LLMOpsエンジニア

必須

• 機械学習の学習・評価・デプロイ・推論などを支える基盤の開発・本番運用経験
• クラウド・コンテナを用いたソフトウェアのチーム開発経験、およびCI/CD・IaCを用いた開発・運用の自動化経験
• 品質・性能の監視、障害対応・継続改善に関わり、可用性・セキュリティ・コストなどの要件を担当領域の実装・運用に反映した経験
• DSやプロダクトエンジニアなどの利用者と要件を整理し、必要に応じて関係者に相談・連携しながら、担当領域の設計・実装・運用改善を自律的に進めた経験

歓迎

• 検索・推薦・ランキング・マッチングなどにおける、オンライン推論やリアルタイムデータ連携の開発・運用経験
• LLMOps・AIガバナンス/セキュリティの経験

求める人物像

• 当社のミッション・バリューに共感し、業界・顧客への理解を技術的な判断に活かせる方
• 利用者の制約や困りごとを理解し、複数職種と建設的に協働できる方
• 個別対応で終わらせず、共通化・自動化や使いやすい開発環境づくりに取り組める方
• 未知の課題を小さく検証し、設計・運用の背景や学びをドキュメント・レビューを通じて共有できる方

使用ツール

募集背景

• タイミーは「働く」を通じて人生の可能性を広げるインフラをつくるため、スキマバイトのマッチングプラットフォームを日本全国に展開し、急速に成長してきました。既存プロダクトの継続的な改善に加え、隣接領域・新規領域への展開も進めています。今後は、扱うユーザー体験、業務フロー、データ特性、リスクがさらに多様になっていきます。
• 不正検知、プロダクト体験の刷新、社内業務の改善では、LLM・AIエージェントが活用されています。
• LLM・AIエージェントを継続的に活用するには、動くものをつくるだけでなく、出力品質の評価、個人情報や機密情報の取り扱い、応答時間・コストの管理、モデルやプロンプトの変更への対応が必要です。これらに各チームが個別に対応するのではなく、共通の基盤と運用の仕組みで支えていきたいと考えています。
• MLOps Teamは、これまで培ってきたクラウド基盤や開発・運用の知見を活かし、LLM活用を支える基盤や、本番導入時の品質・安全性を確認する仕組みづくりを進めてきました。今後は、実際のユースケースで得た学びをもとに、モデル利用・評価・監視・変更管理などの共通化とセルフサービス化を進めていきます。
• まだ標準が定まりきっていない領域だからこそ、すべてを先に共通化するのではなく、利用チームの課題やリスクに応じて、小さく検証しながら整備することを重視しています。
• こうした基盤づくりを主導するシニアLLMOps/AgentOpsエンジニアを募集します。共通基盤の開発に加え、個別のLLMアプリケーション・AIエージェントが抱えるインフラ・運用上の課題にも向き合います。技術方針の検討から設計・実装、既存の利用への適用・移行、運用の定着までを担っていただきます。

業務内容

• 本ポジションのミッションは、LLM・AIエージェントの基盤を通じて、生成AIが生み出す事業価値を増幅させることです。
• LLMは手軽に試せる一方、本番で使い続けるには、より複雑な課題への対応が必要です。本番運用に共通する複雑性を基盤側で引き受け、利用チームがユースケース固有の課題解決に集中できる状態を実現します。
• 個別のユースケースにおけるプロンプトやエージェント機能の設計・評価・改善は、主にプロダクトAI/MLエンジニアやソフトウェアエンジニアなどの利用チームが担います。本ポジションでは、これらのチームと連携し、モデル利用・評価・監視・変更管理を支える基盤、開発・運用環境、共通の運用パターンを設計・開発・運用します。

具体的な業務内容

• 検証した施策を、そのまま本番へつなげられる共通基盤の開発・運用
• 複数チームが共通の方法でLLMを利用するためのモデル利用基盤（LLM Gateway）や、AIエージェントの実行・外部ツール連携を支える基盤の設計・開発・運用
• 利用チームが個別に調整せずに、新しいモデルや機能を試し、切り替えられる仕組みの整備 クラウド、コンテナ、CI/CD、IaCを用いた再現性のある開発・実行環境の整備
• 安全性とコスト効率を標準で備えた仕組みづくり
• 認証・認可、Secret管理、利用制限、監査ログなどを組み込み、標準の利用方法で安全にモデル・ツールを使える環境の整備
• セキュリティ・法務・事業部門と連携した、個人情報・機密情報の取り扱い、AI利用ポリシー、ガードレールの整備
• 利用量・コストの可視化と、用途に応じたモデル選択、キャッシュ、利用制限などによるコスト最適化
• 品質を確かめながら届け、改善し続けられる運用づくり
• 利用チームと連携した評価データセット・評価方法の整備と、自動評価と人による確認を組み合わせた、リスクに応じた評価・レビューの仕組みづくり
• プロンプト・モデルのバージョン管理、変更時のリグレッションテスト、リリース・切り戻し、提供終了に伴う切り替えの仕組みづくり
• 出力品質、応答時間、エラー率などを把握するログ・メトリクス・トレースと、フォールバック、アラート、Runbookの整備
• 利用チームとの協働と、標準化・セルフサービス化の推進
• 個別のLLMアプリケーション・AIエージェントが抱えるインフラ・運用上の課題に対するアーキテクチャの設計・実装・改善
• 個別案件で得た知見を、共通ライブラリ、テンプレート、チェックリスト、ドキュメント、自動化へ反映
• 本番導入時に確認すべき品質・安全性・運用要件と、共通化する範囲・ユースケース側に残す責任の整理
• 既存のモデル利用・評価・監視の仕組みの見直しと、共通基盤・標準パターンへの段階的な移行・定着
• これらを一度にすべて整備するのではなく、既存の基盤・運用知見と利用チームの課題を踏まえ、優先順位をつけて進めます。共通化によって開発を進めやすくする一方、ユースケースごとに必要な柔軟性を残すことも大切にしています。

技術スタック(主要な部分の抜粋)

• クラウド
• Google Cloud
• 開発言語
• Python
• データ基盤
• BigQuery / Fivetran / dbt Cloud
• ML / LLM基盤
• Vertex AI / MLflow / LiteLLM / Datadog LLM Observability
• BIツール
• Looker / Looker Studio
• IaC
• Terraform
• 開発環境・ツール
• Visual Studio Code / Cursor / Claude Code / GitHub Copilot / Devin / GAS etc

扱っているデータ

• アプリユーザーのアクセスログ、募集内容に関する情報
• マッチングに関する情報
• レビューや評価情報や、アプリインストールなどの広告効果に関わるデータ
• 問い合わせに関するデータ
• 営業活動情報のデータ
• 上記のようなデータを扱っております。

このポジションの魅力

• 基盤がLLM活用の広がりに左右するため、影響力が大きい
• 不正検知からプロダクト体験、社内業務まで、LLM・AIエージェントの活用は領域を問わず広がっています。安全に使える基盤があるかどうかが、活用の広がりと成果を左右します。
• これまでの土台を活かし、標準をつくることができる
• LLM活用を支える基盤や、本番導入時の品質・安全性を確認する仕組みはすでにあります。一方、業界全体でも標準は定まりきっていません。実際のユースケースをもとに、タイミーにおける標準を自ら設計できます。
• 変化し続けるモデルとエージェントに向き合うことができる
• モデルは短期間で進化し、AIエージェントが扱う業務やツールも広がり続けています。変化を前提に、新しいモデルを素早く取り込みつつ、安全に使い続けられる基盤のあり方を考えられます。
• 技術からルールづくりまで、幅広く関わることができる
• 共通基盤の開発に加え、個別のLLMアプリケーション・AIエージェントのアーキテクチャ設計から実装・運用までを担います。セキュリティ・法務・事業部門と連携し、AI利用のルールづくりにも関われます。