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 | DB | OS・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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1 | 2025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、SQL | LightGBM、pandas、MLflow | BigQuery | Google Cloud、Vertex AI、Docker、GitHub Actions、Terraform | ● | ● | ● | ● | ● | ● | ||||
| 2 | 2024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 | Python | FastAPI、XGBoost、scikit-learn | Redis、PostgreSQL | AWS、Kubernetes、Docker、Prometheus、Grafana、Argo CD | ● | ● | ● | ● | ● | ● | ||||
| 3 | 2020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、SQL | LightGBM、pandas、scikit-learn | Amazon Redshift | AWS、Amazon SageMaker、Apache Airflow、Git | ● | ● | ● | ● | ● | ● | ● |
