単価100万円以上の案件一覧

サポート終了を迎えるオンプレミス環境からパブリッククラウド環境への移行プロジェクトです。
現行の自動実行管理、データ連携・変換、およびデータ蓄積基盤をクラウドの提供する各種マネージドサービスへ刷新する方針に沿って、現状の調査から移行設計、実装、各種テスト、および本番切替までを一貫して担当していただきます。

【業務内容】

• 既存環境（自動実行定義、データ処理フロー、データベース資産など）の調査および移行プロセスの策定
• クラウド移行先サービスの選定および基本構成設計（サーバーレスオーケストレーター、統合データ処理サービス、クラウド型DWHなど）
• 自動実行ジョブ、データパイプライン、データ蓄積用の構造定義に関する移行設計および実装
• データの初期移行および差分同期に関する設計と実行
• 検証計画の策定、および各種テスト（結合・性能・受入）の推進
• 本番移行計画の立案、移行作業の遂行、および運用プロセスの設計と引き継ぎ
• 複数の関連部門や外部パートナーとの連携、進捗管理および課題解決の推進

– 複数の関係者との調整や課題管理を主体的に推進できる高いコミュニケーション能力
– 物理環境からパブリッククラウド環境への移行プロジェクトにおける設計から本番稼働までの実務経験
– データ連携、自動実行管理、および大規模データ蓄積基盤の相互連携を理解し、データ分析基盤全体の概念を把握している知識

公共機関向けネットワークシステム（GSS）の設計・構築プロジェクトにおいて、セキュリティや監視機能を担うチームの設計SEとして業務を推進していただきます。

– OS（Linux、Windows Server）における設計、構築、およびチューニングの豊富な実務経験
– 各種設計書やパラメータシートなどのドキュメント作成経験
– オープンソースのネットワーク監視ソフトウェア（Zabbix等）を用いた実務経験
– プロジェクト内での円滑な連携を図れるコミュニケーション能力
– 都内指定オフィスへの常駐対応が可能な方

システム基盤の現代化に向けた環境移行や自動化仕組みの導入における、技術検証および基本設計を推進していただきます。実構築の前段階となる技術方針の策定や影響調査、システム全体の構造設計を主導する役割です。

◆各施策における業務内容
OSおよびミドルウェアの移行対応

• バージョン更新に伴うアプリケーションや各種ライブラリへの影響予測の実施
• インフラ構成案に対するアプリケーション開発視点での技術評価およびレビュー
  自動化パイプラインへの移行推進
• 開発検証環境における各種プラグインや実行環境のバージョン更新に伴う影響分析の実施
• 独自の標準環境や新規基盤への移行に向けた技術検証（PoC）の主体的な推進

– 自動化ツール（各種CI/CDツール等）の利用経験、または運用を通じた仕組みの基礎的な理解
– バージョン管理システム（Git等）を用いたソースコード管理プロセスの実務経験
– 固有の標準環境や制約事項の多いシステム仕様に対して、仕様書を読み解きながら柔軟に対応できる能力
– データベース（RDBMSおよびNoSQL等）に関する基本的な概念の理解と利用経験

企業の拠点移転に伴う、移転先でのネットワーク・環境構築、ベンダーマネジメントを支援していただきます。また、構築後の環境に関する説明会やフロント対応など、各グループ会社向けのアナウンス業務も担当していただきます。

• 移転先におけるネットワーク環境の構築支援およびベンダーコントロール
• プロジェクトにおける課題整理、課題解決の推進
• 移転・構築完了後の各グループ会社向けへの説明・フロント対応

– ネットワークの基本知識（構成図の作成や基本用語の理解ができるレベル）
– ネットワーク更改プロジェクト等において、課題整理や課題解決を推進した経験
– 施工管理またはオフィス移転計画に携わった経験

大手金融機関にて、会員のトランザクションデータを活用した自動与信審査モデルの高度化、および優良顧客の「解約・離脱予測モデル」の開発を担当していただきます。既存モデルの精度向上や新規アルゴリズムの導入をリードするポジションです。

• 決済・信用データからのSQL/Pythonを用いた前処理、データマート構築
• 不均衡データに対応した、分類・生存時間分析等の機械学習モデルの構築・チューニング
• XAI（説明可能なAI）技術を用いた予測根拠の可視化と妥当性の検証
• 既存の統計モデルから機械学習モデルへの移行に伴う、バックテストおよび精度比較検証
• リスク管理部門など金融ドメインの有識者との要件定義および仕様策定

– Pythonを用いた機械学習モデルの構築経験（分類問題、アンサンブル学習、深層学習等）
– SQLを用いた大規模データのクレンジング、データマート構築、チューニング経験
– 金融機関におけるデータ分析、またはリスク管理、与信モデル開発の実務経験
– 高セキュリティ環境や週3日のオンサイト勤務に柔軟に対応できる方

大手小売チェーンのEC・実店舗データを活用し、商品の「需要予測」および「動的価格設定」の機械学習モデルを構築・改善するプロジェクトです。アルゴリズムの選定から実装、ビジネス層への効果説明までを主導していただきます。

• 大規模な購買履歴や販促データのデータ前処理および特徴量エンジニアリング
• 機械学習アルゴリズムを用いた需要予測モデルの設計、実装、評価
• 予測結果に基づく最適な値引き率や価格設定ロジックのモデリングとシミュレーション
• 本番環境へのモデル組み込みを見据えたパイプラインの設計支援
• 事業サイド向けの報告資料作成およびプレゼンテーション

– Pythonを用いた機械学習モデル（回帰、時系列予測等）の設計・開発・運用経験（3年以上）
– SQLを用いた大規模データの抽出・加工スキル
– 需要予測、価格最適化、レコメンデーションなど、小売・EC領域での実務経験
– 数理モデルのロジックや分析結果を、非エンジニアへ分かりやすく説明できる高いコミュニケーション能力

金融・クレジット関連の与信システム刷新（基盤更改・リプレイス）プロジェクトにて、ITアーキテクトとしてメッセージング基盤およびワークフロー基盤領域の整理、ならびに既存基盤システムの解析から基本設計を中心に担当していただきます。

【主な業務内容】

• 既存システム（UNIX系OS、ミドルウェア等）の資料・現行仕様の解析、課題抽出、移行方針の整理
• メッセージング・ワークフロー機能を中心とした処理の整理（役割分解、現行運用・監査観点の把握等）
• クラウド環境を前提としたアーキテクチャ検討および移行方針の策定（非同期・イベント駆動を含む）
• 非機能要件（可用性、性能、監査、運用）の整理および基本設計の作成

– 既存のミドルウェア基盤に関する資料読解および現行システム解析の実務経験
– メッセージング基盤またはワークフロー基盤の移行設計・更改検討経験（パッケージからクラウド環境への置換等）
– AWSの設計実務経験（特に非同期・イベント駆動型サービスを用いた構築経験）
– 非機能要件（可用性、性能、監査、運用）を踏まえた設計整理・判断経験
– 金融系（クレジット・与信等）の本番運用を意識した設計・推進ができる能力

インフラ領域において、プリセールス工程から参画し、顧客要件を踏まえた構成検討・提案から設計、構築・試験までを一気通貫で推進・支援していただきます。案件の状況に応じて、デリバリーフェーズまで継続して参画いただく想定です。

【主な業務内容】

• プリセールス段階におけるシステム構成の検討および提案対応
• 顧客要件に基づくアーキテクチャ設計、各種見積、構成検討の主導
• 決定した構成に基づく基本設計・詳細設計から、構築・試験工程の遂行

– クラウド環境を前提としたシステムにおいて、プリセールス段階での構成検討・提案対応ができること
– 顧客要件を踏まえたアーキテクチャ設計、各種見積、構成検討を主体的に推進できること
– クラウド／インフラ領域に強みがあり、コンテナ技術およびIaCツールを用いた設計・構築経験があること
– 設計工程（基本設計〜詳細設計）から構築・試験まで、自走して対応可能であること

AI技術を用いた先端科学・医療分野のデータ研究開発プロジェクトにおいて、以下の業務を担当します。

1. データ解析・研究開発

• 大規模な専門データ・医療情報の前処理、品質評価、探索的データ分析（EDA）、可視化、および仮説検証
• 特徴量設計、データ表現の最適化、学習・評価用データセットの整備

1. 機械学習 / 深層学習モデル開発

• 深層学習モデルの設計・実装・評価、およびベースライン構築と継続的改善
• 表現学習、自己教師あり学習、またはドメイン特化型基盤モデルの開発
• アクセラレータ（GPU等）環境を用いたモデル学習・実験運用、性能評価、および誤差分析

1. 大規模学習・開発基盤

• 分散学習ジョブの設計・運用・最適化、および学習パイプライン・実験管理基盤の構築
• 大規模データI/Oや再現性を考慮した研究開発フローの整備、およびMLOpsの推進

1. 研究プロセス・チーム連携

• 評価指標・ベンチマークの設計、実験の再現性担保、ログ管理、およびドキュメント化
• 各分野の研究者、データサイエンティスト、エンジニアとの緊密な協働

以下1、2のいずれかの領域において、「実装および最適化」の実務経験を有すること。
1. アーキテクチャ設計と事前学習の実務経験
– Transformerベースのモデル、または最新の動的状態空間モデル（SSM等）を用いた大規模モデルの設計・実装経験
– 基盤モデルの拡張則（Scaling Laws）に基づき、数千億〜兆規模のトークン学習に必要な計算リソースを定量的に見積もる能力
– 数十億〜数百億パラメータ規模のモデルにおける事前学習のチューニングおよび学習安定化の経験
2. 大規模分散学習のエンジニアリング
– 主要な分散学習ライブラリ（PyTorch FSDPやDeepSpeed等）を、モデル規模やネットワーク帯域に合わせてカスタマイズ・チューニングした経験
– マルチノード環境における通信ボトルネックの解消、および大規模データに対する効率的なI/Oパイプラインの設計経験
– シーケンス並列（Sequence Parallelism）等の実装を通じた、単一メモリに収まらないコンテキスト長に対する学習最適化経験