時価総額1,500億円規模で上場予定｜推薦アルゴリズムの機械学習エンジニア募集
年収 750万円 ~ 3,000万円
雇用形態: 正社員
勤務地:
機械学習エンジニア
の転職・求人情報
機械学習エンジニアの正社員求人の件数と年収（2026年11月11日時点）
2026年11月11日時点で、Offers Jobs で募集中の機械学習エンジニアの正社員の求人は12件（10社）です。業務委託と「業務委託から正社員」の求人は数えていません。
年収を集計できた12件の提示年収は、下限の中央値が700万円、上限の中央値が1,235万円。出社の条件はフルリモート4件（33%）、月1日〜週4日の出社3件（25%）、週5日の出社2件（17%）、相談で決める3件（25%）で、必須・歓迎スキルに多く挙がる技術は機械学習（5件）、Python（4件）、AI（4件）、AWS（3件）、画像処理（2件）です。
| 提示年収の下限 | 求人数 |
|---|---|
| 〜399万円 | 0件 |
| 400〜499万円 | 1件 |
| 500〜599万円 | 2件 |
| 600〜699万円 | 1件 |
| 700〜799万円 | 5件 |
| 800〜899万円 | 2件 |
| 900万円〜 | 1件 |
出所：Offers Jobs 掲載の正社員求人（n=12・2026年11月11日時点）をもとに Offers 集計
機械学習エンジニアの転職・求人情報の検索結果
1~20件（41件）うち正社員12件
おすすめ順
積極採用中 【年収〜1500万／フレックス制】電力需給・価格を予測するリサーチエンジニア募集
年収 800万円 ~ 1,500万円
雇用形態: 正社員
勤務地:
【売上1,000億超を目指すHRベンチャー】MLチーム初期メンバー募集！
年収 750万円 ~ 3,000万円
雇用形態: 正社員
勤務地:
データサイエンティスト｜ユーザーと企業の最適なマッチングを実現
年収 520万円 ~ 950万円
雇用形態: 正社員
勤務地:
シニアデータサイエンティスト | データの力で究極の適材適所を実現
年収 700万円 ~ 1,270万円
雇用形態: 正社員
勤務地:
【松尾研発スタートアップ】次世代AIプロダクトを共に創るML分野のリーダー
年収 800万円 ~ 1,400万円
雇用形態: 正社員
勤務地:
AI Agentを社会実装する、第二創業の仲間を募集！
年収 450万円 ~ 650万円
雇用形態: 正社員
勤務地:
機械学習・画像処理・自然言語処理等、特定領域で高い専門性を持つエンジニアを募集！
年収 576万円 ~ 1,200万円
雇用形態: 正社員
勤務地:
積極採用中 【機械学習未経験可】SaaS企業のLLMエンジニア
年収 600万円 ~ 900万円
雇用形態: 正社員
勤務地:
機械学習エンジニア
年収 700万円 ~ 1,200万円
雇用形態: 正社員
勤務地:
【製造業×AI】化学品リスク管理AI「ケミカン」のAIエンジニアを募集！
年収 1,000万円 ~ 2,000万円
雇用形態: 正社員
勤務地:
【正社員】機械学習エンジニア/自社開発/リモート可/フレックス/広告事業
年収 700万円 ~ 1,000万円
雇用形態: 正社員
勤務地:
【副業転職】CTO直下｜AIエージェント・需要予測・画像認識、AI開発に挑戦！
時給 3,000円 ~ 5,000円
雇用形態: 業務委託から正社員
勤務地:
積極採用中 【AI×フルスタック】幅広いプロジェクトに挑戦できる機械学習エンジニア
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
【AI×フルスタック】幅広いプロジェクトに挑戦できる機械学習エンジニア
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
【AI×フルスタック】幅広いプロジェクトに挑戦できる機械学習エンジニア
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
【AI×フルスタック】幅広いプロジェクトに挑戦できる機械学習エンジニア
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
【AI×フルスタック】幅広いプロジェクトに挑戦できる機械学習エンジニア
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
第二創業期のメンバーとして、"真のフルスタック"を目指す挑戦をご一緒しませんか？
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
第二創業期のメンバーとして、"真のフルスタック"を目指す挑戦をご一緒しませんか？
時給 2,500円 ~ 3,500円
雇用形態: 業務委託から正社員
勤務地:
職種から転職・求人情報を探す
開発言語から転職・求人情報を探す
報酬から転職・求人情報を探す
その他の条件から転職・求人情報を探す
お知らせ
お問い合わせ
新規ユーザー登録
アカウントを作成して、求人情報のブックマークや応募の管理ができます。
登録特典:
- ・求人情報のブックマーク
- ・高度な求人検索
- ・スカウトメール受信
求人に関するサマリ
機械学習エンジニアの概要
機械学習エンジニアとは
機械学習エンジニアは、人工知能（AI）技術の中核を担う専門家です。彼らは、コンピューターが大量のデータから学習し、パターンを見つけ出し、予測や判断を行うシステムを開発します。この職種は、データサイエンスとソフトウェアエンジニアリングの両方の要素を併せ持つ、現代のテクノロジー産業において非常に重要な役割を果たしています。機械学習エンジニアの仕事は、単なるプログラミングにとどまらず、複雑な数学的概念や統計学の知識を駆使して、革新的なソリューションを生み出すことが求められるのです。
機械学習エンジニアの役割
機械学習エンジニアの主な役割は、機械学習モデルの設計、実装、そして最適化です。彼らは、ビジネス課題を理解し、それを解決するための適切なアルゴリズムを選択し、効率的なコードを書いて実装します。また、モデルのパフォーマンスを継続的に監視し、必要に応じて調整を行うことも重要な任務となります。
機械学習エンジニアと他職種との違い
機械学習エンジニアは、データサイエンティストやソフトウェアエンジニアと似た面もありますが、独自の専門性を持っています。データサイエンティストが主にデータ分析と洞察の抽出に焦点を当てるのに対し、機械学習エンジニアはそれらの洞察を実際のシステムに実装する役割を担います。一方、一般的なソフトウェアエンジニアとは、機械学習特有の複雑なアルゴリズムやモデルの扱いに特化している点で異なります。
機械学習エンジニアが活躍する分野
機械学習エンジニアの活躍の場は、テクノロジーの進化とともに急速に拡大しています。金融業界では、リスク分析や不正検知システムの開発に携わり、医療分野では画像診断支援や個別化医療のためのアルゴリズム開発を行います。また、自動運転技術、音声認識、推薦システムなど、私たちの日常生活に密接に関わる多くの技術の背後には、機械学習エンジニアの存在があるのです。
機械学習エンジニアの仕事内容
アルゴリズムの開発と実装
機械学習エンジニアの仕事の中心は、効果的なアルゴリズムの開発と実装です。これには、既存のアルゴリズムの改良や、全く新しいアプローチの考案が含まれます。例えば、ディープラーニングを用いた画像認識システムの構築や、自然言語処理を活用したテキスト分類モデルの開発などが挙げられます。この過程では、問題の本質を理解し、最適なアルゴリズムを選択する洞察力が求められます。
データの収集と整形
優れた機械学習モデルを作るためには、質の高いデータが不可欠です。機械学習エンジニアは、適切なデータソースを特定し、必要なデータを収集する責任があります。さらに、収集したデータを分析に適した形に整形する作業も重要です。これには、ノイズの除去、欠損値の処理、特徴量の抽出などが含まれます。例えば、顧客の購買履歴データを用いて将来の購買行動を予測するモデルを作る場合、過去のトランザクションデータを適切に前処理し、有用な特徴量を抽出する必要があるでしょう。
機械学習モデルの環境構築
機械学習エンジニアは、モデルの開発だけでなく、それを実行するための環境構築も担当します。これには、適切なハードウェアの選択（GPUの利用など）、ソフトウェアのセットアップ、クラウドプラットフォームの活用などが含まれます。例えば、大規模な自然言語処理モデルを訓練する場合、複数のGPUを効率的に使用できる環境を構築する必要があります。また、モデルの本番環境へのデプロイメントや、スケーラビリティの確保も重要な業務となります。
最新技術の研究と調査
機械学習の分野は日進月歩で進化しています。そのため、機械学習エンジニアには常に最新の技術動向をキャッチアップし、それらを実際のプロジェクトに適用する能力が求められます。例えば、転移学習や強化学習といった新しいアプローチの研究や、最新のニューラルネットワークアーキテクチャの調査などが挙げられます。この継続的な学習と適用の過程は、機械学習エンジニアの専門性を高め、より革新的なソリューションを生み出す原動力となるのです。
機械学習エンジニアに必要なスキル
プログラミングスキル
機械学習エンジニアにとって、高度なプログラミングスキルは不可欠です。特に、Python、R、Java、C++などの言語に精通していることが求められます。Pythonは機械学習のエコシステムが充実しているため、多くの機械学習エンジニアが使用しています。例えば、TensorFlowやPyTorchといった深層学習フレームワークはPythonで書かれており、これらを使いこなすことが重要です。また、効率的なアルゴリズムの実装や大規模データの処理能力も必要となります。
数学と統計学の知識
機械学習の基礎となる数学と統計学の深い理解は、機械学習エンジニアにとって不可欠です。線形代数、微積分、確率論、統計学などの知識が必要となります。例えば、主成分分析（PCA）を理解するには線形代数の知識が、勾配降下法を理解するには微積分の知識が必要です。また、ベイズ推論や仮説検定といった統計的手法の理解も重要です。これらの数学的基礎があってこそ、複雑な機械学習アルゴリズムの仕組みを理解し、適切に応用することができるのです。
データベース管理技術
機械学習エンジニアは、大規模なデータを効率的に扱うためのデータベース管理技術も習得する必要があります。SQLを使用したリレーショナルデータベースの操作はもちろん、NoSQLデータベースの理解も重要です。例えば、時系列データを扱う際にはInfluxDBなどの専用データベースの知識が役立つでしょう。また、分散データ処理フレームワークであるApache Sparkの使用経験も、大規模データの処理において有用です。
クラウド技術の理解
現代の機械学習プロジェクトの多くは、クラウド環境で実行されています。そのため、Amazon Web Services（AWS）、Google Cloud Platform（GCP）、Microsoft Azureなどのクラウドプラットフォームの理解が重要です。これらのプラットフォームが提供する機械学習サービス（例：AWS SageMaker、Google Cloud AI Platform）を活用することで、効率的にモデルの開発やデプロイを行うことができます。また、コンテナ技術（Docker）や、Kubernetesなどのオーケストレーションツールの知識も、スケーラブルな機械学習システムの構築に役立ちます。
ビジネススキル
機械学習エンジニアは、技術的なスキルだけでなく、ビジネスの文脈を理解し、それに応じたソリューションを提案する能力も求められます。プロジェクトマネジメントスキル、コミュニケーション能力、問題解決能力などが重要です。例えば、非技術系のステークホルダーに複雑な機械学習モデルの仕組みや結果を分かりやすく説明する能力や、ビジネス目標に沿ってプロジェクトの優先順位を設定する能力などが挙げられます。これらのスキルは、技術的な専門知識を実際のビジネス価値に変換する上で不可欠なのです。
機械学習エンジニアになるための資格
G検定
G検定（ジェネラリスト検定）は、日本ディープラーニング協会が実施する資格試験です。この検定は、人工知能や機械学習の基礎知識を評価するものであり、機械学習エンジニアを目指す人にとって有用な資格の一つです。試験内容には、人工知能の歴史や基本的な概念、機械学習の種類と手法、ディープラーニングの基礎などが含まれます。G検定は、機械学習エンジニアとしてのキャリアをスタートさせる上で、良い足がかりとなるでしょう。
E資格
E資格（エンジニア資格）は、G検定の上位資格として位置づけられています。こちらも日本ディープラーニング協会が実施する資格試験で、より実践的な機械学習の知識とスキルを評価します。E資格では、ディープラーニングの理論だけでなく、実際のプログラミングスキルも問われます。試験では、PyTorchやTensorFlowなどのフレームワークを使用した実装問題も出題されるため、機械学習エンジニアとしての実力を証明するのに適しています。
統計検定
統計検定は、一般財団法人統計質保証推進協会が実施する資格試験です。機械学習の基礎となる統計学の知識を評価するこの試験は、機械学習エンジニアにとって非常に有用です。1級から準1級、2級、3級、4級まであり、レベルに応じて受験することができます。統計的推論、確率分布、回帰分析など、機械学習に直接関連する内容が含まれており、この資格を取得することで、機械学習アルゴリズムの理論的背景をより深く理解することができるでしょう。
Python 3 エンジニア認定データ分析試験
Python 3 エンジニア認定データ分析試験は、一般社団法人Pythonエンジニア育成推進協会が実施する資格試験です。この試験は、Pythonを使用したデータ分析のスキルを評価するもので、機械学習エンジニアにとって重要なスキルセットをカバーしています。試験内容には、NumPy、pandas、Matplotlibなどのライブラリの使用方法や、基本的な統計解析、機械学習の基礎などが含まれます。この資格は、Pythonを用いたデータ分析と機械学習の実践的なスキルを証明するのに役立ちます。
機械学習エンジニアのキャリアパス
データサイエンティスト
機械学習エンジニアのキャリアパスの一つとして、データサイエンティストへの転身が挙げられます。データサイエンティストは、機械学習エンジニアの技術的スキルに加えて、ビジネス洞察力や高度な統計解析能力が求められます。例えば、顧客行動予測モデルの開発だけでなく、そのモデルから得られたインサイトを基にビジネス戦略の立案に貢献するなど、より広範な役割を担います。この移行には、ビジネス分析スキルの向上や、より高度な統計学の知識の習得が必要となるでしょう。
プロジェクトマネージャー
経験を積んだ機械学習エンジニアは、プロジェクトマネージャーとしてキャリアを発展させることもできます。この役割では、機械学習プロジェクト全体の計画立案、リソース管理、スケジュール管理などを担当します。技術的な知識を基に、クライアントや他の部門とのコミュニケーション、チームメンバーの育成なども重要な任務となります。例えば、大規模な画像認識システムの導入プロジェクトを統括し、技術的な課題とビジネス目標のバランスを取りながら、プロジェクトを成功に導くような役割です。このキャリアパスには、リーダーシップスキルやプロジェクト管理手法の習得が必要となります。
ITコンサルタント
機械学習エンジニアとしての経験を活かし、ITコンサルタントとしてキャリアを築くこともできます。この役割では、企業の AI 戦略の立案や、機械学習技術の導入支援などを行います。例えば、製造業の企業に対して、予知保全システムの導入を提案し、その実装までサポートするといった仕事が考えられます。ITコンサルタントになるためには、幅広い業界知識や、クライアントとの効果的なコミュニケーション能力が求められます。また、最新の AI トレンドに常に注目し、その実用的な応用方法を提案できる能力も重要です。
機械学習エンジニアの年収と求人状況
年収の現状
機械学習エンジニアの年収は、スキルレベルや経験、勤務地域によって大きく異なります。特に、GAFA（Google、Apple、Facebook、Amazon）などの大手テック企業では、さらに高額の年収を提示することもあります。例えば、日本経済新聞の調査によると、2023年時点で AI エンジニアの平均年収は約878万円とされています。ただし、これらの数字は一般的な傾向を示すものであり、個人の能力や企業の規模、業績などによって大きく変動する可能性があります。
求人の増加傾向
機械学習エンジニアの求人は、ここ数年で急激に増加しています。AI 技術の発展と、それを活用したいと考える企業の増加が、この傾向を後押ししています。特に、金融、医療、製造業などの分野で需要が高まっています。自動運転技術の発展に伴い、自動車業界でも機械学習エンジニアの需要が急増しています。また、スタートアップ企業においても、AI 技術を核とした新しいサービスの開発のために、機械学習エンジニアの採用を積極的に行っているケースが多く見られます。
海外の年収と比較
機械学習エンジニアの年収は、国や地域によって大きく異なります。一般的に、アメリカのシリコンバレーなど、テクノロジー産業が集中する地域では、非常に高額の年収が提示されることがあります。ただし、これらの数字を単純に比較する際は、生活費の違いや税制の違いなども考慮する必要があります。
機械学習エンジニアになるためのステップ
必要な知識とスキルの習得
機械学習エンジニアになるためには、まず基礎的な知識とスキルの習得が不可欠です。具体的には、プログラミング言語（特にPython）の習得、線形代数や統計学などの数学的基礎、機械学習アルゴリズムの理解が挙げられます。例えば、Coursera や edX などのオンライン学習プラットフォームで、スタンフォード大学やMITが提供する機械学習関連のコースを受講することから始めるのも良いでしょう。また、「機械学習エンジニア」という役割が、データサイエンスとソフトウェアエンジニアリングの両方の要素を含むことを理解し、両分野のスキルを磨くことが重要です。
適切な学習リソースの活用
機械学習エンジニアとしてのスキルを磨くためには、適切な学習リソースを活用することが重要です。オンラインコースやMOOC（Massive Open Online Course）は、体系的に学習を進める上で非常に有効です。例えば、Andrew Ng氏のCoursera上の「機械学習」コースは、多くの初学者に推奨されています。また、Kaggleなどのデータサイエンスコンペティションプラットフォームも、実践的なスキルを磨く上で非常に有用です。書籍では、「Python機械学習プログラミング」や「はじめてのパターン認識」などが、基礎から応用まで幅広くカバーしている点で人気があります。さらに、GitHub上のオープンソースプロジェクトに参加することで、実際の開発プロセスを学ぶこともできるでしょう。
実践的な経験の積み方
機械学習エンジニアとして成長するためには、理論的な知識だけでなく、実践的な経験を積むことが極めて重要です。まずは、自分で興味のある課題を見つけ、小規模なプロジェクトから始めることをおすすめします。例えば、公開されているデータセットを使って、画像分類モデルや自然言語処理モデルを構築してみるのも良いでしょう。また、前述のKaggleなどのデータサイエンスコンペティションに参加することで、実際のデータを用いた問題解決の経験を積むことができます。さらに、インターンシップやアルバイトを通じて、実際の企業プロジェクトに携わる機会を得ることも非常に有益です。多くのテック企業が、学生や未経験者向けのインターンシッププログラムを提供しています。これらの経験を通じて、理論を実践に結びつけるスキルや、チームでの協働能力を養うことができるのです。
機械学習エンジニアの将来性と需要
AI技術の進化と影響
AI技術は急速に進化し続けており、その影響は私たちの生活や産業のあらゆる面に及んでいます。例えば、自然言語処理の分野では、GPT-3のような大規模言語モデルが登場し、人間のような文章生成や対話が可能になっています。また、コンピュータビジョンの分野では、物体検出や画像生成の精度が飛躍的に向上し、自動運転や医療画像診断など、多くの応用分野で革新をもたらしています。これらの技術の発展に伴い、機械学習エンジニアの役割はますます重要になっています。今後も、より高度な AI システムの開発や、既存のシステムの改良、新たな応用分野の開拓など、機械学習エンジニアの活躍の場は拡大し続けると予想されます。
機械学習エンジニアの需要推移
機械学習エンジニアの需要は、ここ数年で急激に増加しており、この傾向は今後も続くと予測されています。日本における AI 人材の不足は深刻で、経済産業省の調査によると、2030年には約12万人の AI 人材が不足すると試算されています。この不足を補うために、多くの企業が機械学習エンジニアの採用に力を入れています。特に、自動車産業や金融業界、医療分野などで需要が高まっています。例えば、自動運転技術の発展に伴い、自動車メーカーやサプライヤーが機械学習エンジニアの採用を強化しています。また、フィンテック企業や保険会社も、リスク分析や不正検知システムの開発のために、機械学習エンジニアを積極的に採用しています。このような需要の高まりは、機械学習エンジニアの給与水準の上昇にもつながっており、キャリアとしての魅力を高めています。
機械学習エンジニアに向いている人の特徴
機械学習エンジニアには、特定の資質や特徴が向いているとされています。まず、論理的思考力と問題解決能力が高いことが挙げられます。複雑なアルゴリズムを理解し、実装する上で、これらのスキルは不可欠です。また、数学や統計学への強い興味と適性も重要です。機械学習の基礎となる理論を理解し、適切に応用するためには、これらの分野の深い知識が必要となります。さらに、新しい技術や概念を常に学び続ける意欲も重要です。AI 技術は日進月歩で進化しているため、最新のトレンドやツールに常にキャッチアップする必要があります。加えて、チームワークとコミュニケーション能力も重要です。多くの場合、機械学習プロジェクトはチームで進められるため、自分のアイデアを効果的に伝え、他のメンバーと協力して問題を解決する能力が求められます。最後に、創造性と革新性も重要な特徴です。既存の手法を適用するだけでなく、新しいアプローチを考案し、独創的なソリューションを生み出す能力が、優れた機械学習エンジニアには求められるのです。
エンジニア・PdMの正社員転職プラットフォーム「Offers（オファーズ）」では、非公開求人を含む豊富なIT・Web業界の転職情報を提供しています。高年収の求人や最新技術スタックを扱う企業など、あなたのスキルを最大限に活かせるポジションが見つかります。専任のキャリアアドバイザーが、入社日調整や条件交渉をきめ細かくサポート。正社員の転職をお考えの方は、Offersまでご相談ください。閉じる
新着求人
もっと見るおすすめのイベント
もっと見る
開催前
【Claude Code】鹿野さんが実践するエンジニアの日常業務を爆速にする最新推しツール 大公開AIコーディングエージェントの普及により、エンジニアがAIで「コードを書く」ことは当たり前になってきました。しかし、「開発以外の日常業務」には、まだAIを十分に活用しきれていないケースが少なくないのではないでしょうか。 そこで本イベントでは、前回の並行開発イベントでもご好評いただいた鹿野壮氏を再びお迎えし、鹿野氏の日常業務のフロー全体、およびそれぞれの業務におけるAI活用の実例をデモ付きで解説いただきます。 前半のLTでは、鹿野氏より仕様策定→要件定義→チケット作成→実装→PR作成・レビュー→リリース→顧客説明といった業務の流れをお話しいただきます。続く公開デモでは、その業務フローに沿って実際にどのようなツールをどう使っているのかを画面を見せながら解説いただきます。 後半のディスカッションでは、業務のボトルネックや手戻りを減らす工夫、成果物評価の迅速化、チームへの展開方法など、現場目線でさらに深掘りしていきます。 AIを使った業務効率化に取り組みたいが全体像がつかめていない方から、すでに部分的に活用しているがさらに広げたい方まで、幅広いエンジニアのご参加をお待ちしています。
開催前
＜AIに任せる前に＞ゆーすけべ、ちまめさんに聞くCloudflare Workersの本番運用の勘所昨今、CloudflareはCDNやR2だけでなく、Cloudflare Workersを中心に、エッジ環境でWebアプリケーションやAIワークロードを実行できるプラットフォームとして急速に存在感を高めています。個人開発で触ったことのある方は増えてきましたが、「プロダクションで本格的に使っている」となると、まだまだ少ないのが現状ではないでしょうか。 また、AWSやGCPとは設計思想や開発体験が大きく異なるため、「興味はあるが、既存のインフラにどう導入すればいいのかわからない」「Workersで何がどこまでできるのかイメージしきれない」という声も耳にします。 そこで本イベントでは、Honoの作者でありCloudflareのDeveloper AdvocateであるYusuke Wada氏と、『Cloudflare Workers 実践ガイド』の著者の一人であるchimame氏をお迎えし、Cloudflare Workersの全体像から実践的なユースケースまでを紐解きます。 Cloudflareが気になり始めた方から、AWS/GCPメインの環境にCloudflareを取り入れたい方まで、幅広いエンジニアのご参加をお待ちしています。
アーカイブ公開中
人間のレビューなしで"そのまま出せる"デザインは作れるか こぎそさんに聞く デザインハーネスの現在地AIコーディングエージェントの進化により、コードだけでなくUIデザインの領域でもAIに任せられる範囲が広がりつつあります。しかし、「AIが出力したデザインを人間のレビューなしでそのまま出せるか？」と問われると、まだ自信を持ってイエスと言える方は少ないのではないでしょうか。 そうした中、AIに「デザイナーの脳内」を型として渡し、デザインの実装だけでなく、評価や改善までを自動化していく「デザインハーネス」という考え方があります。AIにデザインをつくらせて終わりではなく、その出力を評価し、改善するサイクルをできるだけ自律的に回していくことで、AIに任せられる範囲をさらに広げていくアプローチです。しかし、デザインハーネスとは具体的に何を整備すればいいのか、実際にどこまでの品質が出せるのかを体系的に語れる事例はまだ多くありません。そこで本イベントでは、デザインシステムの構築やAIワークフローの実践に豊富な経験を持つこぎそ氏をお迎えし、デザインハーネスの基礎から、具体的な実践事例までを紐解きます。 前半のLTでは、こぎそ氏よりデザインハーネスの基礎的な考え方を整理いただいた上で、Design.mdやMCP連携、デザインシステムとの接続といった実際のワークフローに落とし込んだ実践事例、そして「デザイナーの脳内をどう型化していくか」という方法論をお話しいただきます。 後半のディスカッションでは、AIが出力するデザインの評価軸や、人間が介在すべき領域の見極め、実作業のメイン環境の選び方など、デザインエンジニアの現場目線でさらに深掘りしていきます。 AIを活用したデザインワークフローに関心がある方から、デザインハーネスの導入を検討されている方まで、幅広いデザインエンジニアのご参加をお待ちしています。
開催日:
2026年10月15日(木)19:00~20:00
アーカイブ公開中
AIでコード書く前に、要求・要件定義足りてる？ミノ駆動さんと改めて考える ドメイン駆動設計AIコーディングエージェントの進化により、コードを書くスピードはかつてないほど速くなりました。しかし、いくらAIで早くたくさん開発できたとしても、初手の要求・要件定義が十分にできていなければ、結局は使われない機能を量産してしまうのではないでしょうか。 AI時代において、設計や実装の多くはAIに置き換わりつつあります。だからこそ、人間の価値は「問題を定義し、発見する」ことにシフトしていく——そう考えると、要求・要件定義の重要度はこれまで以上に増してきています。しかし、普段の業務で要求・要件定義に本格的に取り組んだ経験がないエンジニアの方も多いのが現状です。 そこで本イベントでは、前回ご好評いただいた「AI時代×ドメイン駆動設計」に続く第2弾として、ミノ駆動氏を再びお迎えし、AI時代だからこそ向き合うべき要求・要件定義の考え方と実践を紐解きます。 前半のLTでは、ミノ駆動氏より、エンジニアに今後求められる「具体→抽象」の思考力、目的を起点とした設計の考え方、そして明日から始められる要求・要件定義の第一歩についてお話しいただきます。 後半のディスカッションでは、「Claude Codeに頼めばよしなにやってくれるのでは？」という率直な疑問から、要求・要件定義は誰が書くべきか、優秀なエンジニアの要求・要件定義は何が違うのかなど、現場目線でさらに深掘りしていきます。 「AIにコードは任せられるようになったけど、その前段階をどうすればいいかわからない」という方にこそ参加いただきたいイベントです。
開催日:
2026年10月6日(火)19:00~20:00
アーカイブ公開中
【Claude Code】世界のスタートアップが必死に求める「GTMエンジニア」とはAIの進化によってプロダクト開発のハードルが下がった今、企業の関心は「いかに良いものを作るか」から「どうやって市場に届け、ユーザーに使ってもらうか（Go-To-Market）」へとシフトしています。 こうした変化の中で、海外のAIスタートアップを中心に急速に注目を集めているのが「GTM（Go-To-Market）エンジニア」です。 営業でも、マーケターでも、単なる開発エンジニアでもない。 かつて10人のチームで回していた営業・マーケティング・オペレーションの設計からAIによる自動化までを、1人で主導する新たな役割です。 しかし、日本ではまだ認知が広まっておらず、「GTMエンジニアって具体的に何をしているのか」をイメージできている方はほとんどいないのが現状です。 そこで本イベントでは、GTMエンジニアリングの研究・発信を行う中村氏と、GTMエンジニアとして実践されているnumashi氏をお迎えし、海外での動向から日本での実態まで、GTMエンジニアという仕事の全体像を紐解きます。 前半のLTでは、お二人にそれぞれの視点からGTMエンジニアの役割や実際の業務内容、海外と日本での位置づけの違いについてお話しいただきます。 後半のディスカッションでは、どんな方がGTMエンジニアに向いているのか、単なる効率化で終わらせず売上に繋げるには、日本の組織での最初の一歩など、現場目線でさらに深掘りしていきます。 エンジニアとしての新たなキャリアの可能性を探している方から、GTMエンジニアリングに興味がある方まで、幅広いご参加をお待ちしています。
開催日:
2026年9月29日(火)12:00~13:00
転職に役立つノウハウ
もっと見る