ID:65834さん

## 期間・役割・体制 期間：2025年12月 - 2026年7月 職種・役割：バックエンドエンジニア・リーダー（LLM・バックエンド全般） チーム規模：5名　 担当分担：LLM・バックエンド全般を自身が担当。フロントエンドは別のエンジニアが担当。 ## プロジェクト概要 Webサイト訪問者の属性や閲覧コンテンツに応じて、CTA（行動喚起）文言を生成・最適化して配信する基盤の開発。LLM・バックエンド全般を担当し、LLMコンテキスト生成パイプライン、CTA文言生成API、ABテストのCTR集計・検定結果に基づく文言の差し替えを自動化するバックエンドを設計・実装。フロントエンド担当者と分担して基盤を構築 ## 課題・設計判断・成果 - 事業部ではCTA文言の作成・集計・判定・差し替えに、1記事あたり半日〜1日程度の実作業を要していました。事業部が表現を調整しながら運用できるよう、プロンプトによるトーン調整、文言ごとの表示回数を分母にしたCTR集計、設定した検定ルールに基づく差し替えを設計しました。候補変更時は評価期間と集計データをリセットして前後の結果を分離しました。導入後、4つの対象URLで文言更新が自動稼働し、当該4作業の手作業は不要になりました。担当交代後も約3ヶ月、障害なく稼働しています（導入前工数は本人概算。テスト中の待機時間を除く）。 - 全対象を毎回LLMで生成すると費用が増えるため、既存出力の再利用と環境別のモデル切替を採用しました。初回フル実行では940記事を129回のLLM呼び出し、概算513円で処理し、全件を毎回生成した場合の見積額に対して実行コストを約86%削減しました。 ## 担当業務 - 事業部との折衝をリードし、要件整理、モデルごとの出力確認・選定、運用方法の合意形成を担当 - 事業部担当者がプロンプトを通じて文言のトーンや表現を調整できる運用を設計・実装 - データパイプラインの設計・構築 - 文言ごとの表示回数・クリック数からCTRを集計し、検定結果に基づいて文言を自動で差し替えるバックエンドを設計・実装 - 評価期間の可視化と生成候補の変更に対応。候補変更時には集計データと評価期間をすべてリセットし、変更前後のデータを分離 - LLMコンテキスト生成パイプライン(記事コンテンツ・訪問者属性・遷移先URL・ペルソナ抽出の4ステージ)の設計・実装 - Amazon Bedrock連携の実装(推論プロファイル対応、認証をboto3標準チェーンへ統一、Structured Outputsによるスキーマ準拠出力とリトライ制御) - CTAボタン文言生成APIの開発と、生成品質を担保するプロンプト設計(禁止語ルール、過度表現の抑制、遷移先URLの重複チェック) - 実行ID単位のトレーサビリティ確保と、失敗・生成不可データの取り扱い方針の全ステージ統一 - DDD（ドメイン駆動設計）に従った実装と、クリーンアーキテクチャに沿った責務分離・モジュール設計 ## 主な実績・取り組み - 環境別のモデル切替(開発=Haiku 4.5 / 本番=Sonnet 4.5)と、既存出力がある場合に再生成をスキップする制御を導入し、開発環境のLLM単価を約1/3に削減 - Bedrock呼び出し回数・トークン数・概算費用をSlackへ通知する仕組みを構築し、LLMコストの継続的な可観測性を確保 - 4ステージに散在していた共通処理(記事取得・失敗記録・S3パス定義)を集約し、機能追加時の変更範囲を削減 - LLMコンテキストの参照元をS3へ統一することで、既存APIで発生していた500/504エラーを解消 ## 使用技術 Python, FastAPI, Amazon Bedrock (Claude Haiku 4.5 / Sonnet 4.5), AWS (ECS, EventBridge, S3), Docker, uv, Poetry, pandas, BeautifulSoup, pytest, SonarQube

## 期間・役割・体制 期間：2024年7月 - 現在 職種・役割：データサイエンティスト・リーダー チーム規模：2名 ## プロジェクト概要 KINTO ONEの車両返却台数増加に伴う、将来の業務負荷の不透明性を解決するため、データに基づいた返却台数予測モデルを構築。中古車部および提携会社の業務最適化を支援 ## 課題・設計判断・成果 返却車両の増加に対し、将来の回収業務量を見積もる定量的な手段がなく、人員計画を立てにくい状況でした。機械学習、統計分布推定、契約開始月別のコホート分析を比較し、データ量の制約、契約プランごとの返却構造の表現、事業部への説明しやすさと保守性を理由にコホート分析を選びました。平均的な返却率を基準に95/99パーセンタイルのリスクケースも示し、業務量が現在の約2倍になる見通しを共有しました。予測結果は提携会社の人員計画に2年間継続して使われ、中古車部の業務システム化の判断も後押ししました。 ## 担当業務 - 中古車部門へのヒアリングを通じたビジネス課題の特定と、具体的な解決策(「返却車両予測」)の立案・提案 - 契約プラン毎の返却ロジックを織り込んだ、コホート分析(契約開始月別の残存率・返却率)に基づく予測モデルの設計と、AWS SageMaker上でのパイプライン実装 - 機械学習・統計分布推定(確率分布の当てはめ)・コホート分析の複数アプローチを比較提案し、契約構造を直接表現できる説明可能な手法を選定(データ量の制約と、事業部門への説明責任・保守性を考慮) - 事業部門との合意形成を経て、返却率は過去実績の平均値を基準とし、リスクケースを95/99パーセンタイル値で併記する設計を採用(楽観・悲観シナリオでの業務計画の検討を支援) - 予測結果に基づいた将来の業務負荷の可視化と、関係各所へのレポーティング実施 ## 主な実績・取り組み - 予測を月次の定常業務として手順書化し、継続的に更新できる運用を整備 - 本プロジェクトを起点とした、より戦略的なテーマである「車両の生涯収益分析」への議論の発展 ## 使用技術 Python, SQL, AWS (SageMaker, Athena)

### ▼プロジェクト概要（目的・チーム構成） - 顧客およびPdMからの要望に応え、インフルエンサースタッフを模倣したAIによるチャット機能を持つデジタルスタッフ/ファッションメイトの開発を目指しました。このプロジェクトは、ユーザーとの対話を通じてファッションに関するアドバイスなどを提供することを目的としています。 - MLチームの一員として、ユーザーからの質問に対するデジタルスタッフの回答方法の設計、実装、および検証を担当しました。 - チームはMLエンジニア2名で構成され、プロジェクトのリーダーとしての役割を果たしました。上司はプロジェクトの相談役として参加しました。 ### ▼担当業務 - 会話方法の設計からAPIの開発までを担当 - 顧客およびPdMとの要件調整 - 開発タスクと進捗の管理 ### ▼当時の課題等 - ユーザーがデジタルスタッフとの会話を楽しむためには、会話の質を高め、会話の継続を促進する要素を明確にする必要がありました。これらを基にした課題解決のアプローチが求められました。 - 社内にはLLMを用いたチャットボット開発の経験がなく、新たな技術の習得と応用が必要でした。 - 顧客およびPdMに対して、デジタルスタッフの可能性と制限を共有し、共通の理解を築きながらプロジェクトを進める必要がありました。 ### ▼工夫 - ユーザーの質問に対してインフルエンサースタッフの投稿内容を根拠に答えられるよう、質問と投稿の文章形式をそろえました。Instagram投稿とPAL公式サイトのコーディネート情報を検索対象にし、ChatGPT APIによるベクトル化とpgvectorの類似検索で関連する投稿を取得して回答に利用しました。 - 社内にLLMチャットボットの開発経験がなかったため、顧客・PdMと機能の可能性と制約を共有しながら、会話方法を設計してAPIとして実装しました。 ### ▼主な実績・取り組み - 株式会社パル様との実証実験を通じ、13日間で1,700人のユーザーに対して5,000回の会話を提供しました。これにより、遠方のお客様や商品購入に関する肯定的なフィードバックを多数獲得し、プロジェクトの継続承認をPAL様から得ました。 - 本プロジェクトで開発したデジタルスタッフの技術を他のプロジェクト（KDDI様）にも応用しました。 ### ▼所属会社 AIQ株式会社 [https://www.aiqlab.com/](https://www.aiqlab.com/) ### ▼関連情報 - 「これ、わたしみたい！」インフルエンサースタッフのもう一人の「わたし」を創出するファッションメイトの実証実験を開始 [https://www.aiqlab.com/information/20231019-01](https://www.aiqlab.com/information/20231019-01) - KDDIとAIQがバーチャル空間上で接客AIを活用した未来のショッピング体験の実証実験を開始 [https://www.aiqlab.com/information/20240309](https://www.aiqlab.com/information/20240309)

### ▼プロジェクト概要（目的・チーム構成） - 自社のコミュニティコマースプラットフォーム「Moribus Community & Commerce」の機能拡張と改善を目的としたプロジェクトに参画しました。このプロジェクトでは、ML（機械学習）およびLLM（大規模言語モデル）を活用し、ユーザーのヒアリングと潜在的な課題の特定を行いました。 - 私の提案したアイデアの中から、コミュニティ参加者のコメントに対する自動返答機能が採用され、そのAPI開発を担当しました。 - チームはMLエンジニア2名で構成され、私はプロジェクトのリーダーとして活動しました。上司は相談役としてプロジェクトに参加しました。 ### ▼担当業務 - 顧客体験向上を目的とした新機能の開発における課題の特定と提案 - ChatGPTを活用したコメント返答案の自動生成機能のAPI化、開発、検証 - 開発タスク、進捗の管理 ### ▼当時の課題等 - 新たにリリースされたコミュニティコマースプラットフォームサービスの魅力を高め、プロジェクトを加速させる必要があった - MLチームとして、顧客からのヒアリングを通じて課題の特定と提案を行う - コミュニティ参加者が多数いる中、限られたスタッフで迅速な問い合わせ対応を行う必要があった。手作業での対応は時間がかかり、非効率でした。 ### ▼工夫 - 参加者が多い一方で対応スタッフが限られ、コメントへの手作業の返答に時間がかかっていました。顧客ヒアリングに加えて実運用と競合機能を確認し、運営負荷を下げる施策としてコメント自動返答など複数の改善案を提案しました。 - 採用された自動返答機能について、ChatGPT APIで返答案を生成する機能をAPI化しました。 ### ▼主な実績・取り組み - 自動応答機能、コミュニティ検閲、コミュニケーションの特徴の可視化、ユーザーの興味度合いの可視化など、複数の提案を行い、2つの案が経営層およびPdMに採用されました。 - ChatGPT APIを活用した自動返答機能の開発により、顧客の運用負荷を約1/3に軽減。これにより、限られたスタッフでも多くのユーザーへの迅速な対応が可能となりました。 ### ▼所属会社 AIQ株式会社 [https://www.aiqlab.com/](https://www.aiqlab.com/) ### ▼関連情報 「Moribus Community & Commerce」：SNSとコミュニティ、コマースを結びつける次世代ソーシャルコマースプラットフォーム。顧客のニーズを満たし、LTV（顧客生涯価値）向上に直結します。[https://www.aiqlab.com/information/20221004-01](https://www.aiqlab.com/information/20221004-01)

### ▼プロジェクト概要 NECの海外現地法人向けに、AI・データ分析学習サービスの設計、環境構築、導入、運営を担当。現地社員が予測・テキスト分析のアルゴリズムを実際に試しながら学べる環境を整備した。 ### ▼チーム規模・役割 3名・リーダー ### ▼担当業務 ・メンバーの作業分担、スケジュール、進捗の管理 ・海外現地法人向けのサービス提供フローと、問い合わせ時のエスカレーションフローの設計 ・AWS EC2上の学習用サンドボックス環境の構築 ・サービス紹介と学習コンテンツの作成・拡充、他部署と連携した問い合わせ・運用体制の整備 ### ▼課題と工夫 新規サービスの立ち上げにあたり、現地社員が自習から実践まで進められる環境と、継続的に利用できる運用体制が必要だった。そこで、NECの予測・テキスト分析アルゴリズムを試せるサンドボックスを構築し、アクセス方法と学習コンテンツを整備。あわせて、サービス提供から問い合わせ対応までの流れを設計した。 ### ▼成果 計画どおりにサービスをリリースし、インド、米国、欧州などの海外現地法人の社員500名以上が利用した。 ### ▼関連資料 [NEC技報：AI人材育成環境としてのAAPF](https://www.nec.com/en/global/techrep/journal/g19/n01/190105.html)（NECグループのAI学習環境に関する公開資料。担当した海外現地法人向けサービスそのものの紹介ではありません）

### ▼プロジェクト概要 海外市場におけるAIおよびデータ分析技術を活用した事業拡大を目的とした新規事業・サービ ス開発 ### ▼チーム規模 3名 ### ▼役割 メンバー ### ▼担当業務 ・新規顧客開拓のための営業活動とプレゼンテーション ・顧客の業務プロセス、無線通信機器などの製品およびデータの分析 ・分析課題の仮説設定と検証、機械学習技術を用いた予測モデルの開発 ### ▼課題 ・1からAIを使った新規サービスを企画する必要があった。 ・NECとして新規サービス企画をするノウハウがなかったので手探りで進める状況だった。 ### ▼工夫 - 新規サービスの前提を決めるため、顧客の業務プロセス、通信機器と利用可能なデータを調べ、予測結果を在庫計画と保守業務に結びつける使い道を検討しました。 - 通信量予測では複数のアルゴリズムを比較・評価しました。モデル単体の精度だけでなく、NECの既存製品と組み合わせた提供形態も検討し、需要予測と予防保全のサービス化につなげました。 ### ▼主な実績・取り組み ・ロシアの通信事業者との実証実験で、通信機器の通信量を97%の精度で予測するモデルを構築 した。これにより、需要予測(在庫の最適化)と予防保全(保守業務の最大15倍の効率化)の2 つの商用サービスのリリースに貢献した。プレスリリース: NEC uses AI to optimize inventory and maintenance with highly precise predictions <https://www.nec.com/en/press/201802/global_20180222_01.html>