jinbay無料で相談する

職務経歴書の記入例

リサーチエンジニアの職務経歴書 記入例

リサーチエンジニアは、研究の成果を動くコードにし、学習と評価の基盤を回す職種です。書類では論文の数よりも、手法を正しく実装できること、大きな学習を止めずに回せること、評価を信頼できる形にしたことが見られます。博士課程を出て、メーカーの研究所から LLM 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:情報学の博士課程(自然言語処理)を修了後、電機メーカーの研究所で3年、LLM の学習を行うスタートアップのリサーチエンジニアとして2年半。32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 木村 拓也

■ 職務要約

情報学の博士課程で、文書の構造を使った自然言語処理を研究しました。2021年に電機メーカーの研究所に入り、帳票や技術文書の理解に関する論文の手法の実装と、社内向けの文書理解モデルの開発を担当しました。2024年からは LLM の継続事前学習とファインチューニングを行うスタートアップで、GPU 128基規模の分散学習の運用と、日本語の評価基盤の開発を担当しています。学習の計算効率(MFU)を29%から41%に上げ、同じ予算で学習できるトークン数を約1.4倍にしました。

■ 活かせる経験・知識・技術

  • 論文の手法の再実装と、公開されている数値の再現(差が出たときの原因の調査を含む)
  • PyTorch と Megatron-LM による分散学習の設計・運用(GPU 128基規模、テンソル並列・パイプライン並列)
  • ベンチマークの条件をそろえた評価基盤と、学習データへの問題の混入の確認
  • 学習データの前処理(重複の除去、品質のフィルタリング、個人情報の除去)

■ テクニカルスキル

言語Python(5年8か月)、C++、Bash
フレームワーク・ライブラリPyTorch(5年8か月)、Hugging Face Transformers(3年3か月)、vLLM(1年8か月)、Megatron-LM(1年3か月)
機械学習・生成AI画像と文書のレイアウトを扱うモデル(3年3か月)、lm-evaluation-harness(1年8か月)、オープンウェイトのLLM(1年3か月)
OS・クラウド・インフラLinux(5年8か月)、Docker(3年3か月)、Slurm(2年5か月)、AWS(1年3か月)
ツールWeights & Biases(2年5か月)、Slurm

■ 職務経歴

株式会社〇〇(2024年7月〜現在)

事業内容:日本語に強い LLM の開発と、企業向けのファインチューニングの提供 従業員数:約40名 雇用形態:正社員

所属・役職:リサーチ部 学習基盤チーム

2024年7月〜2025年9月

公開モデルの日本語での継続事前学習

公開されているモデル(オープンウェイトのモデル)を、日本語中心のデータ約1,000億トークンで継続事前学習。GPU 128基で約6週間の学習を2回実施した。

【役割】リサーチエンジニア(学習の設定と運用の主担当) 【規模】チーム5名

【担当工程】基本設計、実装・単体テスト、保守・運用、データ整備、モデル開発・評価

【取り組み】

  • テンソル並列とパイプライン並列の分け方、マイクロバッチの大きさを小さな規模で比べてから本番の設定を決めた
  • チェックポイントの保存を非同期にし、GPU の故障で学習が止まっても自動で再開する流れを作った
  • Web の日本語データから、重複の除去と品質のフィルタリングを行う前処理を担当した
  • 英語の性能の落ち込みを抑えるため、英語とコードのデータを混ぜる割合を小さな規模の実験で決めた

【成果】

  • GPU の計算効率(MFU)を29%から41%に改善し、同じ予算で学習できるトークン数を約1.4倍に
  • 障害からの平均の復旧時間を約3時間から20分に短縮
  • 日本語のベンチマークの平均点を元のモデルから8.2ポイント改善(英語は1ポイント以内の低下に抑制)

【使用技術】Python、PyTorch、Megatron-LM、オープンウェイトのLLM、Linux、Slurm、AWS、Weights & Biases

2025年4月〜現在

日本語の評価基盤の開発

日本語のベンチマーク14種と社内の評価データを、同じ条件で回して比べられる評価基盤。学習途中のチェックポイントと、顧客向けのファインチューニングの結果の確認に使う。

【役割】主担当 【規模】チーム2名

【担当工程】要件定義、基本設計、実装・単体テスト、保守・運用、モデル開発・評価

【取り組み】

  • プロンプトの形式、出力の抜き出し方、生成の設定をベンチマークごとに固定し、結果の揺れを抑えた
  • 学習データにベンチマークの問題が混入していないかを文字列の重複で確かめるしくみを入れ、混入が見つかった2種は集計から外した
  • 社内の評価データでは、人による評価と自動評価の相関を確かめてから自動評価を使うようにした

【成果】

  • 同じチェックポイントを評価したときの点数の揺れを、最大2.1ポイントから0.3ポイント以内に抑制
  • チェックポイントの評価にかかる時間を約1日から3時間に短縮

【使用技術】Python、PyTorch、vLLM、lm-evaluation-harness、Linux、Slurm、Weights & Biases

株式会社〇〇(2021年4月〜2024年6月)

事業内容:電機メーカー(研究開発部門) 従業員数:約2万名(グループ全体) 雇用形態:正社員

所属・役職:研究開発本部 AI研究所

2021年4月〜2024年6月

帳票・技術文書の理解モデルの研究開発

社内の帳票や技術文書から項目を抜き出すモデルを研究開発。論文の手法の再実装と、社内データでの検証、事業部への技術移転を担当。

【役割】研究員 【規模】チーム4名

【担当工程】基本設計、実装・単体テスト、データ整備、モデル開発・評価

【取り組み】

  • 表を含む文書の理解に関する論文の手法を再実装し、公開ベンチマークで論文の数値を0.4ポイント差まで再現した。当初の差は、前処理の画像の解像度の違いが原因だと突き止めた
  • 事業部の帳票約5,000枚に項目のラベルを付ける作業の手順を作り、ラベルの揺れを確かめながら進めた

【成果】

  • 社内の帳票での項目の抜き出しの正解率を、従来の手法の78%から91%に改善
  • 事業部の帳票処理システムに組み込まれ、1日約3,000枚の処理に使われた
  • 国際会議のワークショップに筆頭著者で1本採択

【使用技術】Python、PyTorch、Hugging Face Transformers、画像と文書のレイアウトを扱うモデル、Linux、Docker

■ 社外での活動

  • 博士(情報学)(2021年3月)
  • 国際会議のワークショップ論文 1本(筆頭著者、2023年)、言語処理学会 年次大会 発表 3件(うち筆頭2件)
  • 分散学習のライブラリにチェックポイントの非同期保存の不具合修正のプルリクエストが取り込まれた(2025年)

■ URL

  • GitHub:https://github.com/example
  • Google Scholar:https://scholar.google.com/example

■ 自己PR

研究の成果を、誰が回しても同じ結果が出るコードにすることを大切にしています。研究所では、論文の数値を再現できないことがよくありましたが、差が出た原因を一つずつ切り分けて記録し、チームで同じ失敗を繰り返さないようにしてきました。現在の会社でも、評価の条件を固定し、学習データへの混入を確かめるしくみを作ったことで、モデルの改善を数字で正しく議論できるようになりました。

今後も、研究と実装の間に立ち、新しい手法を素早く確かめて、使える形にしていく仕事をし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。

リサーチエンジニアの職務経歴書で、見られる点

  1. 01

    論文の手法を正しく再現できるか

    リサーチエンジニアの基本は、論文や新しい手法を読んで、そのとおりに実装できることです。公開されている数値をどこまで再現できたか、再現できなかったときに原因をどう突き止めたかを書くと、実装の確かさが伝わります。

  2. 02

    大きな学習を止めずに回せるか

    数十〜数百の GPU を使う学習では、計算効率、メモリの使い方、途中で落ちたときの再開が大きな課題になります。並列化の方式、GPU の計算効率(MFU)、障害からの復旧にかかった時間などを数字で書くと、学習基盤を任せられる人だと分かります。

  3. 03

    評価を信頼できる形にしたか

    ベンチマークの点数は、設定の違いや、学習データへの問題の混入で簡単に変わります。評価の条件をそろえた、混入を確かめた、人による評価との相関を見た、といった取り組みは、研究の質を支える仕事として評価されます。

  4. 04

    研究の実績を実装の力と結びつけているか

    論文や学会発表は、もちろん書きます。ただし企業のリサーチエンジニアの採用では、その研究で何を実装したか、コードは公開されているかがあわせて見られます。論文と GitHub をセットで書くのがおすすめです。

欄ごとの書き方

職務要約
博士での研究テーマを1文で書き、そのあと企業で何を実装し、何を回してきたかを書きます。研究の経歴が長くても、要約の半分以上は実務の内容にします。
活かせる経験・知識・技術
手法の実装、分散学習、評価の3つに分けて書きます。PyTorch や分散学習のライブラリは、使った規模(GPU の数、モデルの大きさ)と一緒に書くと意味が伝わります。
職務経歴
学習のプロジェクトは、データの量(トークン数)、使った GPU の数、期間を概要に入れます。成果は「モデルの性能」と「学習の効率」を分けて書きます。
論文・OSS
論文は筆頭かどうか、査読の有無、会議名の種類(国際会議・国内大会)が分かるように書きます。OSS への貢献は、取り込まれたプルリクエストの内容を一言で添えます。

よくある書き方を、こう直す

よくある書き方

大規模言語モデルの事前学習に従事。

直した書き方

公開されているモデルを日本語中心のデータ約1,000億トークンで継続事前学習。GPU 128基の学習で、テンソル並列とパイプライン並列の分け方を見直し、GPU の計算効率(MFU)を29%から41%に上げた。

「従事」では、何を担当し、どれだけの規模を回したかが分かりません。規模と、自分の工夫で変わった数字を書きます。

よくある書き方

LLM の評価基盤を構築。

直した書き方

日本語のベンチマーク14種を同じ条件で回す評価基盤を作り、学習途中のチェックポイントを自動で評価。学習データにベンチマークの問題が混入していないかを文字列の重複で確かめ、混入が見つかった2種は集計から外した。

評価の条件をそろえたことと、混入を確かめたことが、評価の信頼性を示します。

よくある書き方

最新論文の手法を実装し、検証を行った。

直した書き方

表を含む文書の理解に関する論文の手法を再実装し、公開ベンチマークで論文の数値を0.4ポイント差まで再現。再現できなかった当初の差は、前処理の画像の解像度の違いが原因だと突き止めた。

再現の精度と、差が出たときの原因の突き止め方が、リサーチエンジニアの実力を最もよく表します。

あわせて読みたい