フリーランス案件一覧

・ネットワーク領域におけるインフラ切替および音声環境の移行支援
・回線や各種機器の切替、新規敷設工事に伴う設定作業、現地調査、影響範囲確認
・移行手順書に基づく実作業および切替リハーサル対応
・クラウド音声サービス、IP電話、通信回線、OA機器の設定・切替対応
・拠点での現地対応（ネットワーク機器、音声機器、OA機器の設置・動作確認）
・基盤担当、外部ベンダー、各拠点関係者との作業調整
●役割：
・ネットワークおよび音声領域における移行・切替作業を担当
・拠点インフラ（通信基盤および音声設備）の安定的な移行と業務継続の実現
●背景：
通信環境の更改に加え、回線や音声設備を含む拠点インフラ全体の移行対応が必要となったため
【求める人物像】
各グループとの緊密な連携が求められるため、円滑なコミュニケーション能力が重視されます。

– ネットワーク構築／運用経験（スイッチ／ルーター／ファイアウォール等）
– ネットワーク切替または通信回線切替の実務経験
– 拠点対応または現地作業経験
– 音声系基盤（構内交換設備／IP電話／音声通信技術）の基礎知識または実務経験

大手調査・コンサルティング企業における生成AI新規プロダクト開発のインフラ/基盤技術支援。PM/PMOではなく、ハンズオンエンジニアとしてアプリ担当やPM等の他領域と仕様調整を行いながら、コンテナオーケストレーションやオープンソースソフトウェアの各種コンポーネントを組み合わせたクラウドネイティブアーキテクチャの検討・詳細設計・運用設計・構築・テストを主体的に推進する。
■開発環境：コンテナ技術, コンテナランタイム, OSS監視ツール, ログ収集ツール, OSS各種, 生成AIプロダクト基盤, クラウドインフラ（AWS/GCP/Azure等）, 監視・ログ基盤

– 自ら情報収集を行い、タスク分解から成果物作成まで完遂できる自走力
– アプリ担当やPM等、他領域の関係者と要件・仕様の調整・合意形成ができるコミュニケーション力
– Kubernetesを中心としたクラウドネイティブ／OSS基盤の設計・構築経験
– インフラ領域における詳細設計、運用設計、構築、テストの一連の実務経験

大手IT企業にて、オンプレミス環境からパブリッククラウド（AWS/GCP/Azure等）への業務システム移行プロジェクトが推進されております。クラウド上の業務サーバーおよび仮想デスクトップ基盤の設計構築を進める中で、単一拠点構成に加え事業継続対策環境の構築を追加で対応する可能性が出てきており、その検討を担当いただける方を募集しております。
本体プロジェクトは詳細設計が完了し構築工程に入るところで、事業継続対策環境構築はこれから要件整理から設計検討を本格化するフェーズです。
■想定業務内容

• 事業継続対策環境の要件整理から設計検討
• クラウド上の業務システム領域における災害対策構成（フェールオーバー／切替設計）の検討
• クラウド基盤・ネットワーク、監視・運用を担う他ベンダーとの技術的な調整

– パブリッククラウド（AWS/GCP/Azure等）の設計・構築経験
– クラウド仮想マシン環境の設計・構築経験
– ネットワーク基礎（仮想ネットワーク、名前解決、アドレス設計）
– 事業継続対策・災害対策構成の理解
– クラウド向け災害復旧・データ保護サービスの概念理解
– フェールオーバー／切替設計の考え方
– 他ベンダーと技術的に会話できるレベル

法人向け基盤からクラウド環境への移行プロジェクトにおいて、クラウドインフラの設計・構築および移行対応をご担当いただきます。
複数顧客のクラウド移行案件が並行して進行しており、既存環境の構成を踏まえた新クラウド環境の設計・構築から、サーバー移行、検証、技術調整まで幅広く対応いただくポジションです。

• 既存基盤から新クラウド環境への移行対応
• クラウド環境の基本設計、詳細設計および構築
• サーバーOSの設計・構築、クラウド環境への移行
• クラウド基盤の構成検討および環境構築
• インフラ設計書、構築手順書等のドキュメント作成
• 各種テストの実施、移行作業および動作確認
• 顧客および社内関係者との技術調整、課題対応
  【補足事項】
• 早期参画可能な方を歓迎
• 入場手続きに1週間程度要する想定
• Web会議中心、出張の可能性あり

– 対象クラウド環境の設計または構築経験（未経験でも、AWS/GCP/Azure等での設計・構築経験があれば相談可能）
– オープン系サーバーOSの構築経験
– クラウドインフラの設計・構築経験
– 顧客および社内関係者との円滑なコミュニケーション能力

担当予定業務：
価格予測モデル（特定商品の競売落札価格を予測）を構築する。現状は初期バージョンが完成する見込みであり、次の構想に向けて高度化を図ること。
<求める人物像>

• モデルの精度だけでなく、予測値が現場でどう活用されるかまで考慮して設計できる方
• 外れ値や希少な事例など、予測誤差が生じやすいケースの対応まで詰められる方
• 検証にとどまらず、本番稼働まで見届けて実用化を完遂できる方

– 表形式データの予測モデル（価格予測・需要予測・売上予測など）の開発実務（3年以上）
– 予測モデルを自ら実装し、本番リリースおよび運用まで担当した経験
– Pythonでの機械学習の実装経験（データ処理ライブラリ、機械学習ライブラリ、各種勾配ブースティング等）
– 時系列データを含む評価設計の経験（情報漏洩対策、検証方法の選定、評価指標の定義）
– クラウド環境（AWS/GCP/Azure等）の知見（学習・推論の構成を理解し、基盤担当者に必要な要件を伝達できるレベル）
– テックリードまたはリーダー経験

事業会社にて、将来的な刷新を目指す大規模な基幹系システム更改プロジェクトが進行しています。
要件定義工程は概ね完了しており、現在は基本設計工程です。
業務要件ごとに体制を組成して推進している中、特定決済領域などの経験が求められており、既存体制での人材確保が難しいため、該当領域の経験と開発スキルを持つメンバーを募集しています。

– 金融機関の基幹系システムにおける特定決済・為替関連領域の実務経験
– システム開発スキル

複数のクラウドグループウェア関連案件において、受注済みプロジェクトを横断的に支援いただきます。

• グループウェア案件の導入・デリバリー支援
• クラウドグループウェア間での移行対応
• 複数プロジェクトの横断的な対応
• 関係者との調整、コミュニケーション

– クラウドグループウェア案件でのデリバリー経験
– クラウドグループウェア間の移行経験
– 関係者との円滑なコミュニケーション能力

・決済基盤における購入領域の新規機能追加、運用保守・改善開発に参画いただきます。
・購入システムの案件増加対応
・基盤モダナイゼーションの推進
・プロジェクトのリードから設計、開発まで、一通りをお任せしたいと考えております。
・現行システムの開発言語としては主にスクリプト言語となります。
・刷新先システムの言語はGoとなっております。
【注意点】
・業務上年齢制限のあるコンテンツに触れる可能性がございます。
【主な開発環境・ツール】
・開発言語：
レガシー環境：バックエンド言語
モダン環境：

• フロントエンド,BFF - フロントエンド言語/フレームワーク
• バックエンド - 静的型付け言語
  ・インフラ：コンテナ基盤, AWS/GCP/Azure等, RDBMS
  ・開発マシン：貸与PC
  ・開発ツール：統合開発環境 / コードエディタ
  ・管理ツール：バージョン管理ツール
  ・利用可生成AI：各種生成AIツール
  ・その他ツール：コンテナ技術 / CI/CDツール / SaaS型監視ツール / IaCツール

– GoまたはPHPを用いた開発の経験（3年以上）※両方経験がある方は確度が上がります
– バックエンド（API, バッチ）の開発経験（3年以上）
– TypeScript、React等のフレームワークを用いたフロントエンドでの開発経験（3年以上）
– 生成AIを活用した上での開発経験

本ポジションでは、研究者・技術者と連携しながら、生体情報領域における基盤モデル開発の主要メンバーとして、以下のようなテーマに取り組んでいただきます。

• 大規模生体データの解析・前処理・品質評価
• 機械学習 / 深層学習モデルの研究開発
• 生体分子・遺伝情報の特性を加味した基盤モデルの実装・評価・改善
• 分散学習基盤やML開発基盤の構築・最適化
  一般的なテキストや画像だけでなく、新規性の高い生体データ形式を対象に、研究開発から実装・運用まで一連の工程に関わるポジションです。
  このポジションの魅力
• 大規模データを活用した基盤モデル開発に取り組める
• 百億単位のパラメータ規模のモデル学習・改善に関われる
• 計算機クラスタを活用した分散学習・高速化に挑戦できる
• ライフサイエンス×AIという領域で研究開発できる
• 研究に留まらず、ヘルスケア応用まで見据えた開発に携われる
  業務内容
  AI × 生体情報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

• 大規模生体分子 / 医療データの前処理・品質評価
• 探索的データ分析・可視化・仮説検証
• 特徴量設計・データ表現の設計
• 学習用データセットおよび評価用データセットの整備

2. 機械学習 / 深層学習モデル開発

• 機械学習モデルの設計・実装・評価
• 基準モデル構築およびモデル改善
• 表現学習 / 自己教師あり学習 / 基盤モデル開発
• GPU環境を用いたモデル学習・実験運用
• モデル性能評価、誤差分析、改善提案

3. 大規模学習・開発基盤

• 分散学習ジョブの設計・運用・最適化
• 学習パイプライン / 開発基盤 / 実験管理基盤の構築
• 大規模データ入出力や再現性を考慮した研究開発フローの整備
• MLOps / 機械学習システム観点での改善

4. 研究プロセス・チーム連携

• 評価指標設計・ベンチマーク設計
• 実験の再現性担保、ログ管理、ドキュメント化
• 分析結果のドキュメント化・社内共有
• 研究者・データアナリスト・技術者との協働

以下のいずれかの領域において実装・最適化の経験を有すること
– アーキテクチャ設計と事前学習の実務経験（特定深層学習構造を用いた大規模モデルの設計・実装経験、スケーリング則に基づき学習に必要な計算リソースを定量的に見積もる能力、事前学習のパラメータ調整および学習安定化の経験）
– 大規模分散学習のエンジニアリング（分散学習フレームワークをモデル規模やネットワーク帯域に合わせてチューニングした経験、複数ノード環境における計算資源間通信ボトルネックの解消および効率的なデータ入出力パイプラインの設計経験、並列化手法の実装を通じたメモリ制約下での学習最適化）