AIデータ品質管理リード｜教師データ設計・品質保証・運用標準化

AIデータ品質管理リード｜教師データ設計・品質保証・運用標準化

仕事概要

▍事業内容／企業紹介
ゴーレムは、建設業界に蓄積されてきた見積・設計・施工・維持管理などのデータと、実務の中で培われてきた判断基準を構造化し、企業の業務効率化や意思決定を支援する建設業界特化型のデータプラットフォームを開発しています。

建設業界では、企業・プロジェクトごとに業務、データ、管理方法が異なり、重要な情報がExcelやPDF、担当者の経験に分散しています。ゴーレムでは、こうした非構造・属人的な情報をデータとして扱える状態へ変換し、CO2排出量の算定をはじめ、見積・購買・業務分析など複数のテーマへ展開しています。

▍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、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。何を正解とするか、誰がどう検証するかを標準化し、教師・評価データの再現性を高める必要があります。

今回募集するのは、機械学習・生成AIに利用する建設データの正解を定義し、アノテーション基準、レビュー、エラー分析、改善サイクルを設計するポジションです。具体的には、ラベル定義・正解基準・曖昧ケースの判断ルール策定、アノテーションガイドラインとFAQ整備、サンプリング・ダブルチェック・合意率等の品質設計、誤分類・不一致・偏りの分析などを通じて、担当領域を前に進めます。

▍仕事内容
正解・品質基準の設計
● 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・判定例として言語化
● 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
● データセットやルール変更時の版管理・変更履歴・影響範囲を管理

品質検証・エラー分析
● 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、エラータイプ別に原因を分析
● 作業者起因・ルール起因・データ起因・モデル起因を切り分け、改善優先順位を整理
● 改善前後の品質を定量評価し、基準や運用の変更効果を確認

作業者・外部パートナーの品質管理
● アノテーション／データ作業者向けのオンボーディングと判断基準の説明
● レビュー結果に基づく個別フィードバックと、共通ミスへの一斉改善
● 作業者・ベンダー別の品質傾向を可視化し、再教育・チェック強化を実施
● エスカレーションすべきケースと現場判断で処理できるケースを整理

ML・プロダクトとの改善サイクル
● MLエンジニアとエラー分類・評価データ・再学習対象をすり合わせ
● PdM・業務担当者と、モデル精度と実務上の正しさの差分を整理
● 品質課題をデータ作成・モデル・UI／運用のどこで解くか判断材料を整理
● 継続的に品質を確認できるレポート・レビュー運用を整備

▍やりがい・魅力など
● AIの精度を左右する「何を正解とするか」を、データ・業務の両面から設計できる
● アノテーション作業ではなく、品質基準・レビュー・エラー分析・改善サイクルまで設計できる
● MLエンジニアや業務担当者と連携し、データ品質をモデル改善へ直接つなげられる

▍組織名／体制
AIデータ品質管理チーム。CS、BPO、ML、プロダクトチームと連携。

▍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。

▍技術スタック
Excel／Google Sheets。歓迎：SQL、Python、正規表現、BIツール。

必須スキル

▍事業内容／企業紹介
ゴーレムは、建設業界に蓄積されてきた見積・設計・施工・維持管理などのデータと、実務の中で培われてきた判断基準を構造化し、企業の業務効率化や意思決定を支援する建設業界特化型のデータプラットフォームを開発しています。

建設業界では、企業・プロジェクトごとに業務、データ、管理方法が異なり、重要な情報がExcelやPDF、担当者の経験に分散しています。ゴーレムでは、こうした非構造・属人的な情報をデータとして扱える状態へ変換し、CO2排出量の算定をはじめ、見積・購買・業務分析など複数のテーマへ展開しています。

▍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、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。何を正解とするか、誰がどう検証するかを標準化し、教師・評価データの再現性を高める必要があります。

今回募集するのは、機械学習・生成AIに利用する建設データの正解を定義し、アノテーション基準、レビュー、エラー分析、改善サイクルを設計するポジションです。具体的には、ラベル定義・正解基準・曖昧ケースの判断ルール策定、アノテーションガイドラインとFAQ整備、サンプリング・ダブルチェック・合意率等の品質設計、誤分類・不一致・偏りの分析などを通じて、担当領域を前に進めます。

▍仕事内容
正解・品質基準の設計
● 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・判定例として言語化
● 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
● データセットやルール変更時の版管理・変更履歴・影響範囲を管理

品質検証・エラー分析
● 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、エラータイプ別に原因を分析
● 作業者起因・ルール起因・データ起因・モデル起因を切り分け、改善優先順位を整理
● 改善前後の品質を定量評価し、基準や運用の変更効果を確認

作業者・外部パートナーの品質管理
● アノテーション／データ作業者向けのオンボーディングと判断基準の説明
● レビュー結果に基づく個別フィードバックと、共通ミスへの一斉改善
● 作業者・ベンダー別の品質傾向を可視化し、再教育・チェック強化を実施
● エスカレーションすべきケースと現場判断で処理できるケースを整理

ML・プロダクトとの改善サイクル
● MLエンジニアとエラー分類・評価データ・再学習対象をすり合わせ
● PdM・業務担当者と、モデル精度と実務上の正しさの差分を整理
● 品質課題をデータ作成・モデル・UI／運用のどこで解くか判断材料を整理
● 継続的に品質を確認できるレポート・レビュー運用を整備

▍やりがい・魅力など
● AIの精度を左右する「何を正解とするか」を、データ・業務の両面から設計できる
● アノテーション作業ではなく、品質基準・レビュー・エラー分析・改善サイクルまで設計できる
● MLエンジニアや業務担当者と連携し、データ品質をモデル改善へ直接つなげられる

▍組織名／体制
AIデータ品質管理チーム。CS、BPO、ML、プロダクトチームと連携。

▍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。

▍技術スタック
Excel／Google Sheets。歓迎：SQL、Python、正規表現、BIツール。

歓迎スキル

● 機械学習における教師データ・評価データの設計、アノテーションルール策定経験
● LLM／生成AIの評価設計、人手評価、Human-in-the-loopの運用経験
● BPO・アノテーションベンダー等を活用した大規模なデータ品質管理経験
● マスターデータ管理、データガバナンス、データ品質基準の設計経験
● 建設・建築・積算・見積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できる方
● 感覚ではなく、データやエラー傾向から品質課題を特定できる方
● 作業者が同じ基準で判断できる運用・レビュー方法を設計できる方
● MLエンジニアや業務担当者と、正解・品質水準を建設的に議論できる方
● 個別の例外対応を、次回以降に再利用できるルールへ変えられる方

応募概要

給与

600-800万円（年俸制） ※基本給 500,000円〜
みなし残業45時間/月（175,781〜249,023円）

勤務地

〒102-0093
東京都千代田区平河町1丁目3-13　平河町フロントビル 4階　※オフィス全面禁煙
アクセス：半蔵門駅2出口から徒歩約3分

（雇入れ直後）東京本社所及び貴殿の自宅（テレワークを行う場所）
（変更の範囲）会社の定める場所及び貴殿の自宅（テレワークを行う場所）

雇用形態

正社員(期間の定め:無)

勤務体系

▍勤務時間
9:00-18:00（フルフレックス・コアタイムなし）
※リモート有無
週3リモートを想定するハイブリッド勤務

▍休日休暇
・完全週休2日制（土・日）
・祝日
・夏季休暇
・年末年始休暇
・有給休暇
・休業/慶弔制度
・産前産後休暇
・育児休暇
・子どもの看護休暇

試用期間

試用期間6ヶ月あり。期間中の給与・待遇は変更なし

福利厚生

・リモートワークと出社を組み合わせた勤務体制を実施（現状、火・木出社）
・昇給（年1回）
・社会保険完備
・入社準備手当（10万円支給）
・最新PC貸与
・通勤手当（月5万円まで）
・リファラごはん飯制度（社内紹介制度）
・ウェルネスサポート制度（健康維持支援）
・学び応援制度
・社内交流イベント
・代表との1on1制度

※採用活動におけるハラスメントについて
当社は採用活動におけるハラスメントを一切禁止しております。
ご不安な点がある場合の相談窓口や詳細は、下記方針よりご確認いただけます。