jinbay無料で相談する

職務経歴書の記入例

データエンジニアの職務経歴書 記入例(AI の会社のデータ基盤)

生成AIの会社のデータエンジニアは、表のデータだけでなく、PDF や Office の文書、会話のログを扱います。書類では、ログ基盤やDWHの経験を、AI のプロダクトに必要なデータの流れにどうつなげたかを書くことが大切です。広告配信のログ基盤から、法人向け生成AIのスタートアップに移った人の記入例で解説します。

更新日 2026年11月16日 / 書いた人 上田 英介(ジンベイ株式会社 代表取締役/職業紹介責任者)

記入例の人物:広告配信の会社でログ基盤の開発・運用を10年あまり。その後、法人向け生成AIアシスタントのスタートアップでデータエンジニアとして4年あまり。37歳。
人物・会社・数字はすべて架空です。

職務経歴書

2026年11月16日現在

氏名 渡辺 大輔

■ 職務要約

大学卒業後、広告配信の株式会社〇〇で10年あまり、1日約30億件の配信ログを処理する基盤の開発・運用を担当し、Hadoop から BigQuery への移行をリードしました。2022年からは法人向け生成AIアシスタントのスタートアップで、顧客企業の文書を取り込むパイプラインと、利用ログから評価データを作るしくみを開発しています。文書の更新が検索に反映されるまでの時間を約24時間から15分に縮め、評価データを3か月で6倍に増やしました。

■ 活かせる経験・知識・技術

  • 大量データのパイプラインの設計・運用(バッチとストリーミング、1日数十億件規模)
  • PDF・Office 文書の取り込みと前処理(表の抽出、変更分だけの取り込み、削除の反映)
  • 利用ログを評価データ・改善の材料に使える形に整えるしくみづくり
  • 顧客ごとのデータの分離、閲覧権限の引き継ぎ、個人情報の置き換え

■ テクニカルスキル

言語Python(11年8か月)、SQL(11年8か月)、Java(7年3か月)、Scala(7年3か月)
フレームワーク・ライブラリApache Spark(7年3か月)、Apache Kafka(7年3か月)、Apache Airflow(4年5か月)
機械学習・生成AI埋め込みモデル(1年9か月)、OpenSearch(1年9か月)
データベースBigQuery(9年11か月)、Hadoop(7年3か月)、PostgreSQL(1年9か月)
OS・クラウド・インフラGoogle Cloud(9年11か月)、Linux(7年3か月)、AWS(4年5か月)、Docker(1年9か月)
ツールdbt(2年8か月)、Great Expectations(2年8か月)、Terraform

■ 職務経歴

株式会社〇〇(2022年7月〜現在)

事業内容:法人向けの生成AIアシスタント(社内文書の検索・回答、議事録・報告書の作成) 従業員数:約90名 雇用形態:正社員

所属・役職:プラットフォーム部 データチーム リーダー(2024年4月〜)

2022年7月〜2024年3月

顧客企業の文書を取り込むパイプラインの開発

顧客企業のファイル共有サービスや社内 Wiki から文書を取り込み、分割・埋め込みをして検索できるようにするパイプライン。顧客企業約150社・合計約1,200万ファイルを扱う。

【役割】メンバー(パイプラインの主担当) 【規模】チーム4名/全体30名

【担当工程】基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用、データ整備

【取り組み】

  • 全件を毎晩取り込み直していた方式を、変更・削除された文書だけを取り込む方式に変えた
  • PDF の表を崩さずに文章にする処理を入れ、表の中の数字を問う質問の取りこぼしを減らした
  • 取り込み時に元の文書の閲覧権限を一緒に保存し、検索の段階で利用者が見られない文書を除くようにした
  • 文書ごとの取り込みの成否を記録し、失敗が続く文書を顧客の管理者に通知した

【成果】

  • 更新が検索に反映されるまでの時間を約24時間から15分に短縮
  • 取り込みの計算費用を、変更分だけの取り込みにより約7割削減
  • 削除済みの文書が回答に使われる問い合わせを月20件前後からゼロにした

【使用技術】Python、SQL、Apache Airflow、埋め込みモデル、OpenSearch、PostgreSQL、AWS、Docker

2024年4月〜現在

利用ログの基盤と評価データづくりのしくみ

質問・回答・参照文書・評価ボタンのログを分析できる形に整え、機械学習のチームが評価データや改善の材料に使えるようにした。

【役割】リーダー 【規模】チーム3名/機械学習チーム6名が利用

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、保守・運用、データ整備

【取り組み】

  • ログを顧客企業ごとに分けて保存し、契約の範囲で分析に使ってよいデータだけを集計用のテーブルに流すようにした
  • 分析に回す前に氏名・電話番号・メールアドレスを置き換える処理を入れ、月1回の抜き取り検査で漏れを確かめた
  • 低評価の回答と、参照文書がなかった回答を週1回抜き出し、機械学習のチームが正解を付けて評価データにする流れを作った
  • dbt と Great Expectations でテーブルの件数や欠損を毎日確かめ、異常があれば通知するようにした

【成果】

  • 評価データを3か月で300問から1,800問に拡充
  • ログの不備に気づくまでの時間を、平均数日から当日中に短縮

【使用技術】Python、SQL、Apache Airflow、BigQuery、AWS、Google Cloud、dbt、Great Expectations

株式会社〇〇(2012年4月〜2022年6月)

事業内容:インターネット広告の配信プラットフォーム 従業員数:約500名 雇用形態:正社員

所属・役職:データ基盤部

2015年4月〜2022年6月

配信ログ基盤の開発・運用と BigQuery への移行

1日約30億件の広告の配信・クリックのログを集め、入札の最適化と広告主向けのレポートに使う基盤。2019年に自社運用の Hadoop から BigQuery へ移行した。

【役割】メンバー(2019年から移行プロジェクトのリーダー) 【規模】チーム6名/全体40名

【担当工程】要件定義、基本設計、詳細設計、実装・単体テスト、結合テスト、保守・運用

【取り組み】

  • 移行期間中は新旧の基盤で同じ集計を行い、結果の差を毎日確かめてから切り替えた
  • Kafka から BigQuery へのストリーミング取り込みを作り、レポートの更新を日次から5分おきにした
  • クエリの費用をチームごとに見えるようにし、よく使う集計はあらかじめテーブルにした

【成果】

  • 基盤の運用にかかる工数を月約120時間から30時間に削減
  • 広告主向けレポートの更新間隔を1日から5分に短縮
  • 移行後の月のクエリ費用を当初の見込みより約35%低く抑えた

【使用技術】Java、Scala、SQL、Python、Apache Spark、Apache Kafka、Hadoop、BigQuery、Google Cloud、Linux

■ 資格

  • 2019年9月 Google Cloud Professional Data Engineer
  • 2016年10月 データベーススペシャリスト試験

■ 社外での活動

  • 技術ブログで「RAG の文書の取り込みを差分で回す」を執筆(2024年)

■ URL

  • GitHub:https://github.com/example

■ 自己PR

データの不具合は、利用者が気づく前に見つけるものだと考えています。広告配信の基盤では、集計の誤りが広告主への請求に直結するため、件数や欠損を毎日確かめるしくみを整えてきました。今の会社でも同じ考え方で、文書の取り込みの成否とログの品質を毎日確かめ、異常があればすぐに分かるようにしています。

生成AIのプロダクトは、どのデータを渡すかで回答の質が決まります。今後も、AI のプロダクトの精度を支えるデータの流れを作っていきたいと考えています。

以上

ダウンロードは登録なしで使えます。経験年数は、各プロジェクトの期間から自動で計算しています。

データエンジニアの職務経歴書で、見られる点

  1. 01

    文書の取り込みと更新の反映ができるか

    RAG の精度は、どの文書をどう取り込むかで大きく決まります。PDF の表や Office ファイルをどう処理したか、文書の更新や削除をどれだけ早く検索に反映できるか、を書けると、AI の会社のデータエンジニアとして具体的に評価されます。

  2. 02

    利用ログを改善に使える形にしたか

    生成AIのプロダクトでは、質問・回答・参照した文書・利用者の評価のログが、評価データや改善の材料になります。ログを保存するだけでなく、評価データの候補を抜き出すなど、機械学習のチームが使える形にしたかが見られます。

  3. 03

    権限と個人情報を正しく扱えるか

    法人向けの AI では、顧客企業ごとのデータの分離と、元の文書の閲覧権限の引き継ぎが欠かせません。個人情報を分析に回す前にどう処理したかも含め、設計で気をつけたことを書いておくと安心して任せてもらえます。

  4. 04

    規模と費用を数字で語れるか

    1日に何件・何GBを処理しているか、反映までの時間、クエリの費用など、データ基盤は数字で語れる仕事です。広告配信のような大量データの経験は、AI の会社でもそのまま強みになります。

欄ごとの書き方

職務要約
前職と現職で扱ったデータの違い(広告の配信ログ → 文書と会話のログ)を1文で書くと、経験の幅が伝わります。処理量の数字も1つ入れます。
活かせる経験・知識・技術
取り込み(ETL)、データの品質と管理、権限・セキュリティの3つに分けて書きます。生成AIに関わる経験は、文書の前処理や評価データの管理など、データエンジニアの言葉で書くほうが伝わります。
職務経歴
パイプラインの「入口と出口」を概要に書きます。どこからデータを取り、誰が何に使うのかが分かると、規模の数字の意味が伝わります。
自己PR
データの不具合をどう見つけ、どう防いだかは、データエンジニアの信頼につながる話です。障害を減らした取り組みがあれば具体的に書きます。

よくある書き方を、こう直す

よくある書き方

Airflow を用いてデータパイプラインを構築。

直した書き方

顧客企業のファイル共有サービスから文書を取り込むパイプラインを Airflow で作り、変更された文書だけを取り込む方式にして、更新が検索に反映されるまでの時間を約24時間から15分に短縮。

AI のプロダクトでは、古い文書をもとに回答することが大きな問題になります。反映までの時間は、利用者にとって意味のある数字です。

よくある書き方

生成AIサービスのデータ基盤を構築・運用。

直した書き方

質問・回答・参照文書・評価ボタンのログを顧客企業ごとに分けて保存し、低評価の回答を週1回抜き出して評価データの候補にするしくみを作った。評価データは3か月で300問から1,800問に増えた。

ログを機械学習のチームが使える形にしたことが、AI の会社のデータエンジニアならではの成果です。

よくある書き方

セキュリティに配慮した設計を行った。

直した書き方

元の文書の閲覧権限を取り込み時に一緒に保存し、検索の段階で利用者が見られない文書を除くようにした。また、ログを分析に回す前に氏名・電話番号・メールアドレスを置き換え、月1回の抜き取り検査で漏れを確かめている。

「配慮した」では何をしたか分かりません。権限の扱いと個人情報の処理を具体的に書きます。

あわせて読みたい