Machine Learning Engineerr | 機械学習 エンジニア (TokyoDev)

Machine Learning Engineerr | 機械学習 エンジニア (TokyoDev) 仕事概要 ## The Problem Job matching is still keyword-based. "Python engineer" → "Python job." We're building something fundamentally different: AI that matches people based on **values, aspirations, and behavioral fit**, not just skills. Our system explains *why* someone would thrive at a company **and** *why* a company should hire them—not just that requirements are met. Not recommendations. Meaning-based matching. We have 200 paying companies and thousands of active users. The matching works. Now we need to make it exceptional. ## What You'll Build ### 1. Memory Layer for Continuous Learning Users have conversations with our AI over weeks and months. You'll build a system that: - Extracts meaningful information from unstructured conversations (goals, values, preferences, work history) - Stores both structured facts and semantic understanding - Retrieves relevant context in <100ms to power personalized matching - Handles evolution: People change jobs, preferences shift—the system should track this **Challenge:** This is novel territory. Memory extraction from conversational AI at scale hasn't been solved. You'll design it from scratch. ### 2. Explainable Matching Engine Generate recommendations with real explanations: "Company X fits because they prioritize remote work (you mentioned this last week) and have a strong mentorship culture (aligns with your leadership style)." **Challenge:** Make LLM explanations trustworthy. No hallucinations, grounded in actual data, consistent across users. ### 3. Hybrid Matching Architecture Design and implement matching that combines LLMs, rule-based logic, and traditional ML where each excels. Not everything needs a neural net. **Challenge:** Know when to use deterministic rules vs. learned models. Optimize for explainability and cost, not just accuracy. ### 4. Company Knowledge Structures Build semantic representations of company information—business model, culture, hiring requirements, and implicit knowledge that doesn't appear in job descriptions. **Challenge:** Scale from 200 partner companies to 1,500+ with quality data sourcing, fast retrieval, and cost optimization. ### 5. Training Data & Evaluation Design what to label, how to label it, and what "good" means. Build evaluation frameworks for subjective quality (Is this match good? Is this explanation helpful?). Run A/B tests. Benchmark models. **Challenge:** Extract value from small datasets. You have 200 companies, not 200,000—design learning strategies that work with limited examples. ## How You'll Work **Cross-functional collaboration:** You'll work directly with Product Managers and Business Development in rapid hypothesis → implementation → verification cycles. This isn't isolated research—every model change ties to real outcomes. **Two-sided optimization:** Your models must satisfy both job seekers AND hiring companies. User satisfaction and company hiring decisions are both success metrics. **LLM strategy design:** Beyond calling APIs, you'll design prompt strategies and learning approaches based on inference results. Meta-level thinking about how to use LLMs effectively. 解くべき課題（The Problem） 現在の求人マッチングは、いまだにキーワードベースです。 「Pythonエンジニア」→「Pythonの求人」。 私たちが作っているのは、まったく異なるアプローチです。 スキルではなく、価値観・志向・行動特性に基づいて人と企業をマッチングするAI。 なぜこの人はこの企業で活躍できるのか なぜこの企業はこの人を採用すべきなのか それを説明できるマッチングを実現します。 単なるレコメンドではありません。 意味理解に基づいたマッチングです。 現在、200社以上の有料導入企業と数千人のアクティブユーザーがいます。 マッチングはすでに機能しています。 次にやるべきは、それを圧倒的なレベルに引き上げることです。 あなたが構築するもの（What You’ll Build） 1. 継続学習のための「メモリレイヤー」 ユーザーは、AIと数週間〜数ヶ月にわたって対話します。 あなたには以下を実現するシステムを構築してもらいます。 非構造な会話から意味のある情報を抽出 （目標、価値観、嗜好、職歴など） 構造化データと意味的理解の両方を保存 100ms以内で関連文脈を取得し、パーソナライズされたマッチングを実現 人の変化を扱う （転職、志向の変化などを追跡） チャレンジ： 対話型AIのメモリを大規模に抽出・運用する領域は、まだ確立されていません。 この仕組みをゼロから設計してもらいます。 2. 説明可能なマッチングエンジン 「Company Xが合う理由は、 ・リモートワーク重視（先週あなたが言及） ・強いメンタリング文化（あなたのリーダーシップ志向と一致） だからです」 このような本当の説明を伴うマッチングを生成します。 チャレンジ： LLMの説明を信頼できるものにすること。 ハルシネーションを起こさず、実データに基づき、ユーザー間で一貫性を保つ必要があります。 3. ハイブリッド・マッチングアーキテクチャ LLM・ルールベース・従来型MLを、それぞれ得意な領域で組み合わせます。 すべてをニューラルネットにする必要はありません。 チャレンジ： どこで決定論的ルールを使い、どこで学習モデルを使うか。 精度だけでなく、説明可能性とコスト最適化も重視します。 4. 企業知識の構造化 企業情報（事業モデル、カルチャー、採用要件、求人票に書かれない暗黙知）を 意味的に表現・構造化します。 チャレンジ： 200社から1,500社以上へとスケールしながら、 データ品質・高速検索・コスト最適化を両立させること。 5. 学習データ設計と評価 何をラベル付けするか どうラベル付けするか 「良いマッチ」とは何か これらを定義し、 **主観的品質（このマッチは良いか？説明は納得できるか？）**を評価する仕組みを作ります。 A/Bテストやモデル比較も行います。 チャレンジ： 200社規模の小規模データから価値を引き出すこと。 大量データ前提のMLではありません。 働き方（How You’ll Work） クロスファンクショナルな開発 PdM・Bizと直接連携し、 仮説 → 実装 → 検証 を高速で回します。 研究のための研究ではなく、常に実プロダクト成果と接続します。 両面最適化 求職者と企業、両方を満たすマッチングが必要です。 ユーザー満足度と採用意思決定、両方が成功指標です。 LLM活用戦略の設計 APIを呼ぶだけでなく、 推論結果を前提としたプロンプト設計・学習戦略まで設計します。 必須スキル ## The Problem Job matching is still keyword-based. "Python engineer" → "Python job." We're building something fundamentally different: AI that matches people based on **values, aspirations, and behavioral fit**, not just skills. Our system explains *why* someone would thrive at a company **and** *why* a company should hire them—not just that requirements are met. Not recommendations. Meaning-based matching. We have 200 paying companies and thousands of active users. The matching works. Now we need to make it exceptional. ## What You'll Build ### 1. Memory Layer for Continuous Learning Users have conversations with our AI over weeks and months. You'll build a system that: - Extracts meaningful information from unstructured conversations (goals, values, preferences, work history) - Stores both structured facts and semantic understanding - Retrieves relevant context in <100ms to power personalized matching - Handles evolution: People change jobs, preferences shift—the system should track this **Challenge:** This is novel territory. Memory extraction from conversational AI at scale hasn't been solved. You'll design it from scratch. ### 2. Explainable Matching Engine Generate recommendations with real explanations: "Company X fits because they prioritize remote work (you mentioned this last week) and have a strong mentorship culture (aligns with your leadership style)." **Challenge:** Make LLM explanations trustworthy. No hallucinations, grounded in actual data, consistent across users. ### 3. Hybrid Matching Architecture Design and implement matching that combines LLMs, rule-based logic, and traditional ML where each excels. Not everything needs a neural net. **Challenge:** Know when to use deterministic rules vs. learned models. Optimize for explainability and cost, not just accuracy. ### 4. Company Knowledge Structures Build semantic representations of company information—business model, culture, hiring requirements, and implicit knowledge that doesn't appear in job descriptions. **Challenge:** Scale from 200 partner companies to 1,500+ with quality data sourcing, fast retrieval, and cost optimization. ### 5. Training Data & Evaluation Design what to label, how to label it, and what "good" means. Build evaluation frameworks for subjective quality (Is this match good? Is this explanation helpful?). Run A/B tests. Benchmark models. **Challenge:** Extract value from small datasets. You have 200 companies, not 200,000—design learning strategies that work with limited examples. ## How You'll Work **Cross-functional collaboration:** You'll work directly with Product Managers and Business Development in rapid hypothesis → implementation → verification cycles. This isn't isolated research—every model change ties to real outcomes. **Two-sided optimization:** Your models must satisfy both job seekers AND hiring companies. User satisfaction and company hiring decisions are both success metrics. **LLM strategy design:** Beyond calling APIs, you'll design prompt strategies and learning approaches based on inference results. Meta-level thinking about how to use LLMs effectively. 解くべき課題（The Problem） 現在の求人マッチングは、いまだにキーワードベースです。 「Pythonエンジニア」→「Pythonの求人」。 私たちが作っているのは、まったく異なるアプローチです。 スキルではなく、価値観・志向・行動特性に基づいて人と企業をマッチングするAI。 なぜこの人はこの企業で活躍できるのか なぜこの企業はこの人を採用すべきなのか それを説明できるマッチングを実現します。 単なるレコメンドではありません。 意味理解に基づいたマッチングです。 現在、200社以上の有料導入企業と数千人のアクティブユーザーがいます。 マッチングはすでに機能しています。 次にやるべきは、それを圧倒的なレベルに引き上げることです。 あなたが構築するもの（What You’ll Build） 1. 継続学習のための「メモリレイヤー」 ユーザーは、AIと数週間〜数ヶ月にわたって対話します。 あなたには以下を実現するシステムを構築してもらいます。 非構造な会話から意味のある情報を抽出 （目標、価値観、嗜好、職歴など） 構造化データと意味的理解の両方を保存 100ms以内で関連文脈を取得し、パーソナライズされたマッチングを実現 人の変化を扱う （転職、志向の変化などを追跡） チャレンジ： 対話型AIのメモリを大規模に抽出・運用する領域は、まだ確立されていません。 この仕組みをゼロから設計してもらいます。 2. 説明可能なマッチングエンジン 「Company Xが合う理由は、 ・リモートワーク重視（先週あなたが言及） ・強いメンタリング文化（あなたのリーダーシップ志向と一致） だからです」 このような本当の説明を伴うマッチングを生成します。 チャレンジ： LLMの説明を信頼できるものにすること。 ハルシネーションを起こさず、実データに基づき、ユーザー間で一貫性を保つ必要があります。 3. ハイブリッド・マッチングアーキテクチャ LLM・ルールベース・従来型MLを、それぞれ得意な領域で組み合わせます。 すべてをニューラルネットにする必要はありません。 チャレンジ： どこで決定論的ルールを使い、どこで学習モデルを使うか。 精度だけでなく、説明可能性とコスト最適化も重視します。 4. 企業知識の構造化 企業情報（事業モデル、カルチャー、採用要件、求人票に書かれない暗黙知）を 意味的に表現・構造化します。 チャレンジ： 200社から1,500社以上へとスケールしながら、 データ品質・高速検索・コスト最適化を両立させること。 5. 学習データ設計と評価 何をラベル付けするか どうラベル付けするか 「良いマッチ」とは何か これらを定義し、 **主観的品質（このマッチは良いか？説明は納得できるか？）**を評価する仕組みを作ります。 A/Bテストやモデル比較も行います。 チャレンジ： 200社規模の小規模データから価値を引き出すこと。 大量データ前提のMLではありません。 働き方（How You’ll Work） クロスファンクショナルな開発 PdM・Bizと直接連携し、 仮説 → 実装 → 検証 を高速で回します。 研究のための研究ではなく、常に実プロダクト成果と接続します。 両面最適化 求職者と企業、両方を満たすマッチングが必要です。 ユーザー満足度と採用意思決定、両方が成功指標です。 LLM活用戦略の設計 APIを呼ぶだけでなく、 推論結果を前提としたプロンプト設計・学習戦略まで設計します。 歓迎スキル 求める人物像 **You want:** - **Total ownership:** You define the ML vision, architecture, and roadmap - **Build the team:** Hire and lead future ML engineers as we scale - **Founding engineer impact:** Significant equity and organizational influence - **Solo execution initially:** Can self-direct without needing ML peers (for now) **Reality check:** - You'll be the only ML engineer for ~6 months until we hire #2 - No ML peers to review your code or validate decisions - CTO provides infrastructure support but isn't an ML specialist - Small data environment: 200 companies, not 200,000 - Two-sided marketplace: optimizing for users AND companies - This is high autonomy + high responsibility - If you thrive with ML collaboration, this isn't the right fit yet 求める志向 MLの全体構想を自分で描きたい 将来的にMLチームを作りたい 創業メンバーとして大きな裁量と責任を持ちたい 最初は一人でやり切れる 前提 最初の約6ヶ月はMLエンジニアはあなた一人 MLの相談相手はいません データは200社規模 両面マーケットプレイス 高裁量・高責任 MLチームが欲しい人にはまだ早い環境です 応募概要 給与 Salary Range: ¥10,000,000 to ¥15,000,000 *Negotiable ーーー 1000〜1,500万円 ※応相談 勤務地 ■ Location ・Japan : 7F, Tohshin Aoyama Building, 2-10-13 Shibuya, Shibuya-ku, Tokyo, Japan ・US : 651 N. BROAD ST., SUITE 201, MIDDLETOWN DE 19709 ーーー ・日本：東京都渋谷区渋谷2-10-13 東京建物青山通りビル7F ・米国：651 N. BROAD ST., SUITE 201, MIDDLETOWN DE 19709 ■勤務条件 ・原則出社 雇用形態 Full time（正社員） 勤務体系 ■ Holidays ・Annual Holidays: 2 days off per week (Saturdays and Sundays), national holidays, year-end and New Year holidays ・Paid Annual Leave: 10 or more days per year (varies depending on the month of joining) ーーー ■休日・休暇・休業 ・年間休日: 完全週休 2 日（土曜日・日曜日）、祝日、年末年始 ・年次有給休暇: 年間 10 日間以上（入社月に伴い変動） 試用期間 3 Months ・ あり (3ヶ月) Probation Period (3 months) 福利厚生 ■Benefits ・Health Insurance ・Welfare (Pension) Insurance ・Employment Insurance ・Workers' Compensation Insurance ・Commute allowance: up to ¥30,000 per month ・Stock Option Rewards System: According to company regulations ・Visa Support ーーー ■福利厚生 ・健康保険 ・厚生年金 ・雇用保険 ・労災保険 ・通勤費月3万円まで ・ストックオプション報酬制度：当社規定による ・VISAサポート