jinbay無料で相談する

職務経歴書の記入例

検索・推薦エンジニアの職務経歴書 記入例

検索・推薦の経験は、RAG の検索部分を任せられる人として、生成AIの会社からも求められています。ただし「ランキングを改善」とだけ書くと、何で測って、事業の数字がどう動いたのかが伝わりません。EC と不動産ポータルで検索・推薦を担当してき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:EC サイトの商品検索を6年、不動産ポータルで検索の並び順と推薦を8年。いまはベクトル検索を組み合わせたハイブリッド検索も担当。37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 伊藤 大輔

■ 職務要約

株式会社〇〇(EC サイト運営)で商品検索の開発を6年担当し、検索エンジンの移行と日本語の辞書の整備を行いました。2018年からは株式会社〇〇(不動産ポータル)で、物件約800万件の検索の並び順と推薦を担当しています。閲覧・問い合わせのログから学習するランキングへの切り替えで、A/B テストで問い合わせ率を7.8%改善しました。2025年からは、キーワード検索とベクトル検索を組み合わせたハイブリッド検索と、その仕組みを使った社内向け RAG の検索部分も担当しています。

■ 活かせる経験・知識・技術

  • Elasticsearch・OpenSearch による日本語の検索の設計と運用(辞書、同義語、表記揺れ)
  • ランキングの学習(LightGBM の LambdaRank)と特徴量の設計
  • 推薦(協調フィルタリング、ベクトルを使った候補の生成と並べ替え)
  • オフライン評価と A/B テストの設計、結果がずれたときの原因の調べ方
  • p99 で100ミリ秒前後を守る検索 API の設計と運用

■ テクニカルスキル

言語Python(12年8か月)、Java(7年)、Go(3年9か月)、SQL
フレームワーク・ライブラリLightGBM(6年6か月)、Elasticsearch(4年3か月)、Solr(4年3か月)、Spring Boot(4年3か月)、PyTorch(3年9か月)、Faiss(3年9か月)、Elasticsearch(Learning to Rank プラグイン)(2年9か月)、OpenSearch(1年11か月)、FastAPI(1年11か月)
機械学習・生成AI埋め込みモデル(1年11か月)、リランキングのモデル(1年11か月)、商用LLMのAPI(1年11か月)
データベースMySQL(7年)、BigQuery(6年6か月)、Redis(3年9か月)
OS・クラウド・インフラGoogle Cloud(8年5か月)、Kubernetes(6年6か月)、AWS(4年3か月)
ツールAirflow(3年9か月)、Datadog

■ 職務経歴

株式会社〇〇(2018年7月〜現在)

事業内容:不動産の賃貸・売買物件のポータルサイト運営 従業員数:約1,200名 雇用形態:正社員

所属・役職:プロダクト本部 検索・推薦グループ リーダー(2022年4月〜)

2018年7月〜2021年3月

物件検索の並び順を学習するランキングへの切り替え

賃貸・売買の物件約800万件の検索結果の並び順を、手作業で調整した点数の式から、ログから学習するランキングに切り替えた。

【役割】メンバー(2020年から担当リーダー) 【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、総合テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • 表示順の影響(上にあるほどクリックされる)を補正するため、一部の利用者に並び順を少し入れ替えて表示し、その結果から補正の重みを推定
  • 1段目は検索エンジンで上位1,000件を取り、2段目で学習したモデルで並べ替える2段構成にし、応答時間を抑えた
  • オフラインの nDCG と A/B テストの結果がずれたときに、検索条件の種類ごとに分けて差を調べる手順を作った

【成果】

  • オフラインの nDCG@10 を0.412から0.468に改善
  • A/B テストで問い合わせ率が7.8%向上(4週間、利用者の50%ずつで比較)
  • 検索 API の p99 の応答時間を120ミリ秒以内に維持

【使用技術】Python、Java、LightGBM、Elasticsearch(Learning to Rank プラグイン)、BigQuery、MySQL、Google Cloud、Kubernetes

2021年4月〜2024年12月

閲覧履歴にもとづく物件の推薦

物件詳細ページとメールで「この物件を見た人はこちらも」を出す推薦を、ルールベースから機械学習に切り替えた。

【役割】リーダー 【規模】チーム4名

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

【取り組み】

  • 利用者と物件をそれぞれベクトルにするモデル(2つの塔の構成)で候補を数百件に絞り、LightGBM で並べ替える構成にした
  • 成約済みの物件を出さないよう、掲載の状態を数分おきに反映し、推薦の候補から除くしくみを作った
  • 新着の物件が推薦されにくい問題に対し、物件の属性だけからベクトルを作り、閲覧がなくても候補に入るようにした

【成果】

  • 推薦経由の問い合わせ数が、ルールベースと比べて A/B テストで23%増加
  • 新着物件(掲載7日以内)の推薦表示の割合を3%から15%に改善

【使用技術】Python、Go、PyTorch、Faiss、LightGBM、BigQuery、Redis、Google Cloud、Kubernetes、Airflow

2025年1月〜現在

ハイブリッド検索の導入と社内 RAG の検索部分の開発

自由な文章での物件検索に対応するため、キーワード検索とベクトル検索を組み合わせた。同じ仕組みを使い、営業向けの社内 RAG の検索部分も担当。

【役割】技術リード 【規模】チーム4名

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

【取り組み】

  • 検索ログから、文章での検索と、物件名・駅名での検索を分けて評価データを作り、どちらにベクトル検索が効くかを確かめた
  • キーワード検索とベクトル検索の順位を混ぜる方式(RRF)で結果を統合し、上位だけをリランキングのモデルで並べ替えた
  • 社内 RAG では、社内規程や重要事項説明の文書を条文ごとに分割し、同じ検索の仕組みで根拠の文書を取り出すようにした

【成果】

  • 文章での検索の nDCG@10 を0.31から0.52に改善
  • 社内 RAG の評価データ150問で、正しい根拠が上位5件に入る率が91%

【使用技術】Python、OpenSearch、FastAPI、埋め込みモデル、リランキングのモデル、商用LLMのAPI、Google Cloud

株式会社〇〇(2012年4月〜2018年6月)

事業内容:家電・日用品の EC サイト運営 従業員数:約400名 雇用形態:正社員

所属・役職:システム開発部 検索チーム

2014年4月〜2018年6月

商品検索の検索エンジン移行と日本語の辞書の整備

商品約300万件の検索を、古い検索エンジンから Elasticsearch に移行し、日本語の辞書と同義語の運用を整えた。

【役割】メンバー(2016年から担当リーダー) 【規模】チーム4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、総合テスト、保守・運用

【取り組み】

  • 旧エンジンと新エンジンに同じ検索語を流し、上位20件の違いを比べて移行による劣化を確かめた
  • 形態素解析のユーザー辞書に型番や商品名を登録し、全角・半角、カタカナ・ひらがなの揺れを正規化
  • 0件ヒットの検索語を毎週集計し、同義語を足す運用を作った

【成果】

  • 0件ヒット率を4.6%から1.2%に削減
  • 検索のサーバー費用を約35%削減

【使用技術】Java、Python、Elasticsearch、Solr、Spring Boot、MySQL、AWS

■ 資格

  • 2019年6月 統計検定2級

■ 社外での活動

  • 社外の勉強会で「学習するランキングの A/B テストで数字がずれたとき」を発表(2022年)

■ URL

  • GitHub:https://github.com/example

■ 自己PR

オフラインの数字だけで判断せず、利用者の行動で確かめることを大切にしています。ランキングの切り替えでは、オフライン指標が上がったのに A/B テストで問い合わせ率が下がる時期がありました。検索条件の種類ごとに分けて調べると、エリアを絞らない検索で遠い物件が上に来ていたことが分かり、特徴量を足して解消しました。

これまでの検索・推薦の経験を活かし、生成AIのプロダクトで、根拠となる情報を正しく取り出す部分の設計に関わり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。

検索・推薦エンジニアの職務経歴書で、見られる点

  1. 01

    オフライン指標と A/B テストを分けて書いているか

    nDCG などのオフライン指標が上がっても、A/B テストで事業の数字が上がらないことはよくあります。両方の結果を分けて書き、ずれたときにどう原因を調べたかまで書けると、検索・推薦を本当に回してきた人だと伝わります。

  2. 02

    応答時間と規模の制約を書いているか

    検索と推薦は、数百万件の中から数十ミリ秒で結果を返す仕事です。件数、1秒あたりのリクエスト数、p99 の応答時間など、規模と速さの数字を書くと、設計の難しさが伝わります。

  3. 03

    日本語の検索ならではの問題に触れているか

    形態素解析の辞書、表記の揺れ(全角・半角、カタカナ・ひらがな)、同義語の管理は、日本語の検索で必ずぶつかる問題です。具体的な対処を書くと、RAG の検索精度を上げる仕事にもそのまま通じます。

  4. 04

    ベクトル検索をどう組み合わせたか

    生成AIの会社に応募するなら、キーワード検索とベクトル検索を組み合わせた経験は強い材料になります。どちらか一方に置き換えたのではなく、それぞれが得意な質問をどう見極めたかを書きます。

欄ごとの書き方

職務要約
検索と推薦のどちらに軸があるか、サービスの規模(件数、利用者数)を最初に書きます。最後に、A/B テストで確かめた事業の成果を1つだけ書きます。
職務経歴
取り組みには、仮説と手法を書きます。成果には、オフライン指標、A/B テストの結果、応答時間を分けて書きます。売上などの社外秘の数字は、「問い合わせ率が7.8%向上」のように変化の率で書けば十分です。
活かせる経験・知識・技術
検索エンジンの運用(Elasticsearch・OpenSearch)、ランキングの学習、推薦、評価(A/B テスト)に分けて書くと、どの部分を任せられるかが伝わります。

よくある書き方を、こう直す

よくある書き方

機械学習を用いた検索ランキングの改善を担当。

直した書き方

物件検索の並び順を、閲覧・問い合わせのログから学習するランキングに切り替え、オフラインの nDCG@10 を0.412から0.468に、A/B テストで問い合わせ率を7.8%改善した。

オフライン指標と、利用者の行動で確かめた結果の両方があると、改善の確かさが伝わります。

よくある書き方

ベクトル検索を導入し、検索精度を向上。

直した書き方

「駅近で子育てしやすい」のような文章での検索はベクトル検索、物件名や駅名はキーワード検索が強いことを検索ログで確かめ、両方の結果を混ぜるハイブリッド検索にした。

新しい手法を入れた事実より、どの質問に効くかを確かめてから組み合わせた判断のほうが評価されます。

よくある書き方

同義語辞書のメンテナンスを実施。

直した書き方

0件ヒットの検索語を毎週集計し、表記揺れと同義語を辞書に足す運用を作り、0件ヒット率を4.6%から1.2%に下げた。

地味な運用も、何を見て、どう回し、何が変わったかを書けば立派な成果になります。

あわせて読みたい