AIデータ品質‧運⽤責任者

この求人のポイント

▍このポジションの魅⼒
・AIの性能を左右する教師‧評価データを、単発の作業物ではなく継続利⽤できる会社の資産へ変えられます
・品質指標、ルール、判断履歴、作業者運⽤をゼロから設計できる、⽴ち上げ期のポジションです
・データ改善がモデルのどの失敗を改善したかまで追い、データ運⽤とML開発を直接つなげられます
・将来的には、業務量と組織規模に応じて、Data Quality∕CurationとAnnotation Operationsの機能分化‧チーム設計にも関われます

仕事内容

▍ミッション
建設⾒積書‧内訳書から作成される教師データと評価データを、学習‧評価に継続利⽤できるデータ資産として管理し、Biz‧CS‧MLの判断を、作業者が再現可能なルールと改善サイクルへ変換することです。

▍お任せすること
①データ資産と品質状態の可視化
・教師データ・評価データの⼀覧、⽤途、バージョン、責任者、利⽤可否、残存リスクを整理する
・サンプル監査を設計‧実施し、現在の品質⽔準と指標の限界を説明する
・個別の誤りを類型化し、ラベル、階層、作業者、時期、データソースなどの切り⼝で原因と偏りを分析する
・重複、⽭盾、⽋損、階層制約違反、学習⽤‧評価⽤データ間のリーケージを確認する

②ルールと品質運⽤の設計
・アノテーションルールを、定義、正例、負例、境界例、判断停⽌条件、エスカレーション先まで含む形に整備する
・ルールの版判断履歴、未解決ケースを⼀元管理する
・サンプリング、監査、⼆重アノテーション、作業者校正、差し戻し、再レビューの仕組みを設計する
・作業者や外部ベンダーへの説明‧教育‧評価を⾏い、理解度と再発状況を確認する

③データ改善とML開発の接続
・新規データ作成と既存データ修正のバックログを管理し、事業上の優先度とMLの学習計画に接続する
・学習投⼊前に、データ運⽤上のReady∕Not Readyと残存リスクを提⽰する
・MLメンバーとともに、データ変更前後のモデルの失敗パターンを⽐較し、次に改善すべき対象を提案する
・週次のデータ準備状況と、⽉次の品質傾向を関係者へ共有する

④部⾨横断の意思決定⽀援
・業務上の正解はBiz、顧客‧現場事例はCS、モデル要件と投⼊判断はML、ツール実装はSoftwareEngineerへ、論点と判断先を切り分ける
・データ量、品質、費⽤、納期、想定されるモデル影響、未確定事項を整理し、関係者が判断できる状態を作る
・アノテーションツール上の課題を運⽤要件‧受⼊条件へ変換し、Software Engineerと改善を進める

▍このポジションが持つ責任と、持たない責任
本ポジションが責任を持つ領域 他の役割が最終責任を持つ領域
・品質基準、サンプリング、監査⽅法
・アノテーションルール、例⽰、判断履歴
・作業者校正、差し戻し、外部ベンダーの品質
・作成‧修正バックログの運⽤上の優先順位
・データの運⽤上のReady∕Not Ready判定

他の役割が最終責任を持つ領域
・業務上の正解：⽤語・顧客要件：Biz
・顧客・現場事例の収集：CS
・学習‧評価要件、データ分割、モデル投⼊判断：ML
・ツールの設計、実装、テスト、リリース：SoftwareEngineer
・最上位の事業優先順位：事業‧AI責任者

本ポジションが、すべての業務上の正解を決めること、モデルを実装すること、アノテーションツールを開
発すること、全件を⾃ら確認‧修正することは想定していません。

▍⼊社後に期待すること
⼊社後90⽇を⽬安に
・既存の教師データ‧評価データの⼀覧、⽤途、バージョン、責任者を整理する
・サンプル監査を⾏い、現在の品質⽔準と主なエラー類型を提⽰する
・ラベル・階層ルール、未解決ケース、判断履歴を⼀元化する
・次回学習に向けた修正バックログと優先順位をBiz・MLと合意する
・作業者向けの校正⽤データを作り、⼩規模な運⽤を開始する

▍⼊社後180⽇を⽬安に
・データセット、ラベル、階層、作業者別の品質傾向を継続的に説明できる状態を作る
・データ作成から学習‧評価までのリードタイムとボトルネックを可視化する
・ルール変更、作業者教育、差し戻し後の再発状況を測定する
・データ修正前後でモデルの失敗パターンを⽐較し、改善効果を確認する
・外部作業者を活⽤しても、品質状態と残存リスクを説明できる運⽤を確⽴する

応募資格

募集要項

選考について

会社情報