【AIエンジニア・リモート可】膨大なデータからビジネス価値を見出し、顧客のデータドリブン経営を実現させるAIエンジニア

GRIの仕事の捉え方

GRIは、データを扱う仕事の範囲を広く捉えています。事業課題の設定、データの構造化と意味付け、分析・モデリング、基盤構築と実装、現場への定着、ガバナンス設計、人材育成、自社プロダクト開発。これらを分断された専門領域ではなく、一続きの仕事として一貫して担うことを前提としています。専門家を多く介在させるほど伝達コストは増え、要件は受け渡しのたびに薄まります。GRIは入社時の職種に役割を限定・固定せず、一人一人のスキルや経験をもとに、複数の役割を横断できることを組織の前提に置いています。
またAIによって多くの領域で技術的な参入障壁が下がった現在、価値の源泉は既知の技術を持っていることではなく、未踏の領域に踏み込んでそれを仕組みに変えられること、へと移っています。こういった背景の中で、GRIではAIと何かを組み合わせることで、社会をエンパワーメントすることに関心を持ち、自らの強みの範囲を広げ続けられる方を必要としています。

本ポジションの役割・期待

受託サービス事業において、顧客の実データを対象としたAI実装を、設計からコーディング、評価、本番稼働まで一貫して担い自走いただきます。本ポジションでは、技術検証に留まらず、本番実装まで、いずれの段階でも、着手前に答えが確定していないことが前提となります。顧客からいただいたデータに必要な情報が入っておらず、業務の正解を持っているのは顧客側の熟練者であり、精度が業務要件を満たすか、については検証するまでわからない、といった条件の中で、何から着手すれば判断が進むかを自分で意思決定し、そして自ら手を動かせることが必要とされ期待されるポジションです。

プロジェクト事例

• ●大手ゼネコンの設計図面検図業務における、検図ナレッジDBの論理設計と補完AIの構築
• ・熟練者の判断根拠が言語化されていない業務領域を対象に、参照すべき情報を構造として設計
• ・過去の事故情報、指摘記録、社内基準など書式の異なる文書群をナレッジデータベースに整備
• ・生成AIによる情報補完と、業務目的に応じた絞り込みを組み合わせて実装
• ・厳密な結合が成立しない構造に対し、リレーショナルとグラフの双方からモデルを検討
• ●全国の受注データと商品画像から品目・色・数量を推論し、需給ミスマッチをファクトで検証する公共性の高いプロジェクト
• ・画像や音声など非構造データから、業務で使える粒度の構造化データを生成するモデルを構築
• ・正解ラベルのないデータに対する精度検証の方法を、顧客側の専門家と分担して設計
• ・精度と課金の双方を評価軸に置き、モデルとパラメータを選定
• ●製造業の大規模センサーデータを用いた異常検知・予兆保全、流通業の需要予測
• ・需要予測や異常検知など、業務判断に接続する予測モデルを構築
• ・自社AutoML製品を用いた予測モデルの構築と運用
• ・推定結果の解釈とドリフト検知を含む運用パイプラインを構築
• ●エンタープライズ環境における生成AI活用アーキテクチャの策定と、顧客環境での実装・本番稼働
• ・顧客の社内セキュリティ審査を通る環境構成を検討し、構築
• ・データパイプラインと推論APIを実装し、既存システムとの結合要件を定義
• ・触って動くモックを先に出し、必要機能の確認を通じて要件を固める

具体的な業務内容

• ●LLMアプリケーションの設計・実装（注力領域）
• ・プロンプトエンジニアリング（体系化されたインプット設計と、出力の再現性の担保）
• ・コンテキストエンジニアリング（必要な情報を必要な形で与えるための情報設計と、コンテキスト管理）
• ・ハーネスエンジニアリング
• - RAGの設計とチューニング
• - セマンティックレイヤの設計
• - オントロジーおよびデータモデルの整備
• - ツール連携とAIエージェントのワークフロー設計
• - 出力評価パイプラインの構築
• - ガードレールと実行ログ・トレーシングの設計
• ●モデルの評価と選定
• ・複数のモデルを同一条件で比較し、出力の差分を根拠とともに説明
• ・単一モデルへの一本化ではなく、タスク特性に応じた使い分けと組み合わせを設計
• ●精度、応答速度、課金の三点から実運用に耐える構成を選ぶ
• ・モデルが誤る原因が、プロンプトか、与えた情報か、ドメイン知識の欠落かを切り分ける
• ●データモデリングとデータ整備
• ・分析対象データのプロファイリング（基礎統計、欠損率、データ型、カーディナリティ、外れ値など）
• ・前処理（欠損処理、正規化、エンコーディング、表記ゆらぎの解消）
• ・多対多の関係や識別子の欠落を含む実データに対する論理設計
• ・マスタデータ管理（MDM）の整備、データ統合・名寄せ・突合
• ●予測モデル・AutoML
• ・予測AI、統計モデル、時系列モデルの構築
• ・自社AutoML製品を用いた予測モデルの構築と運用
• ・推定結果の解釈とドリフト検知によるモデル運用パイプラインの構築
• ●実装・運用
• ・推論APIの開発、マイクロサービス化
• ・データパイプラインの設計と運用
• ・既存システムとの結合要件定義
• ・顧客環境のセキュリティ要件を満たす構成の検討

開発環境

GRIでは顧客ごとに構成を設計するカスタム提案を前提としており、案件によって技術選定は異なります。
以下は過去に採用した構成の一例になります。

• ・クラウド（Google Cloud、AWS、Azureなど）
• ・言語（Python、Rなど。フロントエンドを伴う場合はJavascriptなど）
• ・データベース（BigQuery、Snowflake、Redshift、Neo4j、Elasticsearchなど）
• ・その他、案件要件に応じて選定

働き方

• ・リモート、出社ともに可

本ポジションの魅力・やりがい

• ・エンジニアという職種名に閉じず、データ活用の全領域へ役割を広げられる

（事業設計、データ基盤、分析実務、ガバナンス設計、人材育成、自社プロダクト開発）

• ・一般に公開された情報からは得られない、幅広い業界の実データにアクセスできる
• ・要件定義から実装までを社内で完結するため、なぜ作るのかを理解した状態で手を動かせる
• ・最新モデルの実業務における性能差を、自ら検証して判断できる立場にある
• ・教科書では学べない実践的なデータドリブン事業開発を学べる
• ・キャリアパスの選択肢が広い

（例：アーキテクト、アナリティクスエンジニア、データサイエンティスト、プロジェクトマネージャー、アントレプレナーなど）

GRIのプロジェクトの特徴：不確実性への向き合い方

GRIの案件では、顧客環境の準備が想定どおりに進まない、データに必要な項目が入っていない、業務の正解が文書化されていないなど、着手後に前提が変わることは日常的に起こります。こういった状況の中で、求められることは手が止まらないこと、そして止まった理由を判断材料に変えることが求められます。

• ・環境が整うまでの間に、手元で確かめられる範囲の検証を先に進める
• ・できなかったことを、次の判断に使える形で言語化する
• ・作業の重点を組み替える提案を、自分から出す
• ・精度が出ない原因を切り分け、どこまでが技術の限界でどこからが情報の不足かを示す

必須スキル

• ・PythonまたはRを用いた業務開発経験3年以上
• ・自走して品質を担保したコードを書けること（テスト、レビュー対応、再現性の確保まで含む）
• ・LLMを用いたアプリケーション開発の実務経験
• ・クラウド環境（Google Cloud、AWS、Azureなど）での開発経験
• ・前提が変わる状況で、作業順序を自ら組み替えて成果を出した経験
• ・特定の技術スタックに依存せず、案件要件に応じて技術を習得できること

歓迎スキル

• ・RAGを本番運用まで持ち込んだ経験
• ・セマンティックレイヤ、オントロジー、マスタデータ管理の設計経験
• ・LLM出力の評価設計や評価パイプライン構築の経験
• ・複数モデルの比較評価を、根拠を伴って実施した経験
• ・画像・音声・文書などマルチモーダルなデータを扱った経験
• ・機械学習モデルまたはAutoMLによる予測モデルの構築および運用経験
• ・DWHやデータパイプラインの設計構築経験
• ・顧客のセキュリティ要件を踏まえた環境構成の検討経験
• ・動くプロトタイプを短期間で作り、要件確認に用いた経験
• ・顧客に対して技術内容を説明した経験
• ・英語（技術マニュアルや論文等を理解し、業務に活用できる）

求める人物像

• ・データのプロファイリングから前処理、モデル構築、出力結果のチューニングまで、一連の各プロセスに対する説明責任を果たす努力を怠らない方
• ・必要に応じて社会課題や組織課題を自ら定義することにコミットし、AIの社会実装への活路を見出すことにチャレンジできる方
• ・技術説明の際に、顧客の立場やリテラシーに応じて、価値を訴求するためのストーリーテリングにチャレンジできる方
• ・モデルの性能だけでなく、業務で使えるかどうかを判断の基準に置ける方
• ・AIと何かを組み合わせて社会をエンパワメントすることに関心を持つ方

給与

年収 700万円 ～ 1000万円
※経験・能力に応じて規定により決定

勤務地

東京都港区芝公園2-3-6 PMO浜松町Ⅱ7F（本社）
最寄駅：大門（都営大江戸線）、浜松町（JR山手線）、御成門（都営三田線）
受動喫煙対策：有（屋内全面禁煙）
在宅勤務・リモートワーク：相談可
転勤：無し

雇用形態

正社員
試用期間：有（3ヶ月）

勤務時間

• 標準勤務時間：9時30分 〜 18時30分
• 休憩時間：60分
• 時短勤務：相談可

休日

• 完全週休2日制（休日は土・日・祝）
• 年間有給休暇：入社から半年後10日～20日（下限日数は、入社半年経過後の付与日数となります）
• 年間休日数：120日
• その他：夏季休暇、年末年始休暇

福利厚生

• 社会保険：完備（関東IT健保加入）
• 自己啓発のための書籍購入
• 部活動（フットサル部、グルメ部、アクロバット部、クリエイティブ部、喫茶部、お花部等）
• フリードリンク制度（18時半以降はフリーアルコール）
• 企業型ベビーシッター割引券

＜その他＞

• 副業：可
• 育児休暇取得実績：有

選考フロー

書類選考 → カジュアル面談 → 一次面談 → 適性検査 → 最終面接→ オファー面談
※状況や選考の進捗、候補者のご都合や弊社都合により、書類選考から面接・オファーまでのプロセスや回数を短縮・簡略化する場合があります。

昇給・賞与

• 昇給：年2回
• 固定賞与：年2回
• 決算賞与：業績により支給

諸手当

• 残業手当：有
• 通勤手当：交通費支給（5万円まで）

設立
2009年2月

代表者
代表取締役CEO　大友祐一

事業内容

「AI時代の産業革命をリードする」をミッションに掲げ、21世紀に最も必要とされているプロフェッショナル集団を目指します。

1. 受託サービス事業

• PoCを通した投資計画の立案
• データ分析基盤の構築運用
• カスタムAIモデルおよびBIダッシュボード開発とその運用支援

2. 自社サービス事業

• プロダクト事業：データのポテンシャルを最大化させるプロダクト開発
• コンテンツ事業：デジタル人材育成の研修コンテンツやデータサイエンス分野における研究・研修・情報発信など

3. 共創事業

• クライアントや資本業務提携先との新規事業の開発

従業員数
36名（2026年9月時点）

資本金
1億8,100万円（資本準備金含む）

東京都港区芝公園2-3-6 PMO浜松町Ⅱ7F（本社）
最寄駅：大門（都営大江戸線）、浜松町（JR山手線）、御成門（都営三田線）
受動喫煙対策：有（屋内全面禁煙）
在宅勤務・リモートワーク：相談可
転勤：無し

年収 700万円 ～ 1000万円
※経験・能力に応じて規定により決定