MLOps EngineerAIエンジニア・データサイエンティスト

ENEXIA合同会社（エネクシア、ENEXIA LLC）は、住友商事株式会社100%出資の、エネルギーリソースアグリゲーションサービスを行う会社。代表者は永易大知氏、所在地は東京都千代田区大手町（Otemachi Oneタワー6階）、資本金5,000万円。社名はENERGY＋NEXT＋AXIS（軸）／AXIA（ギリシア語で価値のあるもの）を組み合わせ、『これからのエネルギー業界の次の軸となる』という意味を込めた。『高い使命感とテクノロジーでエネルギーの世界にイノベーションを起こし、まだない未来を社会に届ける。』をミッションに、2050年のカーボンニュートラル実現には太陽光発電や風力発電などの再エネの導入量を増やすことが必要不可欠である一方、カリフォルニアで2020年に夕方の太陽光発電量急落による停電、ドイツ・イギリスで2022年に風況不良による電力不足と電気料金約2倍の高騰が発生したように発電量が不安定という課題が残り、日本でも再エネ普及率の上昇とともに電気料金高騰や停電のリスクが高まると捉える。複数の再エネ発電設備を束ねて発電量の予測を行い、市場取引等を通じて需給の最適化を行うことで再エネの課題を解決し、再エネバリューチェーンにおける中流機能提供会社として、産業・社会・地球環境が再生可能エネルギーの新しい安定供給によって最適化される未来、新しい安定と最適化を実現するリーディングカンパニーを目指す。最先端のデータテクノロジーとエネルギーの専門性を掛け合わせ、技術がリアルに活かされる世界を作り理系人材に真の活躍の場を提供したいという想いのもと、様々な業界から転職してきた多様なメンバーとデータサイエンティスト・エンジニアが取り組む。

【ポジションについて】
MLOpsチームは、データサイエンティストが実験を実行・評価し、予測モデルを安全かつ再現可能に学習・デプロイ・運用するためのプラットフォームと開発プロセスを提供します。自動学習・予測ワークフロー、特徴量パイプライン、モデル検証、バージョン管理、監視、電力・市場データの挙動変化への迅速な対応を支えます。（シニア）MLOpsエンジニアとして、このライフサイクルの重要な領域を担当し、研究コードと信頼できる本番システムをつなぐ役割を担います。モデル研究そのものではなく、MLプラットフォームと運用を中心としたエンジニアリングポジションです。

■主な業務

• データサイエンティストと連携した実験設計、モデルプロトタイプの再現可能・テスト可能・デプロイ可能なワークフローへの変換
• バッチ／準リアルタイムの学習・予測用特徴量パイプラインの設計・構築・運用
• データ要件・学習挙動・予測出力・デプロイ判定を対象としたモデルテスト・検証フレームワークの構築
• 予測品質、データドリフト、コンセプトドリフト、特徴量スキュー、レイテンシ、パイプライン健全性の評価フレームワーク・監視基盤の実装
• 自動学習・再学習・デプロイ・ロールバック・モデルバージョン管理ワークフローの設計
• 新規モデル・新規予測対象へのスケール支援、モデルアーキテクチャ・実装のトレードオフと落とし穴の特定・共有
• MLプラットフォームの信頼性・セキュリティ・コスト効率・可観測性の改善と本番障害対応
• Data／Platform・SREチームと連携した共通のデータ・オーケストレーション・インフラ・ガバナンス基盤の整備

■現在の技術スタック（現時点の構成）
言語：Python、SQL／ML・データ：pandas、scikit-learn、勾配ブースティング、時系列ワークフロー／オーケストレーション：Airflow、Metaflow、Kubeflow、GCPマネージドサービス／監視：Grafana、Looker、Metabase／クラウド：GCP、Docker、Cloud Run、Vertex AI（必要に応じて）／インフラ：Terraform、Terragrunt、Ansible／CI/CD：GitHub Actions、Cloud Build／開発：Cursor（主要IDE）、クラウドエージェント

──────────────────────────────

[About the Role]
The MLOps team provides the platform and engineering practices that let data scientists run and evaluate experiments and train, deploy, and operate forecasting models safely and repeatably. As a (Senior) MLOps Engineer, you will own significant parts of this lifecycle and act as the engineering bridge between research code and reliable production systems. This is a platform-and-operations role, not ownership of model research itself.

• Responsibilities:
• Partner with data scientists to design experiments and turn model prototypes into reproducible, testable, deployable workflows.
• Design, build, and operate feature-engineering pipelines for batch and, where needed, near-real-time training and prediction.
• Build model testing and validation frameworks (data requirements, training behavior, prediction outputs, deployment gates).
• Implement evaluation frameworks and monitoring for prediction quality, data/concept drift, feature skew, latency, and pipeline health.
• Design automated training, retraining, deployment, rollback, and model-versioning workflows.
• Improve reliability, security, cost efficiency, and observability of the ML platform and respond to production incidents.
• Collaborate with Data and Platform/SRE teams on shared data, orchestration, infrastructure, and governance foundations.

• Current Stack: Python, SQL; pandas, scikit-learn, gradient boosting, time-series workflows; Airflow, Metaflow, Kubeflow, managed GCP; Grafana, Looker, Metabase; GCP, Docker, Cloud Run, Vertex AI; Terraform, Terragrunt, Ansible; GitHub Actions, Cloud Build; Cursor (primary IDE), cloud agents.

【必須要件（MUST）】

• データサイエンス、MLエンジニアリング、MLOps、データエンジニアリング、または関連する本番運用職での実務経験4年以上
• Pythonの高いスキル（pandas、scikit-learn、勾配ブースティング等、過去データのモデリングに用いる標準的フレームワークを含む）
• データサイエンス／機械学習ワークロードを本番化した実務経験
• データサイエンスチームとの協働経験（実験設計→信頼性の高いデプロイ可能な本番ワークフローへの落とし込み）
• Airflow、Metaflow、Kubeflow、Vertex AI Pipelines、Dagster、Prefect等のML／データオーケストレーションツールの経験
• 時間依存モデリングとそのデプロイ要件（特徴量・学習・予測パイプラインのリアルタイム／バッチ処理）の経験
• モデル評価、再学習ルーチン、モデルバージョン管理、デプロイ制御の経験
• モデルテストフレームワークの設計・構築経験
• Grafana、Looker、Metabase等を用いた監視基盤・ダッシュボードの設計・構築経験
• ソフトウェアエンジニアリングの基礎、自動テスト、Gitベース開発、CI/CDの経験
• クラウド・コンテナの実務経験（GCP・Dockerを歓迎）
• エンジニアリングの協働とドキュメンテーションに必要なビジネスレベルの英語力

──────────────────────────────

[Requirements (Must-have)]

• 4+ years of experience in data science, ML engineering, MLOps, data engineering, or a closely related production role.
• Strong Python skills, including standard frameworks such as pandas, scikit-learn, and gradient boosting.
• Hands-on experience productionizing data-science or machine-learning workloads.
• Experience collaborating with data science teams — designing experiments and translating them into reliable, deployable production workflows.
• Experience with ML or data orchestration tools such as Airflow, Metaflow, Kubeflow, Vertex AI Pipelines, Dagster, or Prefect.
• Experience with time-dependent modeling and its deployment requirements — real-time and batch feature/training/prediction pipelines.
• Experience with model evaluation, retraining routines, model versioning, and deployment controls.
• Experience designing and building model testing frameworks.
• Experience designing and building monitoring platforms and dashboards using Grafana, Looker, Metabase, or similar tools.
• Strong software-engineering fundamentals, automated testing, Git-based development, and CI/CD.
• Practical cloud and container experience; GCP and Docker are preferred.
• Business-level English proficiency for engineering collaboration and documentation.

【歓迎要件（NICE TO HAVE）】

• エネルギー領域のモデリング経験（気象予測、再生可能エネルギー発電量、電力需要、コモディティ価格変動、その他の時系列問題）
• Vertex AI、MLflow、Feast、モデルレジストリ、Feature Store、実験管理基盤の経験
• IaCツール（Terraform、Terragrunt、Ansible）の経験
• MLアプリケーション向けCI/CDおよび段階的リリースの経験
• データ品質フレームワーク、リネージ、ガバナンス、再現性管理の経験
• Kubernetes、分散処理、GPUワークロード、性能・コスト最適化の経験
• 本番MLシステムにおけるオブザーバビリティと障害対応の経験
• 電力、取引、FinTech領域の経験
• スタートアップ、アジャイル、多文化チームでの経験
• 事業・ドメインコミュニケーションに必要な日本語力
• Cursor、Claude Code、Copilot等を用いたAI支援／エージェント型開発経験

──────────────────────────────

[Requirements (Nice-to-have)]

• Energy-related modeling: weather forecasting, renewable generation, energy demand, commodity price fluctuation, or other time-series problems.
• Vertex AI, MLflow, Feast, model registries, feature stores, or experiment-tracking platforms.
• IaC tools: Terraform, Terragrunt, or Ansible.
• CI/CD and progressive delivery for ML applications.
• Data-quality frameworks, lineage, governance, and reproducibility controls.
• Kubernetes, distributed processing, GPU workloads, or performance and cost optimization.
• Observability and incident-response practices for production ML systems.
• Energy, trading, or fintech domain experience.
• Startup, Agile, or multicultural-team experience.
• Japanese language ability for business and domain communication.
• AI-assisted or agentic development using Cursor, Claude Code, Copilot, or similar tools.

【求める人物像・カルチャー】
ENEXIAは「できあがったチームに加わる」のではなく、エンジニアリングチームそのものをつくるフェーズにあります。設立から約2年、外部ベンダー開発のシステムの内製化を進めており、チームのあり方・開発プロセス・技術基盤を一緒につくる余地が大きく残されています。

• AIを振り切って使う一方、モデルが答えを返した「あと」を高い基準で問える方（出力を理解し、検証・レビューし、自分の名前で世に出す。判断・意思決定・責任は人間が担う）
• 肩書きではなく仕事への向き合い方としてのリーダーシップを発揮し、担当領域に閉じず課題を自ら見つけ、必要な人を巻き込んで前に進められる方
• アーキテクチャや運用の課題に対し、議論だけで終わらせず自ら手を動かして調査し、プロトタイプやデモで提案を具体的な行動へ変えられる方
• 好奇心と適応力があり、既存の前提（自分たちの前提を含む）を疑い、曖昧な状況を具体的なアクションへ変えられる方
• ナレッジを個人で囲い込まず、共有・議論・実践を通じてチームの価値を高められる方

──────────────────────────────

[Who We're Looking For / Culture]
We are building the engineering team, not joining one that already exists. ENEXIA was founded about two years ago and is bringing core engineering capabilities in-house, so there is real room to shape the team, its practices, and the systems it owns.

• Uses AI as far as it will go, but holds a high standard for what happens after the model returns an answer — understanding, testing, and reviewing output, and putting their own name behind it. Judgment, decisions, and accountability stay human.
• Treats leadership as a way of working, not a title: looks beyond their domain, identifies problems without waiting for instructions, involves the right people, and moves work forward.
• When they see an architectural or operational issue, investigates hands-on and builds a prototype or demonstration rather than only discussing it.
• Brings curiosity and adaptability, challenges existing assumptions (including our own), and turns ambiguity into concrete action.
• Shares knowledge rather than protecting it individually.