jinbay無料で相談する

スキルシートの記入例

機械学習・MLOpsエンジニアのスキルシート 記入例(Excel)

機械学習の案件は、モデルを作る仕事と、作ったモデルを本番で回し続ける仕事(MLOps)に分かれます。発注先がどちらを求めているかで見られる欄が変わるので、案件ごとに「どこまで担当したか」をはっきり書くことが大切です。

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:通信会社でデータ分析とモデル開発を8年経験したあと、フリーランスとして需要予測・不正検知の運用基盤づくりを担当。35歳。
人物・会社・数字はすべて架空です。

スキルシート

技術者名K.S
年齢35歳
最寄り駅JR中央線 吉祥寺駅
稼働2027年1月〜/週4〜5日(リモート中心、月1〜2回の出社可)
得意分野表形式データの予測モデル(需要予測・不正検知・解約予測)と、その運用基盤
得意技術Python、LightGBM、MLflow、Vertex AI・SageMaker、Kubernetes
得意業務モデル開発から、再学習・デプロイ・監視の自動化まで
資格統計検定2級、AWS Certified Machine Learning - Specialty
自己PRモデルを作って終わりにせず、本番で精度が落ちていないかを確かめ続ける仕組みまで作ることを大切にしています。案件の最初に、どの指標がどこまで下がったら再学習するかを発注先と決め、運用の判断を数字で話せるようにしています。
No期間業務内容役割・規模言語FW・ライブラリDBOS・クラウド・ツール要件定義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・運用データ整備モデル開発・評価実機検証
12025年4月〜現在

■約3万商品の日次需要予測モデルの再学習と監視の自動化(小売チェーン)

約180店舗・約3万商品の発注量を決める需要予測モデルについて、手作業だった再学習と精度の確認を自動化。

≪担当業務≫

・週次の再学習から評価、本番への切り替えまでを Vertex AI Pipelines で自動化

・特徴量の計算を学習と推論で同じコードに統一し、学習時と推論時のずれを解消

・店舗・カテゴリ別の誤差と、入力データの分布の変化(ドリフト)を毎日監視し、しきい値を超えたら通知

・MLflow でモデルの版を管理し、本番への切り替えは担当者の承認を経る流れにした

≪成果≫

・再学習の手作業を月16時間から0時間に

・MAPE(平均絶対誤差率)を18%から13%に改善

・精度の悪化に気づくまでの期間を平均3週間から1日に短縮

MLOpsエンジニア(運用基盤の設計と実装)

チーム4名/全体12名

Python、SQLLightGBM、pandas、MLflowBigQueryGoogle Cloud、Vertex AI、Docker、GitHub Actions、Terraform●●●●●●
22024年1月〜2025年3月

■カード決済の不正検知モデルのリアルタイム推論 API 化(決済事業者)

夜間のバッチで判定していた不正検知モデルを、決済の処理中に判定できるリアルタイムの推論 API に置き換え。

≪担当業務≫

・直近1時間の利用回数など、集計が必要な特徴量を Redis に持たせ、推論時に参照する構成を設計

・新しいモデルを本番と並行で動かし、判定結果だけを記録して比べる検証(シャドーデプロイ)を実施

・推論の応答時間とモデルの判定率を Prometheus と Grafana で監視

≪成果≫

・推論の応答時間を99パーセンタイルで45ミリ秒以内に

・適合率90%を保ったまま、再現率を62%から74%に改善

・不正の検知が最大12時間後から決済の時点に

メンバー(推論 API と特徴量の提供部分を担当)

チーム5名/全体20名

PythonFastAPI、XGBoost、scikit-learnRedis、PostgreSQLAWS、Kubernetes、Docker、Prometheus、Grafana、Argo CD●●●●●●
32020年4月〜2023年12月

■解約予測モデルの開発と、引き止め施策への組み込み(自社)

約400万件の契約者データから、翌月に解約しそうな契約者を予測し、コールセンターの引き止め施策の対象選びに使う仕組みを開発。

≪担当業務≫

・約120の特徴量を設計し、契約の更新月の前後で効き方が変わる点を特徴量に反映

・施策を打った契約者と打たなかった契約者を比べる A/B テストを設計し、効果を検証

・月次の予測を Airflow で自動化し、コールセンターの架電リストに連携

≪成果≫

・上位1割の予測対象の解約率が、全体平均の4.2倍に

・A/B テストで、施策対象の解約率を1.8ポイント下げる効果を確認

リーダー

チーム3名/全体8名

Python、SQLLightGBM、pandas、scikit-learnAmazon RedshiftAWS、Amazon SageMaker、Apache Airflow、Git●●●●●●●

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・MLOpsのスキルシートで、見られる点

  1. 01

    モデルの精度と、運用の数字の両方があるか

    MLOps の案件では「誤差が何%下がったか」だけでなく、「再学習の手作業が何時間減ったか」「推論の応答時間がどうなったか」も見られます。精度の数字と運用の数字を、案件ごとに1つずつは書くようにします。

  2. 02

    学習から本番までのどこを担当したかが分かるか

    「モデル開発・評価」だけに●が付いていると、ノートブックで分析までの人だと受け取られることがあります。デプロイや監視まで担当したなら「保守・運用」にも●を付け、業務内容にパイプラインや監視の中身を書きます。

  3. 03

    データの規模と更新の頻度が書いてあるか

    同じ需要予測でも、店舗数十件の月次予測と、数万商品の日次予測では難しさがまったく違います。件数、特徴量の数、再学習の頻度を書くと、どの規模の案件を任せられるかが伝わります。

  4. 04

    MLOps のツール名が、使った場面とつながっているか

    MLflow、Airflow、Kubernetes などを並べるだけでは評価されにくくなります。「MLflow でモデルの版を管理し、本番切り替えを承認制にした」のように、何のために使ったかを担当業務に書きます。

欄ごとの書き方

得意分野・得意技術
「表形式データの予測モデル(需要予測・不正検知)と、その運用基盤」のように、扱ってきたデータの種類と、モデル開発か運用かを1行で書きます。
業務内容(担当業務)
学習時と推論時の特徴量のずれ対策、ドリフトの監視、再学習の自動化など、MLOps で実際に起きる問題にどう対処したかを書きます。案件の担当者はここを見て、現場の経験があるかを判断します。
業務内容(成果)
評価指標は名前まで書きます。「精度が上がった」ではなく「MAPE(平均絶対誤差率)を18%から13%に改善」「適合率90%を保ったまま再現率を62%から74%に」のように、指標と前後の値をそろえます。
技術の列
フレームワークの列には LightGBM や PyTorch などのライブラリ、OS・クラウドの列には Vertex AI や SageMaker のようなサービス名まで書きます。クラウドの名前だけだと、どこまで触ったかが分かりません。

よくある書き方を、こう直す

よくある書き方

■需要予測モデルの開発

直した書き方

■約3万商品の日次需要予測モデルの再学習と監視の自動化(小売チェーン)

規模と担当範囲(モデル開発ではなく運用の自動化)が案件名だけで伝わります。

よくある書き方

≪成果≫ ・精度向上に貢献 ・運用を効率化

直した書き方

≪成果≫ ・MAPE を18%から13%に改善 ・再学習の手作業を月16時間から0時間に

精度と運用の両方を、指標の名前と前後の数字で書きます。

よくある書き方

≪担当業務≫ ・MLflow、Airflow を用いた MLOps 基盤構築

直した書き方

≪担当業務≫ ・特徴量の計算を学習と推論で同じコードに統一し、本番での精度の落ち込みを解消

ツール名より、どんな問題をどう解いたかの方が、案件を任せられるかの判断材料になります。

あわせて読みたい