4件のtechnical support engineer (tokyo based)のおすすめの求人

Machine Learning Engineerr | 機械学習エンジニア (TokyoDev)
株式会社ベースミー —渋谷区渋谷
- 年収 1,000万円 ~ 1,500万円
- 機械学習
- Python
- 有給休暇あり
- 在宅OK
Senior Solutions Consultant
Nuix —港区
- 一部在宅
- データベース経験
- 大卒
- スクリプト
Bilingual PLM Onsite Project Manager/バイリンガル PLM オンサイトプロジェクトマネージャー
Quest Global —国分寺市
- 二か国語
- 管理職・マネジメント経験
- PMP
- 有給休暇あり
- 育休あり
クイック応募
Senior BI Development Leader/シニアBI開発リーダー
Quest Global —品川区
- 二か国語
- Microsoft Access
- 管理職・マネジメント経験
- 有給休暇あり
- 育休あり
クイック応募

More jobs to discover

Find similar jobs that you might be interested in.

Japan Solutions Consultant Lead
Lenovo —千代田区
Have a broad understanding of IT solutions and services that can address customer’s business problems. Consultative and collaborative mindset - your engagement…
Consultant – Treasury Advisory Group
Zanders —港区北青山
Work alongside senior team members on client meetings and workshops. As a Consultant, you will work closely with experienced consultants and managers on…
20時間前

Show more similar jobs

technical support engineer (tokyo based)の新着求人をメールで受け取る

アカウントにログインすることにより、SimplyHired本サイトの利用規約、Cookieポリシーおよびプライバシー規約に同意します。

Machine Learning Engineerr | 機械学習エンジニア (TokyoDev)

株式会社ベースミー
渋谷区渋谷

今すぐ応募する

求人の詳細

正社員
年収 1,000万円 ~ 1,500万円

福利厚生

ビザサポートあり
ストックオプションあり
社会保険あり
年末年始休暇あり
有給休暇あり
在宅OK
交通費支給
評価あり

資格とスキル

機械学習
Python

仕事内容の詳細

仕事概要

## The Problem Job matching is still keyword-based. "Python engineer" → "Python job." We're building something fundamentally different: AI that matches people based on **values, aspirations, and behavioral fit**, not just skills. Our system explains *why* someone would thrive at a company **and** *why* a company should hire them—not just that requirements are met. Not recommendations. Meaning-based matching. We have 200 paying companies and thousands of active users. The matching works. Now we need to make it exceptional. ## What You'll Build ### 1. Memory Layer for Continuous Learning Users have conversations with our AI over weeks and months. You'll build a system that: - Extracts meaningful information from unstructured conversations (goals, values, preferences, work history) - Stores both structured facts and semantic understanding - Retrieves relevant context in <100ms to power personalized matching - Handles evolution: People change jobs, preferences shift—the system should track this **Challenge:** This is novel territory. Memory extraction from conversational AI at scale hasn't been solved. You'll design it from scratch. ### 2. Explainable Matching Engine Generate recommendations with real explanations: "Company X fits because they prioritize remote work (you mentioned this last week) and have a strong mentorship culture (aligns with your leadership style)." **Challenge:** Make LLM explanations trustworthy. No hallucinations, grounded in actual data, consistent across users. ### 3. Hybrid Matching Architecture Design and implement matching that combines LLMs, rule-based logic, and traditional ML where each excels. Not everything needs a neural net. **Challenge:** Know when to use deterministic rules vs. learned models. Optimize for explainability and cost, not just accuracy. ### 4. Company Knowledge Structures Build semantic representations of company information—business model, culture, hiring requirements, and implicit knowledge that doesn't appear in job descriptions. **Challenge:** Scale from 200 partner companies to 1,500+ with quality data sourcing, fast retrieval, and cost optimization. ### 5. Training Data & Evaluation Design what to label, how to label it, and what "good" means. Build evaluation frameworks for subjective quality (Is this match good? Is this explanation helpful?). Run A/B tests. Benchmark models. **Challenge:** Extract value from small datasets. You have 200 companies, not 200,000—design learning strategies that work with limited examples. ## How You'll Work **Cross-functional collaboration:** You'll work directly with Product Managers and Business Development in rapid hypothesis → implementation → verification cycles. This isn't isolated research—every model change ties to real outcomes. **Two-sided optimization:** Your models must satisfy both job seekers AND hiring companies. User satisfaction and company hiring decisions are both success metrics. **LLM strategy design:** Beyond calling APIs, you'll design prompt strategies and learning approaches based on inference results. Meta-level thinking about how to use LLMs effectively. 解くべき課題（The Problem）現在の求人マッチングは、いまだにキーワードベースです。「Pythonエンジニア」→「Pythonの求人」。私たちが作っているのは、まったく異なるアプローチです。スキルではなく、価値観・志向・行動特性に基づいて人と企業をマッチングするAI。なぜこの人はこの企業で活躍できるのかなぜこの企業はこの人を採用すべきなのかそれを説明できるマッチングを実現します。単なるレコメンドではありません。意味理解に基づいたマッチングです。現在、200社以上の有料導入企業と数千人のアクティブユーザーがいます。マッチングはすでに機能しています。次にやるべきは、それを圧倒的なレベルに引き上げることです。あなたが構築するもの（What You’ll Build） 1. 継続学習のための「メモリレイヤー」ユーザーは、AIと数週間〜数ヶ月にわたって対話します。あなたには以下を実現するシステムを構築してもらいます。非構造な会話から意味のある情報を抽出（目標、価値観、嗜好、職歴など）構造化データと意味的理解の両方を保存 100ms以内で関連文脈を取得し、パーソナライズされたマッチングを実現人の変化を扱う（転職、志向の変化などを追跡）チャレンジ：対話型AIのメモリを大規模に抽出・運用する領域は、まだ確立されていません。この仕組みをゼロから設計してもらいます。 2. 説明可能なマッチングエンジン「Company Xが合う理由は、・リモートワーク重視（先週あなたが言及）・強いメンタリング文化（あなたのリーダーシップ志向と一致）だからです」このような本当の説明を伴うマッチングを生成します。チャレンジ： LLMの説明を信頼できるものにすること。ハルシネーションを起こさず、実データに基づき、ユーザー間で一貫性を保つ必要があります。 3. ハイブリッド・マッチングアーキテクチャ LLM・ルールベース・従来型MLを、それぞれ得意な領域で組み合わせます。すべてをニューラルネットにする必要はありません。チャレンジ：どこで決定論的ルールを使い、どこで学習モデルを使うか。精度だけでなく、説明可能性とコスト最適化も重視します。 4. 企業知識の構造化企業情報（事業モデル、カルチャー、採用要件、求人票に書かれない暗黙知）を意味的に表現・構造化します。チャレンジ： 200社から1,500社以上へとスケールしながら、データ品質・高速検索・コスト最適化を両立させること。 5. 学習データ設計と評価何をラベル付けするかどうラベル付けするか「良いマッチ」とは何かこれらを定義し、 **主観的品質（このマッチは良いか？説明は納得できるか？）**を評価する仕組みを作ります。 A/Bテストやモデル比較も行います。チャレンジ： 200社規模の小規模データから価値を引き出すこと。大量データ前提のMLではありません。働き方（How You’ll Work）クロスファンクショナルな開発 PdM・Bizと直接連携し、仮説 → 実装 → 検証を高速で回します。研究のための研究ではなく、常に実プロダクト成果と接続します。両面最適化求職者と企業、両方を満たすマッチングが必要です。ユーザー満足度と採用意思決定、両方が成功指標です。 LLM活用戦略の設計 APIを呼ぶだけでなく、推論結果を前提としたプロンプト設計・学習戦略まで設計します。

必須スキル

**You need:** - **6+ years** building production ML systems (this is a founding ML engineer role) - Strong Python + LLM deployment experience (GPT, Claude, or similar) - Track record of **independently building ML systems from scratch** - Experience with semantic search, embeddings, RAG, or recommendation systems - Comfort making architectural decisions **without ML peers to validate** **You've probably:** - Been the first or only ML engineer at a startup before - Shipped LLM-powered features to real users without extensive ML team - Made high-stakes technical decisions independently - Hired and mentored other ML engineers - Built evaluation frameworks and ML infrastructure from zero - Worked in data-scarce environments (not just big-data ML) **You want:** - **Total ownership:** You define the ML vision, architecture, and roadmap - **Build the team:** Hire and lead future ML engineers as we scale - **Founding engineer impact:** Significant equity and organizational influence - **Solo execution initially:** Can self-direct without needing ML peers (for now) **Reality check:** - You'll be the only ML engineer for ~6 months until we hire #2 - No ML peers to review your code or validate decisions - CTO provides infrastructure support but isn't an ML specialist - Small data environment: 200 companies, not 200,000 - Two-sided marketplace: optimizing for users AND companies - This is high autonomy + high responsibility - If you thrive with ML collaboration, this isn't the right fit yet 必須条件 6年以上の本番MLシステム開発経験 Python + LLM（GPT等）を使った実装経験 MLシステムをゼロから一人で作った経験セマンティック検索／Embedding／RAG／推薦系の知見 MLの判断を自分一人で下す覚悟おそらくこんな経験がありますスタートアップで最初／唯一のMLエンジニアだった LLM機能を実ユーザー向けにリリースしたレビュー役がいない中で重要な技術判断をした ML人材の採用・育成経験評価基盤やMLインフラをゼロから構築データが少ない環境で成果を出した

求める人物像

**You want:** - **Total ownership:** You define the ML vision, architecture, and roadmap - **Build the team:** Hire and lead future ML engineers as we scale - **Founding engineer impact:** Significant equity and organizational influence - **Solo execution initially:** Can self-direct without needing ML peers (for now) **Reality check:** - You'll be the only ML engineer for ~6 months until we hire #2 - No ML peers to review your code or validate decisions - CTO provides infrastructure support but isn't an ML specialist - Small data environment: 200 companies, not 200,000 - Two-sided marketplace: optimizing for users AND companies - This is high autonomy + high responsibility - If you thrive with ML collaboration, this isn't the right fit yet 求める志向 MLの全体構想を自分で描きたい将来的にMLチームを作りたい創業メンバーとして大きな裁量と責任を持ちたい最初は一人でやり切れる前提最初の約6ヶ月はMLエンジニアはあなた一人 MLの相談相手はいませんデータは200社規模両面マーケットプレイス高裁量・高責任 MLチームが欲しい人にはまだ早い環境です

応募概要

給与

Salary Range: ¥10,000,000 to ¥15,000,000 *Negotiable ー 1000〜1,500万円 ※応相談

勤務地

■ Location ・Japan : 7F, Tohshin Aoyama Building, 2-10-13 Shibuya, Shibuya-ku, Tokyo, Japan ・US : 651 N. BROAD ST., SUITE 201, MIDDLETOWN DE 19709 ー・日本：東京都渋谷区渋谷2-10-13 東京建物青山通りビル7F ・米国：651 N. BROAD ST., SUITE 201, MIDDLETOWN DE 19709 ■勤務条件・原則出社

雇用形態

Full time（正社員）

勤務体系

■ Holidays ・Annual Holidays: 2 days off per week (Saturdays and Sundays), national holidays, year-end and New Year holidays ・Paid Annual Leave: 10 or more days per year (varies depending on the month of joining) ー ■休日・休暇・休業・年間休日: 完全週休 2 日（土曜日・日曜日）、祝日、年末年始・年次有給休暇: 年間 10 日間以上（入社月に伴い変動）

試用期間

3 Months ・あり (3ヶ月) Probation Period (3 months)

福利厚生

■Benefits ・Health Insurance ・Welfare (Pension) Insurance ・Employment Insurance ・Workers' Compensation Insurance ・Commute allowance: up to ¥30,000 per month ・Stock Option Rewards System: According to company regulations ・Visa Support ー ■福利厚生・健康保険・厚生年金・雇用保険・労災保険・通勤費月3万円まで・ストックオプション報酬制度：当社規定による・VISAサポート

企業情報

企業名

株式会社ベースミー

設立年月

2020年11月

本社所在地

東京都渋谷区渋谷二丁目10番13号東信青山ビル 7F

資本金

100,000,000（資本準備金含む）

従業員数

35名（業務委託・アルバイト含む）

企業サイトURL

https://baseme.co.jp/

今すぐ応募する

検索を絞り込む

technical support engineer (tokyo based) 件

Machine Learning Engineerr | 機械学習エンジニア (TokyoDev)

Senior Solutions Consultant

Bilingual PLM Onsite Project Manager/バイリンガル PLM オンサイトプロジェクトマネージャー

Senior BI Development Leader/シニアBI開発リーダー

More jobs to discover

technical support engineer (tokyo based)の新着求人をメールで受け取る

仕事概要

必須スキル

求める人物像

応募概要

給与

勤務地

雇用形態

勤務体系

試用期間

福利厚生

企業情報

企業名

設立年月

本社所在地

資本金

従業員数

企業サイトURL

求職者向けツール

採用企業向けツール

求人を探す

Indeed とつながる