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
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」で、行政データ（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）と顧客企業の営業活動データを掛け合わせた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します。Labidを「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の行動を先回りして提示するプロダクトへ進化させる役割です。十分なInteraction Dataが最初から存在せず、単純な協調フィルタリングでは解けない公共営業特有の推薦課題に取り組みます（AI Systems / Evaluation領域は別ポジション）。

■仕事の詳細
【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と、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

【特徴量・学習データの設計】

• 顧客企業の属性・事業内容・商材、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、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（行政文書などの非構造化データも活用）

【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
• 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選定

【コールドスタートへの対応】

• 企業属性・事業内容、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・類似案件の情報を利用した推薦設計
• データ蓄積後のPersonalizationや学習型Recommendationへの発展設計

【評価と改善】

• Offline Evaluationの設計・実施（Precision / Recall / NDCG等）
• 特徴量・モデル・Ranking Logicの比較実験、Failure Caseの分析
• 実利用データによる品質評価、Online Metrics / A/B Test等による検証と継続的な改善

【プロダクトチームとの連携】

• PdMとのRecommendation機能の要求・成功指標の定義
• AI Systems / Evaluation担当MLエンジニア、Backend Engineer、データチームとの連携による本番組み込み・データ品質改善
• 実験・分析結果をもとにしたプロダクト改善の提案

【入社後の流れ】

• まずは保有データ、現行のRecommendation機能、公共営業ドメインを理解
• 優先度の高いユースケースを一つ選び、BaselineとなるRecommendation / Rankingの仕組みと評価方法を構築
• その後、特徴量拡張、Candidate Generation / Rankingの高度化、コールドスタート改善、Personalizationを進め品質改善サイクルを構築
• 中長期的にはLabid全体のRecommendation Loop（Context→Candidate Generation→Ranking→User Action→Feedback→Learning）を設計し、技術方針・アーキテクチャの意思決定をリード

• 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