・おすすめ機能や検索機能の要件定義、目標指標の設計、技術の選定。
・ユーザーの行動ログやコンテンツの特徴を抽出するデータ処理の仕組みを設計、運用。
・LLMや埋め込み（Embeddings）技術を使い、コンテンツの理解や、検索の基盤を設計、運用。
・推論パイプラインや、LLM/機械学習モデルの開発・運用体制（LLMOps / MLOps）の仕組みを設計し、より良い状態にする。

【プロジェクト例】
・ユーザーの行動とコンテンツ情報に基づいた推薦エンジンの開発と改善。
・コンテンツを適切に分類する仕組みの開発と改善。
・記事評価機能の開発と改善。その運用をチームで支援。
・信頼性・安全性を高めるためのフィルタリング。具体的には、悪意ある行動を検知し、LLMで判断する機能です。
・古くなった機械学習基盤を最新の技術に更新し、性能と費用の改善。
・新規事業における検索・おすすめの仕組みの企画、開発、改善。

技術スタックや開発環境についてはこちらの記事をご覧ください！
https://note.jp/n/nf8dc954f41bc

また、今年度取り組む課題については、ぜひこちらの記事をご覧ください。
https://engineerteam.note.jp/n/nae0f799a491a

ポジションの魅力：
・多様なコンテンツとコミュニティから生まれる、ユニークなデータを扱って開発ができます。
・国内でも有数のデータ規模を持つコンテンツプラットフォームで、運用経験を積むことができます。
・LLMを推薦に活かす、実践的な知見を蓄積できます。
・最新のAI技術を積極的に取り入れ、発信することが奨励される文化があります。
・技術選定や開発計画（ロードマップ）の決定に大きな裁量を持ちます。基盤構築の核として活躍できるポジションです。


■開発環境について
【プログラミング言語とフレームワーク】
機械学習システムの開発は言語として主にPythonを使用しています。
ライブラリに関してはタスクに応じて適切に選択できますが、Databricks上で実行できることを前提にしています。
システム間通信のためのスキーマ言語としては、Protocol Bufferを採用しています。

【開発環境】
Jupyter Notebook on Databricksを利用しています。
Pythonプロジェクトとしてパッケージする時にはrye(uv backend)を利用しています。

AIコーディングエージェントはいずれかから利用可能です。
Claude Code
Cursor
Codex

【データ処理基盤】
SnowflakeかDatabricksのSparkを利用して、大規模データの処理をしています。
Snowflakeがnoteのデータ基盤なので、noteのデータを利用する際にはこちらを利用しています。
DatabricksはAI・ML基盤として利用していて、Snowflakeのデータを一部コピーして訓練・推論をする時に利用しています。

【マネージドクラウドサービス】
Databricks on AWS
Qdrant
■その他社内で使われている技術スタック
開発言語: Ruby、Python、Go、JavaScript、TypeScriptなど
フレームワーク: Ruby on Rails、Nuxt.js、Next.js、など
データベース: MySQL、Redis、DynamoDBなど
CI/CD: Circle CI、GitHub Actions、Cloud Buildなど
DWH: Snowflake, Databricks