株式会社ゴーレムは、建設‧不動産領域の⾒積、設計、施⼯、購買、修繕などのデータを構造化し、AIによる解析‧分類‧業務標準化‧意思決定⽀援に取り組んでいます。
建設⾒積書や内訳書には、業界固有の⽤語、階層構造、顧客ごとの表記揺れ、⽂脈に依存する判断が数多く含まれます。
AIの性能を継続的に⾼めるには、モデル開発だけでなく、教師データ・評価データを⻑期的に利⽤できる「データ資産」として整備し続けることが不可⽋です。
これまでは⽴ち上げ期の体制として、業務上の正解に関する知識はビジネス部⾨（Biz）・カスタマーサクセス（CS）、学習・評価に関する知識は機械学習チーム（ML）、データ作成の実務は社内外の作業者が担ってきました。
その結果、ルールの曖昧さやデータの誤りが⾒つかった際に、MLメンバーが個別判断、作業指⽰、修正確認まで担う場⾯が増えています。
私たちが必要としているのは、定義済みのルールに沿ってアノテーションを⾏う担当者や、件数‧納期だけを追う進⾏管理者ではありません。
データを⾃ら分析し、Biz‧CS‧MLの判断を再現可能なルールへ変換し、作成‧監査‧修正‧学習投⼊‧評価‧次の改善までを⼀つのサイクルとして運⽤する責任者です。
⻑期的なドメイン理解と判断履歴を社内に蓄積する必要があるため、正社員の専任機能の⽴ち上げメンバーとして本ポジションを募集します。アノテーションの実作業は、社内作業者、業務委託、外部ベンダーと分担します。
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。
・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
・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
・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
・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
・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
・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。
・AIの性能を左右する教師‧評価データを、単発の作業物ではなく継続利⽤できる会社の資産へ変えられます
・品質指標、ルール、判断履歴、作業者運⽤をゼロから設計できる、⽴ち上げ期のポジションです
・データ改善がモデルのどの失敗を改善したかまで追い、データ運⽤とML開発を直接つなげられます
・将来的には、業務量と組織規模に応じて、Data Quality∕CurationとAnnotation Operationsの機能分化‧チーム設計にも関われます
・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
・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
