## 業務内容 MLモデルの設計・実装・改善を通じて、プロダクトの体験と事業成長を直接動かしていただきます。分析や基盤整備だけで終わらず、モデルそのものをプロダクションレベルで動かすことに責任を持つポジションです。 - レコメンドモデルの設計・実装・チューニング（Two-Tower / LightGBM等） - 特徴量エンジニアリングの実装と、オフライン/オンライン評価の設計 - A/Bテストの設計・実施・効果検証を通じたモデル改善のPDCA - モデルのプロダクション化（Cloud Run等への実装・最適化） - ML施策の技術的意思決定とPdM等との連携 今後チームを拡大していく予定があり、採用や育成にも関わっていただけると嬉しいですが、まずは上記領域に専念いただきます。 ## このポジションで向き合う難題 ### **レコメンドモデルのアーキテクチャ進化** 現在稼働中のTwo-Towerモデルをベースに、精度・速度・スケーラビリティをどう高めるかを設計・実装します。次世代のアーキテクチャを自ら提案し、プロダクションで検証できる環境があります。 ### **コールドスタート問題** 新規お客様の初期利用期間は購買データが基本的にありません。ファーム内行動やアプリ内行動など、カウシェ固有のシグナルから嗜好を推定するモデルを設計・実装します。 ### **リアルタイム性の向上** カウシェにおけるレコメンドユースケースではリアルタイム性の向上が事業インパクトに大きな影響を与えるものが多数あります。そのためのモデル側の最適化に取り組みます。 ### **短期CVR vs 長期LTV** レコメンドが短期的な購入率に最適化されすぎていないか、長期的なお客様価値との両立をどうモデルに組み込むかという構造的な問いに、実装レベルで向き合います。 ### **新たなML活用領域への展開** UGC（口コミ）のパーソナライズ、広告配信の最適化、ダイナミックプライシングなど、「何のデータをインプットに、何をアウトプットするか」の新しいモデルを事業インパクトの大きい順に設計・実装していきます。 ## 開発環境・技術スタック - データ基盤・分析: BigQuery, Dataform, Python, Looker Studio - ML基盤: Google Cloud (Vertex AI, Vertex AI Experiments, Cloud Spanner, etc) - AI/LLMツール: Claude Code, Cursor, Codex, GitHub Copilot（全員分予算あり） - その他: GitHub, Slack, Notion ## 仕事の魅力 **書いたモデルが、翌日のKPIに直結する** カウシェのレコメンドはプロダクトの中核です。実装したモデルの改善が売上・滞在時間・継続率に直接反映される、解像度の高いフィードバックループの中で開発できます。 **現行モデルの次を自分で設計できる** 既存モデルはすでに本番稼働中ですが、アーキテクチャの進化余地は大きく残っています。「次世代のレコメンドエンジンをどう設計するか」を自分の技術判断でリードできる環境です。 **月20日以上・1日38分という、ECとしては異例の高密度データが武器になる** 一般的なECアプリの滞在時間は数分程度です。カウシェはゲーム要素を持つ独自の設計により、お客様が日常的に開くアプリになっています。この高頻度・高密度な行動ログは、精度の高いモデル設計と実験を可能にする、他社にはないデータ資産です。 **レコメンドにとどまらず、ML活用の今後を自分で描ける** 現在の主戦場は商品レコメンデーションですが、UGCパーソナライズ・広告配信最適化・ダイナミックプライシング・UI出し分けなど、カウシェにおけるデータ・ML活用の余白は広大です。「次に何をデータで解くか、モデル実装していくか」の優先順位から自分で設計できる、一人目ならではの裁量があります。 **AIフル活用が前提の職場** DS含む全エンジニアにAIフル活用を義務化しており、個人の利用予算も会社が負担します。Claude Code・Cursor・Codexを使い、コードの大半をAI経由で生成。少人数でスピードと品質を両立するスタイルです。 ## 必須スキル - ML Engineerとしてモデル実装、本番運用に関わった実務経験が3年以上（PoCや社内向けサービスなどは含めずに） - Pythonによる機械学習モデルの実装経験 - オーナーシップを持ってソフトウェアの開発を進める力