未経験の業界でも、データ品質の専門性を一から伸ばせる
任される範囲が広がる立ち上げ期で、MLメンバーと連携しながら学べる

【人材紹介求人】本求人は、有料職業紹介事業者 株式会社NAVIS（厚生労働大臣許可番号 13-ユ-313285）がご紹介する求人です。ご応募後、当社のキャリアアドバイザーよりご連絡し、求人企業へのご紹介を行います。

建設見積書・内訳書から作られる教師データと評価データを、学習・評価に使える資産として管理します。まずは現状のデータ一覧整理やサンプル監査から取り組み、誤りを類型化して原因を分析する力を磨けます。ルール設計や作業者への説明・教育、モデルの失敗パターンの比較へと、任される範囲が広がっていく仕事です。

▍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

【こんな方におすすめ】
・未経験の業界でデータ品質の専門性を伸ばしたい方
・ルールや仕組みをゼロから作る経験を積みたい方
・SQLやPythonでデータを確認・集計してきた方