jinbay無料で相談する

職務経歴書の記入例

MLOpsエンジニアの職務経歴書 記入例

MLOpsエンジニアの書類では、Kubernetes や MLflow を「使える」ことより、機械学習のチームが何に困っていて、それをどう解いたかが見られます。インフラ・SRE を長く経験し、契約書レビューの生成AI SaaS で MLOps 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:ホスティング事業者のインフラエンジニアを8年、契約書レビュー SaaS の SRE を経て、MLOps を担当して5年半。39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 伊藤 誠

■ 職務要約

ホスティング事業者で8年、サーバーとネットワークの構築・運用に携わったあと、2018年に契約書レビューの SaaS を提供する株式会社〇〇に SRE として入社しました。2021年からは MLOps を担当し、条項の分類モデルの学習パイプラインと、2023年からはオープンウェイトの LLM を自社の GPU 環境で動かす推論基盤を作っています。モデルを作り直す期間を約2週間から1日に縮め、LLM の推論では GPU の費用を約45%減らしました。

■ 活かせる経験・知識・技術

  • Kubernetes 上の学習・推論の基盤づくり(GPU ノードの管理、台数の自動調整、ジョブの優先度付け)
  • データ・コード・モデルのバージョン管理と、学習パイプラインの自動化による再現性の確保
  • 一部の通信だけに新しいモデルを流すリリースと、精度・応答時間の監視
  • オンプレミスのサーバー・ネットワークから AWS までのインフラ構築・運用(SRE の期間を含めて約16年)

■ テクニカルスキル

言語Python(13年8か月)、Bash(11年)、Go(6年8か月)
フレームワーク・ライブラリvLLM(3年8か月)、KServe(3年8か月)、Kubeflow Pipelines(2年)、PyTorch(2年)
機械学習・生成AIオープンウェイトのLLM(3年8か月)、LoRA(3年8か月)、MLflow(2年)、DVC(2年)
データベースPostgreSQL(13年)、MySQL(8年)
OS・クラウド・インフラAWS(16年8か月)、Kubernetes(8年8か月)、Terraform(8年8か月)、Linux(8年)、VMware(8年)、Karpenter(3年8か月)、Docker(3年)
ツールAnsible(8年)、Zabbix(8年)、Prometheus(6年8か月)、Grafana(6年8か月)、Argo CD(6年8か月)、GitHub Actions(2年)

■ 職務経歴

株式会社〇〇(2018年4月〜現在)

事業内容:法務部門向けの契約書レビュー SaaS(生成AIによる条項の抽出・リスクの指摘) 従業員数:約200名 雇用形態:正社員

所属・役職:プラットフォーム部 ML基盤チーム リーダー(2023年4月〜)

2023年4月〜現在

LLM の推論基盤の構築(オープンウェイトのモデルを自社の GPU 環境で運用)

顧客の契約書を社外の API に送らない方針のため、ファインチューニングした公開モデルを自社の AWS 環境で動かす推論基盤を構築。1日約8万件のレビュー依頼を処理する。

【役割】リーダー 【規模】チーム4名/機械学習チーム12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、結合テスト、保守・運用

【取り組み】

  • vLLM で推論サーバーを立て、複数の LoRA を1つのモデルに切り替えて載せることで、顧客業界ごとのモデルを少ない GPU で動かした
  • 待ち行列の長さで GPU ノードの台数を自動で増減させ、夜間と休日は最小構成に落とすようにした
  • 新しいモデルを本番の通信の5%に流し、抽出精度と応答時間を見て自動で切り替える・止めるしくみを作った
  • トークン数・応答時間・GPU の使用率を、顧客ごと・機能ごとにダッシュボードで見られるようにした

【成果】

  • GPU の使用率を平均25%から61%に上げ、推論の月額費用を約45%削減
  • 応答時間(最初の文字が返るまで)を95パーセンタイルで1.8秒以内に維持
  • モデルの入れ替えを月1回から週1回に増やしつつ、リリースによる障害はゼロ

【使用技術】Python、Go、vLLM、KServe、オープンウェイトのLLM、LoRA、AWS、Kubernetes、Terraform、Karpenter、Prometheus、Grafana、Argo CD

2021年4月〜2023年3月

条項分類モデルの学習パイプラインとモデルレジストリの整備

研究者が手元の環境で行っていた学習を、データの抽出から評価・登録まで自動で回せるパイプラインに移行。条項の分類モデル約30本を管理。

【役割】メンバー(基盤の主担当) 【規模】チーム3名/機械学習チーム8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】

  • 学習に使ったデータ・コード・設定のバージョンを、MLflow のモデルごとの記録に必ず残すようにした
  • 研究者が設定ファイルを1つ書けば学習から評価まで回せるテンプレートを用意し、GPU の利用は優先度付きのキューで順番に割り当てた
  • 評価の結果を前のモデルと並べて表示し、悪化した条項があれば登録を止めるようにした

【成果】

  • モデルを作り直す期間を約2週間から1日に短縮
  • 半年前のモデルも同じ手順で再現できるようになり、顧客からの問い合わせ時の調査時間を大幅に短縮
  • GPU の取り合いによる学習の待ち時間を平均2日から半日に短縮

【使用技術】Python、Kubeflow Pipelines、PyTorch、MLflow、DVC、PostgreSQL、AWS、Kubernetes、Terraform、GitHub Actions

2018年4月〜2021年3月

サービス基盤の Kubernetes 移行と SRE の立ち上げ

仮想サーバーで動いていたサービスを Kubernetes に移し、監視と障害対応の体制を整えた。

【役割】SRE(社内で最初の専任) 【規模】チーム2名/全体40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

【取り組み】

  • インフラを Terraform でコード化し、環境の作り直しを自動化
  • SLO(サービスの目標稼働率)を決め、障害の振り返りを定例化

【成果】

  • リリースの頻度を週1回から1日数回に増加
  • 月間の稼働率を99.95%以上で維持

【使用技術】Go、Bash、PostgreSQL、AWS、Kubernetes、Terraform、Docker、Prometheus、Grafana、Argo CD

株式会社〇〇(2010年4月〜2018年3月)

事業内容:ホスティング・クラウドの運用代行 従業員数:約800名 雇用形態:正社員

所属・役職:インフラ技術部

2010年4月〜2018年3月

法人顧客のサーバー・ネットワークの構築・運用と AWS 移行

法人顧客約60社のサーバーとネットワークの構築・運用を担当。2015年からはオンプレミスから AWS への移行案件をリード。

【役割】メンバー(2015年から移行案件のリーダー) 【規模】チーム8名

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

【取り組み】

  • 構築手順を Ansible でコード化し、作業のばらつきをなくした
  • 移行計画と切り戻し手順を作り、顧客と停止時間を調整した

【成果】

  • AWS 移行を14社で完了し、移行時の停止はいずれも計画内に収めた

【使用技術】Bash、Python、MySQL、PostgreSQL、Linux、VMware、AWS、Ansible、Zabbix

■ 資格

  • 2020年2月 CKA(Certified Kubernetes Administrator)
  • 2022年8月 AWS Certified Machine Learning – Specialty
  • 2013年10月 ネットワークスペシャリスト試験

■ 社外での活動

  • 社外のイベントで「LLM の推論基盤の GPU 費用を半分にした話」を発表(2025年11月)

■ URL

  • GitHub:https://github.com/example

■ 自己PR

基盤は、使う人の困りごとを減らしてはじめて意味があると考えています。MLOps を担当した当初、研究者からは「前のモデルが作り直せない」「GPU が空くのを待っている」という声が多く出ていました。そこで、まず学習の記録を必ず残すしくみと、優先度付きのキューを入れ、研究者が自分で学習を回せる状態を作りました。

LLM の推論基盤では、インフラで長く培った、費用と安定性を両立させる考え方がそのまま活きています。今後も、機械学習のチームが速く安全にモデルを出せる基盤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。

MLOpsエンジニアの職務経歴書で、見られる点

  1. 01

    モデルを同じ手順で作り直せるようにしたか

    機械学習のチームでよくある困りごとは、「前のモデルがどのデータとコードで作られたか分からない」ことです。データ・コード・設定のバージョンをモデルと結びつけて記録し、誰でも作り直せるようにした経験は、MLOps の中心的な成果として評価されます。

  2. 02

    GPU の費用と使用率を管理していたか

    GPU は高価で、使い方しだいで費用が倍以上変わります。使用率を何%から何%に上げた、夜間や休日の台数をどう減らした、学習と推論で GPU をどう分けたかを書くと、事業に効く仕事として伝わります。

  3. 03

    モデルのリリースに安全策があるか

    モデルの入れ替えは、コードのリリースと違い、テストに通っても本番の精度が落ちることがあります。一部の通信だけに新しいモデルを流す、精度の基準を満たさなければ止める、すぐ切り戻せる、といったしくみを作ったかが見られます。

  4. 04

    機械学習のチームが自分で回せるようにしたか

    基盤を作っても、毎回 MLOps の担当者に頼まないと学習できない状態では、チームの速さは上がりません。研究者やデータサイエンティストが自分で学習を回し、結果を比べられるようにした工夫を書くと、基盤づくりの目的を分かっている人だと伝わります。

欄ごとの書き方

職務要約
インフラ・SRE の年数と、MLOps の年数を分けて書きます。インフラの経験は長いほど信頼につながるので、省かずに書いたうえで、機械学習の基盤で何を変えたかを一番の成果として入れます。
活かせる経験・知識・技術
学習の基盤、推論の基盤、運用(監視・費用)の3つに分けて書くと、担当範囲が伝わりやすくなります。LLM の推論を扱った経験があれば、それは独立した1行にします。
職務経歴
誰が使う基盤だったか(研究者何名、モデル何本)を概要に書きます。成果は、モデルを作り直すまでの期間、リリースの頻度、GPU の費用など、機械学習のチームの困りごとが減ったことを示す数字にします。
資格
クラウドや Kubernetes の資格は、インフラの基礎がある証拠になるので書いておきます。CKA などは取得年も書きます。

よくある書き方を、こう直す

よくある書き方

Kubeflow Pipelines で ML パイプラインを構築。

直した書き方

データの抽出から学習・評価・モデルの登録までを Kubeflow Pipelines で自動化し、モデルを作り直す期間を約2週間から1日に短縮。学習に使ったデータとコードのバージョンをモデルごとに記録し、半年前のモデルも同じ手順で再現できるようにした。

ツール名より、機械学習のチームの何が良くなったかを書きます。

よくある書き方

GPU サーバーの構築・運用を担当。

直した書き方

オープンウェイトの LLM の推論を vLLM で Kubernetes 上に載せ、夜間に台数を減らす設定とリクエストをまとめて処理する設定を入れて、GPU の使用率を平均25%から61%に上げ、月の費用を約45%削減。

「構築・運用」はインフラの誰もが書く言葉です。GPU ならではの工夫と、費用の数字で差をつけます。

よくある書き方

モデルのデプロイを自動化。

直した書き方

新しいモデルはまず本番の通信の5%に流し、条項の抽出精度と応答時間が基準を満たした場合だけ全体を切り替える流れにした。問題があれば1分以内に前のモデルへ戻せる。

モデルのリリースならではの安全策を書くと、Web の CI/CD との違いを分かっている人だと伝わります。

あわせて読みたい