機械学習エンジニア（Recommendation / Ranking）

Nehan株式会社は、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行いたい企業向けに公共営業のためのAIワークフロー「Labid」を開発・提供する企業です。Labidは入札情報や予算書などの行政データを収集し、自社の受注実績データと掛け合わせてアプローチすべき行政機関を可視化するAIプラットフォームで、仕様書AIサマリや提案書たたき台の自動生成などの機能を備え、独自の特許技術を有しています。2021年10月設立、代表取締役CEOは鶴巻百門氏で、東京都港区港南（品川）に本社を置き、ISO/IEC 27001:2022認証を取得しています。

■仕事概要
■仕事内容
【新しい公共を共に創ろう】
Nehan株式会社では、「新しい公共を共に創ろう」をミッションに、自治体や官公庁と取引を行う企業向けのAIプラットフォーム「Labid」を開発・提供しています。
公共営業では、日々公開される膨大な行政情報の中から、自社にとって重要な情報を見つけ、「どの自治体にアプローチするべきか」「どの案件を優先して確認するべきか」を判断する必要があります。
また、同じ自治体や案件であっても、企業の事業内容や商材、過去の営業活動、担当者の役割などによって、その重要度は大きく異なります。
Labidでは、入札・落札情報、予算書、総合計画、議会録、自治体の組織情報などの行政データを収集・構造化し、企業が持つ顧客情報や営業活動データと掛け合わせることで、
自社がアプローチするべき自治体
自社に合った入札案件
今確認するべき行政情報
などをユーザーごとに提示する機能を開発しています。
今後、Labidを単に「情報を検索するプロダクト」から、ユーザーごとに必要な情報や次に取るべき行動を先回りして提示するプロダクトへ進化させるためには、
何を推薦対象とするか
ユーザーや企業の状態をどのように表現するか
どの情報を推薦のシグナルとして利用するか
候補をどのように生成し、どのような順序で提示するか
レコメンド結果が本当にユーザーの行動や成果につながったのか
まで含めて、Recommendation
Rankingの仕組みを設計する必要があります。
本ポジションでは、行政データと顧客データを活用したRecommendation
Rankingの問題設定・モデル設計・実装・評価・改善を一貫して担当いただきます。
採用背景
Labidには、入札・落札情報、予算書、総合計画、議会録などの行政データに加えて、顧客企業の営業活動に関するデータも蓄積され始めています。
これらのデータを活用して、
自社がアプローチするべき自治体のレコメンド
自社に合った案件のレコメンド
営業活動の優先順位付け
行政データを横断した検索・情報探索
など、ユーザーごとに最適な情報を提示する機能を増やしていこうとしています。
そのため、当社ではMachine Learning Engineerの専門領域を大きく2つに分けて考えています。
Recommendation
Ranking
「誰に・何を・どの順番で提示するか」をモデル化し、レコメンドやランキングそのものの精度を高める領域です。
AI Systems
Evaluation
AIが利用するデータの意味を設計し、AIの出力を評価し、失敗を分析しながら、AIシステム全体の品質を継続的に改善する領域です。
本求人は前者のRecommendation
Rankingを担当するMachine Learning Engineerの募集です。
公共営業におけるRecommendationには、一般的なECやコンテンツサービスとは異なる難しさがあります。
ユーザーによるクリックや購入が大量に発生するサービスではないため、十分なInteraction Dataが最初から存在するわけではありません。
また、企業ごとの事業内容や過去実績と、自治体・案件・予算などの行政データを組み合わせて推薦する必要があり、単純な協調フィルタリング（Collaborative Filtering）だけでは解くことができません。
限られたフィードバックの中で多様なデータをシグナルとして利用し、ユーザーにとって本当に価値のある情報を上位に提示できるレコメンドシステムを構築することが、本ポジションを募集する背景です。
■具体的な業務内容
Recommendation
Rankingの問題設計
自治体、案件、行政情報など、推薦対象の定義
ユーザー・企業ごとの推薦目的の整理
Candidate Generation
Rankingの問題設定
正解データ・ラベル・Optimization Objectiveの設計
ユーザー行動や事業成果とRecommendationの接続
単にモデルを作るのではなく、プロダクト上の課題を「何を予測・最適化する問題なのか」へ落とし込むところから担当します。
特徴量・学習データの設計
顧客企業の属性・事業内容・商材などの特徴量設計
自治体・案件・予算・行政施策などの特徴量設計
過去の営業活動・ユーザー行動を利用した特徴量設計
テキストデータやEmbeddingを利用した特徴量設計
学習・評価に利用するDataset
Labelの構築
構造化データだけではなく、行政文書などの非構造化データも組み合わせながら、Recommendationに利用できるシグナルを設計します。
Candidate Generation
Rankingの設計・実装
Rule-based Matching、Machine Learning、Learning to Rank、Embedding
Vector Similarity、Retrieval、Reranking、LLMなどを組み合わせたRecommendation Pipelineの設計・実装
利用可能なデータ、精度、説明可能性、レイテンシ、運用コストを考慮した手法の選定
特定のアルゴリズムを採用すること自体を目的とはせず、プロダクトにとって最適な方法を選択します。
コールドスタートへの対応
Labidでは、サービス利用開始時点から十分なユーザー行動データが存在するとは限りません。そのため、
企業属性、事業内容・商材
過去の受注・営業実績
自治体・案件の属性
テキストやEmbeddingによる類似性
類似企業・類似案件の情報
などを利用し、ユーザー行動が少ない状態でも価値を提供できるRecommendationを設計します。
利用データが蓄積された後に、どのようにPersonalizationや学習型Recommendationへ発展させるかまで含めて設計します。
Recommendation
Rankingの評価と改善
Offline Evaluationの設計・実施
Precision
Recall
NDCG等を用いたRecommendation
Rankingの評価
特徴量・モデル・Ranking Logicの比較実験
Failure Caseの分析
実利用データを利用したRecommendation品質の評価
Online Metrics
A/B Test等を利用した検証
ユーザー行動や事業成果を踏まえた継続的なモデル改善
Offline Metricの改善自体を目的とせず、最終的にユーザーが価値のある情報を発見し、次の行動につながったかまで含めて評価します。
プロダクトチームとの連携
PdMと連携したRecommendation機能の要求・成功指標の定義
AI Systems
Evaluationを担当するMachine Learning Engineerとの連携
Backend Engineerと連携したRecommendation Pipelineの本番システムへの組み込み
データチームと連携したRecommendationに必要なデータの品質改善
実験・分析結果をもとにしたプロダクト改善の提案
入社後に期待すること
まずは、Labidが保有している行政データ・顧客データと、現在提供しているRecommendation機能、公共営業というドメインを理解いただきます。
Rankingの仕組みと評価方法を構築いただきたいと考えています。
その後、利用できる特徴量の拡張、Candidate Generation
Rankingの高度化、コールドスタートの改善、実利用データを利用した学習・Personalization、Offline Evaluationとユーザー行動の接続を進めながら、Recommendationの品質改善サイクルを構築いただきます。
中長期的には、User
Customer Context → Candidate Generation → Ranking → User Action → Feedback → LearningというLabid全体のRecommendation Loopを設計し、Recommendation
Ranking領域における技術方針やアーキテクチャの意思決定をリードいただくことを期待しています。
本ポジションの魅力
Recommendationがプロダクト価値の中心にある
LabidにおけるRecommendationは、単なる「おすすめ機能」ではありません。
膨大な行政情報の中から「自社にとって今見るべき情報は何か」「次にアプローチするべき相手は誰か」を提示すること自体が、プロダクトの中心的な価値になります。
Recommendation
Rankingの改善が、そのまま顧客の営業活動や事業成果につながる環境で開発できます。
コールドスタートからRecommendationを設計できる
ECやSNSのように、大量のInteraction Dataが最初から存在する環境ではありません。
構造化された行政データ、顧客企業の属性、テキストデータ、Embedding、類似性、ドメイン知識などを組み合わせながら、少ないフィードバックでも価値を出せるRecommendationを考える必要があります。
データが豊富な前提で既存アルゴリズムを適用するのではなく、Recommendationの問題そのものを0から設計できます。
多様かつ独自性の高い行政データを活用できる
Labidでは、全国の自治体・官公庁から、入札、落札、予算、総合計画、議会録、組織情報など多様なデータを収集しています。
これらを顧客企業の事業内容や営業活動データと組み合わせることで、「この企業にとって、この自治体・案件はどの程度重要なのか」という、独自性の高いRecommendationの問題に取り組めます。
モデルだけでなくRecommendation System全体を設計できる
特定のモデルを学習するだけのポジションではありません。
Candidate Generation、Feature Engineering、Ranking、Evaluation、Serving、Feedback Loopまで含めて、Recommendation System全体を設計できます。
必要に応じて検索、ルール、Embedding、Machine Learning、LLMなどを組み合わせながら、プロダクトにとって最適な構成を選択できます。
0からRecommendationの学習ループを構築できる
まだ完成したRecommendation Engineや決められたアーキテクチャが存在するフェーズではありません。
プロダクトチームと議論しながら、何を推薦するか、何を正解とするか、どのシグナルを利用するか、どのように評価するか、ユーザー行動をどう次の学習に利用するかを自ら設計していくことができます。
Recommendationを機能として作るだけではなく、利用されるほど改善していく仕組みそのものを構築できます。
アルバイト/業務委託/正社員

Machine Learningを利用した本番プロダクトについて、問題設定・設計・実装・評価・改善のいずれかを一貫して担当した経験
Recommendation
Ranking
Search
Matchingのいずれかについて、モデルやアルゴリズムの設計・実装・改善に携わった経験
構造化データやテキストデータを利用した特徴量・学習データの設計経験
Pythonを利用したMachine Learningシステムの実装経験
Offline Evaluationを用いてモデルやアルゴリズムを比較・改善した経験
PdM・Software Engineerなど、異なる専門性を持つメンバーと協働してプロダクトを開発した経験

Recommendation
Rankingシステムの本番運用・継続的な改善経験
Learning to Rankの実装・運用経験
Candidate Generation
Rankingの多段構成を設計した経験
Search
Retrieval
Recommendationを組み合わせたシステムの開発経験
Embedding
Vector Search
Rerankingを利用した経験
コールドスタートが強い環境でRecommendationを設計した経験
BtoB SaaS、マッチング、広告など、ユーザーフィードバックが疎な領域でのMachine Learning経験
A/B TestなどOnline Evaluationの設計・運用経験
Recommendation
Rankingとプロダクト・事業KPIを接続して改善した経験
MLOps
Model Serving
Feature Pipelineの構築経験
LLMをRecommendation
Rankingの一部として利用した経験
公共・行政領域への関心

モデルを作ることではなく、「ユーザーにとって良い推薦とは何か」から考えたい方
事業上の課題をRecommendation
Rankingの問題として定義するところから関わりたい方
データが十分に揃っていない状況でも、仮説を立ててBaselineをつくり改善を進められる方
モデルだけでなく、特徴量・評価・プロダクト体験まで含めて改善したい方
Offline Metricと実際のユーザー行動の違いを分析し、改善することが好きな方
新しいアルゴリズムを利用すること自体ではなく、それによってユーザー価値を高めることを重視できる方
Recommendation
Rankingをプロダクトのコア技術として育てていきたい方