【募集組織】
デジタルサービスモデル開発・ハブ
AI検索開発室 AI検索開発チーム ベクトル検索G展開セクション

＜AI検索開発チームの組織構成＞
　全体11名（ディレクター2名、リーダー2名、メンバー7名）
＜チームの年齢構成＞
　ディレクター、リーダー：30代～40代
　メンバー：30代前半が中心。20代～30代まで在籍

①事業部/室ミッション 　

私たちはECサイトを運営する当社において「部品調達における顧客の 思考にかける時間 の短縮」に向けて活動しています。IA産業(Industrial Automation産業)における部品調達のデファクトスタンダードとなるためのコア機能の一つとして検索サービスを位置づけ、自社内製開発しています。
「デジタルサービスモデル開発・ハブ（TX）」の一員として、顧客・サプライヤーの「あらゆるムダの排除」によりIA産業の非効率解消に貢献していきます。

②チームミッション

チーム全体のミッションは「検索プラットフォームの進化・全体最適化」です。
現在、各国のECサイトへサービスを展開するフェーズにあり、国ごとに異なるデータ構造やインフラ事情を吸収し、かつ急増するアクセスに耐えうる「業界初のグローバル検索基盤」の構築が進んでいます。
メンバークラスの皆様には、AIモデルや検索エンジンに供給される 「データの品質」を徹底的に守り抜き、システムが常に正しいデータを学習・推論できる状態を維持・実装 していただきます。

③自組織の強み・事業責任者からのコメント等

私たちのチームは、サービス企画からシステム実装、AI運用までを一気通貫で担っています。
どれほど優れたAIモデルも、学習するデータが汚れていれば性能を発揮できません。「Garbage In, Garbage Out（ゴミが入ればゴミが出る）」を防ぎ、AI検索の精度を根底から支えるのがあなたの役割です。
3000万点の商品データと膨大な検索ログを扱う中で、泥臭いデータの不整合と向き合い、それを技術の力で解決していく――。地味ですが、サービスの信頼性を左右する極めて重要なポジションです。

【業務内容】
①担当業務内容
AI検索サービス向けデータ基盤において、データの品質保証（Data Quality）、およびETLパイプラインの実装・運用を担当します。

1．データ品質管理（Data Quality）の実装と監視：40%
AIモデルが常に「正しいデータ」を利用できるよう、データの品質を監視・維持する仕組みを実装します。

データテストの実装: Dataformやdbt等を用い、データの欠損・重複・異常値を検知するテストコード（Assertion）の作成と実装。
モニタリング環境の整備: データの鮮度や品質低下を検知した際、即座にSlack等へ通知し、原因を特定できるダッシュボードや監視フローの構築。
データリネージの管理: データの発生源から利用箇所までの流れ（リネージ）を整理し、メタデータ管理ツールへの登録・更新を行い、トレーサビリティを確保する。
2．データパイプライン（ETL/ELT）の開発・改善：40%
設計されたアーキテクチャに基づき、実際のデータ処理フローを開発します。

ETL処理の実装: PythonやSQLを用いて、ログデータや商品データを収集・加工する処理のコーディング。
ワークフローの移行・自動化: 手動で行われている既存のデータ処理を、Workflow Engine（Airflow/Vertex AI Pipelines）上での自動実行ジョブへと書き換える。
パフォーマンスチューニング: クエリの最適化を行い、データ処理時間の短縮やコスト削減（BigQueryのコスト管理等）を行う。
3．データサイエンティストとの連携・サポート：20%

データサイエンティストからの「こんな特徴量が欲しい」「データがおかしい」といった要望・問い合わせに対し、SQLを用いた調査やデータ抽出、マート作成を行う。
②仕事のやりがい（面白さ）

AIの精度向上に直結: 自身が整備・クレンジングしたデータによって、検索精度やレコメンドの質が向上する様子をダイレクトに感じられます。
モダンな技術スタックでの経験: GCP (BigQuery, Vertex AI) や Dataform といったモダンなデータ基盤技術を使用し、大規模データ処理（Big Data）の実務スキルを高められます。
「データ品質」という専門性: 昨今注目されている「データ信頼性（Data Reliability）」や「データオブザーバビリティ」の領域で経験を積むことができます。
③3～5年後の想定されるキャリアパス

データ品質とETL開発のプロフェッショナルである「シニアデータエンジニア」
データ基盤全体の設計を担う「データアーキテクト」
機械学習の運用基盤構築へ幅を広げ「MLOpsエンジニア」
④業務上の課題

データの種類や量が増えるにつれ、「データの欠損」や「予期せぬフォーマット変更」によるエラーが散発しています。現在は手動での調査や修正対応に追われることも多く、システム的な自動検知（テスト）の網羅率を上げ、運用の安定化を図ることが急務です。

⑤使用ツール

クラウド・インフラ : Google Cloud Platform (GCP) 主体
データウェアハウス・加工 : BigQuery, Dataform, Redshift
ワークフロー・ML : Vertex AI, Airflow
言語 : SQL, Python
IaC・CI/CD : Terraform, GitHub Actions
コミュニケーション : MS Teams, GitHub Issues
⑥その他

リモートワークと出社のハイブリッド勤務、フリーアドレス制など、柔軟で働きやすい環境です。