モデル価値を本番で届け続けるMLOpsの要
日次で数千万リクエストが飛ぶ本番環境で、自らのロジックで勝ちパターンを見つけていくのがMLエンジニアの実務です。モデル精度だけでなく推論レイテンシ・SLO・オンコール体制まで面倒を見る、その仕事像をまとめました。
MLエンジニアは、いわゆるデータサイエンティストよりも開発寄りの業務がメインです。特徴量生成、学習パイプライン、モデル登録、推論エンドポイント、監視、アラートまでを一貫して設計します。
意思決定スピードが速い組織では“明日には別モデルが欲しい”が日常。だからこそ自動再学習やA/B切り替え、リリース判定プロセスを基盤に組み込み、PM・DS・SREと同じ目線でSLOやリリース窓を握ることがミッションです。
AWSと連携し、MLOps（機械学習基盤）のマスターソリューションを構築。データ取り込み、モデル学習、デプロイ、監視までの一連のパイプラインを自動化し、80%以上のAI/MLユースケースの市場投入時間を約75%削減した。
ZOZOTOWNの推薦システムが生み出す実績（売上、CTRなど）を定常的に監視するシステムを構築。指標の異常を自動で検知しSlackでアラートを出す仕組みや、サマリーを定期配信する機能を実装し、MLOpsサイクルを強化した。
ユーザーの行動ログやアイテム情報に基づき、ホーム画面や検索結果に表示される推薦ロジックを開発・改善。オフライン・オンラインでの評価実験を繰り返し、ユーザーエンゲージメントと取引の活性化を促進する。
スペシャリストパス: プリンシパルMLOps／MLプラットフォームエンジニアとして、Feature StoreやModel Registryなど全社基盤を統括し、障害対応と改善投資の優先度を握る。
マネジメントパス: MLプラットフォームのTech Lead/EMとなり、SLO管理・採用・技術投資の意思決定を担いながら複数プロダクトを並走させる。
越境パス: SRE/DevOpsやAIプロダクトマネジャーへ広げ、クラウドコストやプロダクト価値を同時に見る“AI×プロダクト”リーダーになるケースも一般的です。
