Research Engineer, LLM modeling / Japanese

必須

• コンピュータサイエンス、ソフトウェア工学、人工知能、機械学習、数学、物理、それらの関連分野における修士号・博士号を有すること
• LLM を用いた複雑なエージェントシステムの開発経験
• ソフトウェアエンジニアリングと ML における十分な実務経験
• LLM のプロンプト作成、および / または言語モデルを使ったプロダクト開発の経験
• PyTorch / JAX での大規模モデル学習・推論の経験
• LLM / Transformer アーキテクチャの深い理解
• 論文読解・再現実装の能力
• Python での高品質なコード実装力

• 言語レベル : いずれか必須

  • 日本語 : Fluent (プロダクト開発において齟齬なく議論を行えるレベル)
  • 英語 : ビジネスレベル

歓迎

• 大規模な強化学習 (Large-scale RL on language models) の経験
• マルチエージェントシステムの設計・実装経験
• トップカンファレンス (NeurIPS / ICML / ACL / EMNLP 等) での論文発表
• RLHF / DPO 等のアライメント手法の実装経験
• マルチモーダルモデル (Vision-Language 等) の経験
• エージェント評価・安全性研究の経験
• 博士号 (CS / ML / NLP / 関連分野)
• 英語での研究コミュニケーション能力

使用ツール

募集背景

• JAPAN AI STUDIO は「企業の脳」として、顧客企業の全 SaaS を統合し、数百のワークフローを AI エージェントが自律的に実行する世界を目指しています。しかし、この構想を実現するには、現在のエージェント技術では解決できない「フロンティア課題」を突破しなければなりません。
• 複数の SaaS を横断して情報を検索・統合する際の推論品質の限界
• 長期にわたる業務プロセスを記憶し、文脈を維持する長期記憶の設計
• テキスト・画像・音声・構造化データを統合的に扱うマルチモーダル対応
• 数百社が同時利用する環境での低レイテンシ推論
• この 1年で、LLM を活用したエージェントシステムの採用は急速に進みました。コーディング、リサーチ、カスタマーサポート、セキュリティなど、多様な領域で AI エージェントが実用化されています。今後、AI エージェントがより複雑なタスクをエンドツーエンドで、あるいは人間と協力して遂行する未来に向けて、JAPAN AI では以下に取り組むチームを強化します。
• 長期ホライゾンの課題でより効果的なエージェントを実現する
• 様々なスケールで他のエージェントと協調し、大きなタスクを達成するための連携を設計する
• エージェント性能を最大化するため、新規のハーネス設計、インフラ改善、ファインチューニングなど必要な課題を解く

ミッション

• Agentが降参する問題を解く
• 現在の AI エージェントでは解決できないフロンティア課題に挑み、新しい推論手法・検索 / 計画・長期記憶・ツール利用の品質限界を突破する。JAPAN AI STUDIO 上で動く数百のワークフローが、より賢く・速く・安全に動作する未来を、研究で切り拓く。

期待する役割について

• Research Engineer として、AI/LLM/ML の最先端研究と応用研究をリードしていただきます。
• 異なるエージェント・ハーネスの発案・開発・比較 (メモリ、コンテキスト圧縮、エージェント間通信アーキテクチャ等)
• 大規模なエージェント型タスクのための厳密な定量ベンチマークの設計・実装
• モデルとプロンプトの自動評価を支援し、学習からプロダクトライフサイクル全体にわたって品質を担保
• プロダクト組織と協力し、エージェントをプロダクトに適用するうえでの最も困難な課題を解決
• モデル学習用データミックスの作成・最適化により、エージェントタスクにおける性能と使いやすさを向上
• 研究成果を Agentic Product Engineer チームに移転し、プロダクト全体の品質を底上げ
• 論文を書くことがゴールではありません。研究成果をプロダクションに適用し、約 200 社が利用する本番環境でユーザーに届けることを重視します。

このポジションの魅力

• 「企業の脳」を支える研究 : 単なるチャットボットの改善ではない。企業の全 SaaS を統合し AI が自律実行する「次世代基幹システム」の技術的基盤を、研究で切り拓く
• 研究→プロダクションの直結 : 開発した手法が即座に本番環境へ適用され、約 200 社の企業が利用するシステムに反映される。論文で終わらない、実世界へのインパクトを実感できる
• 最先端 AI 研究の実践 : 推論品質の限界突破、長期記憶設計、マルチエージェント協調など、業界最前線のフロンティア課題に取り組める
• 研究と発表の両立 : 論文発表・技術ブログ執筆を推奨し、学術機関や OSS コミュニティとの連携も積極的に支援
• 技術移転のインパクト : 開発した手法を Agentic Product Engineer チームに移転し、プロダクト全体の品質を底上げするリーダーシップを発揮できる
• 急成長環境 : 設立3年で200名以上の規模、9プロダクト展開のスタートアップで、技術的意思決定に大きな裁量を持てる

エージェント研究開発

• 異なるエージェント・ハーネスの発案・開発・比較 (メモリ、コンテキスト圧縮、エージェント間通信アーキテクチャ等)
• 新しい推論・計画・検索手法の研究開発
• マルチモーダル・長文コンテキスト対応の技術開発
• 最新論文の調査・再現・改良実装

評価・ベンチマーク

• 大規模なエージェント型タスクのための厳密な定量ベンチマークの設計・実装
• 合成データ生成・評価ベンチマーク設計
• モデルとプロンプトの自動評価支援 (学習 → プロダクトライフサイクル全体)

プロダクション課題の解決

• 推論レイテンシ / コスト最適化 (量子化、蒸留、キャッシュ等)
• モデル学習用データミックスの作成・最適化
• エージェント評価フレームワークの高度化
• 本番環境での品質改善・パフォーマンスチューニング

技術移転・発信

• Agentic Product Engineer チームへの技術移転・メンタリング
• 学術機関・OSS コミュニティとの連携

業務シナリオ例

• ※以下は想定される業務シナリオの例です

シナリオ 1 : SaaS 横断検索のためのナレッジグラフ

• RAG の研究開発 JAPAN AI STUDIO が「企業の脳」として機能するには、顧客の全 SaaS に散在する情報を横断的に検索・統合する必要がある。既存の RAG では「Aプロダクト の従業員データ」と「Bプロダクト の商談データ」の関係性を捉えられず、回答精度が低い。ナレッジグラフベースの RAG アーキテクチャを研究・開発し、エンティティ間の関係性を構造化。SaaS 横断検索の回答精度を 40% 向上させ、Agentic Product Engineer チームに技術移転して全プロダクトに展開。

成果責任 (KR/メトリクス)

• ベンチマークスコア改善率 (社内 / 公開ベンチマーク)
• 新手法のプロダクション適用数 (四半期あたり)
• 推論レイテンシ / コスト改善率
• 論文・技術ブログ発表数
• 社内技術移転完了数

チーム体制

• 約120名が開発組織に在籍しています。
• Research Engineerは以下のプロジェクトを横断して活動します：
• JAI Lab — AI研究開発
• AI&Model — モデル学習・最適化
• Voice & Tel — 音声AI・電話システム
• 密接に連携する役割:
• Agentic Product Engineer — エージェント機能開発 (技術移転先)
• Agent Harness Engineer — エージェント実行基盤
• AI Quality Scientist — 評価パイプラインとの連携
• Product Manager — プロダクト設計

開発環境

• 言語 : Python (研究・フレームワーク部), TypeScript / React / Next.js (フロントエンド部) / NX
• ML / AI : PyTorch, JAX, Transformers, vLLM, Weights & Biases
• インフラ : GCP (コンテナ / K8s), Docker
• ツール : Slack, Confluence, Linear, Google Workspace, GitHub, Notion
• AI 開発支援 : Claude Code MAX Plan, Cursor, ChatGPT, Devin
• 作業環境 : Mac (Apple Silicon), デュアルモニタ対応