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