▍ポジションのミッション（募集背景） 建設データには企業・案件ごとの表記差や専門判断、曖昧な例外が多く、モデル改善だけでは品質を安定させられません。本ポジションは、機械学習・生成AIに利用するデータについて「何を正解とするか」「どの水準なら利用可能か」「誰がどのように検証するか」を定義し、アノテーション基準、レビュー、エラー分析、作業者品質管理、改善サイクルを設計する役割です。 ▍仕事内容 ・教師データ・評価データのラベル定義、正解基準、許容誤差、例外ルールを設計 ・判断が分かれやすいケースを収集し、ガイドライン、FAQ、正例・負例・境界例として言語化 ・モデル評価で確認すべき品質指標と、業務上許容できる品質水準をMLチームと整理 ・データセット・ルール変更時の版管理、変更履歴、影響範囲を管理 ・サンプリング、ダブルチェック、合意率等を用いたレビュー方法を設計 ・誤分類、不一致、欠損、偏り等を集計し、作業者起因・ルール起因・データ起因・モデル起因に切り分けて原因分析 ・改善前後の品質を定量評価し、ルール・レビュー運用変更の効果を確認 ・作業者・外部パートナーへのオンボーディング、判断基準説明、レビュー、個別フィードバック、再教育を実施 ・作業者・ベンダー別の品質傾向を可視化し、チェック強化やエスカレーション基準を改善 ・MLエンジニア・PdM・業務担当者と、品質課題をデータ作成・モデル・UI／運用のどこで解くか整理 ・品質レポート・レビュー会を設計し、データセット／ラベル／作業者別の傾向を定期的に説明できる状態をつくる ・判断が分かれたケースは、その場での個別回答で終わらせず、ルール変更・FAQ・教育内容へ反映し再発率を確認 ・品質課題の件数だけでなく、どの誤りがモデル・実務へ大きく影響するかをML・業務担当者と整理し、改善優先順位を設定 ・新しい作業者・ベンダーが参加しても同じ判断ができるよう、オンボーディング教材・校正用ケース・合格基準を整備 ・品質改善施策の実施後は、エラー率・合意率・差し戻し等の変化を確認し、効果が薄い施策はルール・レビュー方法から見直す ・品質ルールの追加・変更は、既存データや過去評価との整合性も確認し、変更による新たな不一致を防ぐ ▍やりがい・魅力など ・AI精度の前提となる「何を正解とするか」を、データと実務の両面から設計できます ・アノテーション作業そのものではなく、品質基準・レビュー・エラー分析・改善サイクル全体を設計できます ・データ品質の改善をMLチームの学習・評価へ直接つなげ、モデルの失敗パターンまで追えます ・CS、BPO、ML、プロダクトなど複数チームを横断し、品質の再現性を組織の仕組みにできます ▍組織名／体制 AIデータ品質管理領域として、CS、BPO／作業者、MLエンジニア、PdM・プロダクトチームと連携します。 ▍開発体制 教師・評価データの改善結果をMLチームの学習・評価へ接続し、必要に応じてツール・UI・運用改善もプロダクト側へ連携します。 ▍技術スタック Excel／Google Sheets。SQL、Python、正規表現、BIツール等の経験を歓迎します。 ▍必須スキル ・教師／評価データ、マスターデータ等の品質管理・改善経験 ・曖昧な判断を分類ルール・判定基準として言語化した経験 ・Excel／SQL等でデータを集計し、品質課題の傾向・原因を分析した経験 ・複数作業者・外部パートナーのレビュー、フィードバック、品質安定化を行った経験 ・エンジニア・業務担当者と品質水準や改善優先順位を合意した経験 ▍歓迎スキル ・機械学習用教師データ・評価データ設計、LLM評価、Human-in-the-loopの経験 ・BPO／アノテーション組織の品質管理、作業者教育・ベンダーマネジメント経験 ・SQL、Python、正規表現、BIツール等を用いた品質分析経験 ・データガバナンス・データマネジメントの経験 ・建設・不動産・見積・積算等の業務データを扱った経験 ▍求める人物像 ・曖昧な事例を放置せず、判断基準として言語化・標準化できる方 ・感覚ではなく、品質指標やエラー分析から課題を特定できる方 ・個人の判断に依存せず、作業者が再現できるルール・レビューへ変えられる方 ・ML・業務・作業現場の違いを理解し、改善すべき場所を冷静に切り分けられる方