答時間)を必ず入れます。成果は「モデルの指標」と「事業の数字」を分けて2行で書くと読みやすくなります。
資格・実績
Kaggle などのコンペの成績や論文があれば書きます。ただし、実務の成果より目立つ位置には置かず、職務経歴のあとに添える程度にします。

よくある書き方を、こう直す

よくある書き方

LightGBM で不正検知モデルを構築し、AUC 0.95 を達成。

直した書き方

クレジットカードの不正利用を検知するモデルを作り、誤検知率を1%に固定した条件で検知率を68%から81%に改善。チャージバック(不正利用による返金)の損失を月約1,200万円削減。

不正は全体の0.1%程度しかないため、AUC は高く出やすく差がつきません。運用の条件をそろえた指標と損失額で書くと、実務を分かっている人だと伝わります。

よくある書き方

需要予測モデルの精度向上を担当。

直した書き方

店舗×商品の約40万系列の日次需要予測で、直近12週のバックテストの WAPE(重み付き誤差率)を31%から24%に改善。予測を発注量に使った3社で、生鮮品の廃棄を約15%削減。

何を、どの規模で、どう検証して、どれだけ良くしたかを1文で書きます。

よくある書き方

特徴量エンジニアリングを担当。

直した書き方

本番で検知率が検証時より大きく落ちた原因を調べ、「直近1時間の利用回数」の集計が学習時のバッチ処理と推論時のリアルタイム処理でずれていたことを特定。同じ集計の定義を両方から使う形に直し、検知率の差をほぼなくした。

学習時と推論時のずれを見つけて直した経験は、本番を回した人にしか書けない材料です。

あわせて読みたい