# 機械学習エンジニア

> 振る舞いが書かれたのではなく学ばれた系を世に出す——つまり、なぜそう動くのかを行ごとに言える人は誰もおらず、それでも、人に対して使ってよいほど良いかどうかを誰かが決めなければならない。

ページ: https://flyvolo.ai/ja/careers/machine-learning-engineer
影響指数: 47/100 · 確信度 確度が低い · 評価日 2026-09-12
これは失業の確率ではありません。

## 適用範囲

学習された系をつくり、評価し、運用するエンジニアに向けて書いている——推薦、順位づけ、画像、音声、不正検知、予測、そして次第に、買ってきたモデルの上に築かれる応用も含む。他の計算機系のページとは別の軸に立っている。あちらはレイヤーか職位で切っており、こちらは「何を世に出すか」で切っている。新しい手法を生む研究者と、会社全体へAIを展開する責任を負う人は、それぞれ自分のページを持つ別の職である——`ai-researcher` と `ai-implementation-lead` である。

## 業務

### その問題のためのモデルをつくる

- 方向: 自動化されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 働いている力は二つあり、このサイトが普段「自動化」と呼んでいるのはそのうち一つだけである。道具立ては探索を本当に自動化した——構成と超パラメータの選択は、自分でやる仕事から設定する仕事になった。もう一つの、より大きな力は種類が違う。かつて何かを学習させる必要があった多くの問題が、いまや誰かが学習させたモデルを呼ぶことで片づく。この業務は機械にできるようになったのではない。その成果物が買えるものになったのである。
- これでは言えないこと: このサイトの四つの向きは、その二つの仕組みを区別できない。そしてこのページを見て計画を立てる人にとって、その違いは効いてくる——買えるようになった業務は、提供元の価格・利用条件・能力が動けば、また買えなくなりうる。機械が学んでできるようになった業務は、そうはならない。また、買ってきたモデルという選択肢がない領域——狭い領域、独自のもの、遅延に厳しいもの、規制のかかったもの——についても何も語っていない。そしてそれは珍しくない。
- 記録:
  - 2025-11-21 · 実際の導入 · Instacartは、別々に学習させていたクエリ理解のモデル群を、毎週数百万件の検索に応える一つのファインチューニング済みLLMに置き換え、エンジニアの中心的な課題を特徴量エンジニアリングから遠ざけた — https://flyvolo.ai/ja/changes/ev-20251121-machine-learning-engineer-4 (出典: https://company.instacart.com/tech-innovation/building-the-intent-engine-how-instacart-is-revamping-query-understanding-with-llms)
  - 2024-10-09 · 技術的能力 · OpenAI は、機械学習の実務における自律的な仕組みを試すため Kaggle のコンペ75件からなるベンチマークをつくった。最も良い構成が銅メダル相当に達したのは、そのうち16.9%だった — https://flyvolo.ai/ja/changes/ev-20241009-machine-learning-engineer-1 (出典: https://arxiv.org/abs/2410.07095)

### 何をもって十分とするかを決める

- 方向: いまも人が主導
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 学習された系の正しさは定義できず、測ることしかできない——だから測る道具そのものが成果物であり、それは、ここでの誤りがいくら高くつくかを知っている人がつくらなければならない。モデルがすでに見たベンチマークは何も測っていないので、正直な評価用データをつくることは、データを集める仕事ではなく敵対的な仕事である。これは、モデルが良くなるにつれて希少になった業務である。判定される対象が難しくなるほど、判定するほうも難しくなるからである。
- これでは言えないこと: 仕事の性質についての判断であって、そこに人がどう配されているかを測ったものではない。これをまったくやらず、提供元が公表したベンチマークのまま世に出すチームは数多くあるが、それはここで書いている失敗のしかたそのものであって、反証ではない——ただし「それが何社か」は、どこでも数えられていない。
- 記録:
  - 2026-04-13 · 実際の導入 · 2025年の米連邦AI用途目録には、機関自身が高影響と評価した稼働中システムが227件あり、テストは44件が完了、81件が進行中、102件が空欄と記録されている — https://flyvolo.ai/ja/changes/ev-20260128-machine-learning-engineer-3 (出典: https://github.com/ombegov/2025-Federal-Agency-AI-Use-Case-Inventory)
  - 2024-10-09 · 技術的能力 · OpenAI は、機械学習の実務における自律的な仕組みを試すため Kaggle のコンペ75件からなるベンチマークをつくった。最も良い構成が銅メダル相当に達したのは、そのうち16.9%だった — https://flyvolo.ai/ja/changes/ev-20241009-machine-learning-engineer-1 (出典: https://arxiv.org/abs/2410.07095)

### 学べるデータを用意する

- 方向: 増強されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: モデルの助けを借りた印づけと合成の生成が、ここから量の大半を取り去った。それは本物である。かつてチームで何週間もかかったことが、しばしば午後の一巡で済む。移らなかったのは、その集め方では決して含まれようのなかった事例がどれかを知っていることである——欠けているものは、そこにあるものしか読まない道具には見えない。
- これでは言えないこと: あるチームの時間のどれだけがここに使われるかは、ここでは何も測っていない。そして答えは、すでにデータ資産を持つチームとゼロから始めるチームとで一桁違う。モデルを学習させるデータに、モデルを使って印をつけることにも既知の失敗の形があり、この判断はそれを量っていない。
- 記録:
  - 2024-05-16 · 実際の導入 · MicrosoftのBingチームは、2022年末からオフラインの関連性ラベルの大半に人間の専門ラベラーとともにLLMを使っており、第三者のラベラーより正確だと分かったと報告している — https://flyvolo.ai/ja/changes/ev-20240516-machine-learning-engineer-5 (出典: https://arxiv.org/abs/2309.10621)

### 静かに効かなくなったとき

- 方向: 増強されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 検出は本当に良くなった。監視の道具はいまや、画面を眺めている人より上手に、そして早く分布のずれを示す。それにどう手を打つかは動かなかった。選択肢が事業の言葉で互いに引き換えになるからである——学習し直すには金がかかり、かえって悪くなることもあり、止めれば今日目に見える代償があり、そして何もしないこともまた一つの判断である。
- これでは言えないこと: ここでの集計が覆っているのは、答えることを選んだ連邦のシステムだけであり、描いているのは手順であって、それがどれだけうまく働いているかではない。一年のあいだ誰にも見られずに動いているモデルはよくあることである——誰も見ていない場所では、この業務はそもそも行われていない。
- 記録:
  - 2025-01-23 · 実際の導入 · 2024年の米連邦AI用途目録では、監視について記述した稼働中のAIシステム76件のうち、47件がモデルの手作業による更新に頼り、ドリフト検知を備えた完全なパイプラインを持っていたのは5件だけだった — https://flyvolo.ai/ja/changes/ev-20250123-machine-learning-engineer-6 (出典: https://github.com/ombegov/2024-Federal-AI-Use-Case-Inventory/blob/739f686fdf8c52d1be15bd6e945aec2ef59c8a68/data/2024_consolidated_ai_inventory_raw_v2.csv)

### 入力を手で組み立てる

- 方向: 自動化されつつある
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: これは、このサイトが測っている期間より前におおむね終わっていた。表現の学習は2010年代を通じて、画像・音声・言語にわたり手作りの特徴量を置き換え、その型はその後、表形式や系列の問題にも及んだ。ここに載せているのは、いまも多くの教材がこれを教えており、そのために、これがこの職の手仕事だと思って入ってくる人がいるからである。
- これでは言えないこと: 証拠は個々の企業が自社のシステムについて述べたものであり、分野全体にわたる測定ではない。また、説明のつかない入力が許されない一部の規制された場面では、その分野に固有の特徴量の設計がいまも荷を支えており、この判断はそこを切り分けていない。
- 記録:
  - 2025-11-21 · 実際の導入 · Instacartは、別々に学習させていたクエリ理解のモデル群を、毎週数百万件の検索に応える一つのファインチューニング済みLLMに置き換え、エンジニアの中心的な課題を特徴量エンジニアリングから遠ざけた — https://flyvolo.ai/ja/changes/ev-20251121-machine-learning-engineer-4 (出典: https://company.instacart.com/tech-innovation/building-the-intent-engine-how-instacart-is-revamping-query-understanding-with-llms)

### それが人に何をしたかに答える

- 方向: 新しい業務
- 根拠: 根拠あり(検証済みの記録を添付)
- 理由: 新しい仕事であり、能力からではなく規制から生じている。いくつかの市場では今や、採用、信用、教育、公共サービスに用いられるシステムに義務が課されている。EU AI法は、高リスクシステムの基となるデータについて、偏りの可能性を検証し、意図された目的に適合することを文書化しなければならないと定めている。義務を負うのは提供者であり、それはモデルが実際に何を取り込んだかを理解する人のもとに落ちなければならない。この規則は採択済みで、大半の高リスクシステムには2027年12月2日から適用される。
- これでは言えないこと: 成文化されてはいるがまだ適用されていない規則であり、名指しするのは個々のエンジニアではなく組織である。要件は市場により、またシステムの用途により大きく異なり、ここには企業内の誰がこの仕事を自分のものだと告げられたかを示すものはない。
- 記録:
  - 2024-08-01 · 制限または撤回 · EU AI 法は、高リスク AI システムの背後にあるデータについて、バイアスの検討を行い、意図した用途に適していることを文書として残すよう求めており(第10条)、2027年12月2日から適用される — https://flyvolo.ai/ja/changes/ev-20260802-machine-learning-engineer-2 (出典: https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:02024R1689-20260727)

## 引用のしかた

- 単位は職名ではなく業務です。どの業務が変わり、どれが変わらないのかを述べてください。
- 各業務の根拠と限界を一緒に伝えてください。推論は結論ではありません。
- このページは年数を示しません。ここから年数を導き出さないでください。
- 詳しくは: https://flyvolo.ai/llms.txt