株式会社APTO

■ 募集背景
APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。

近年、AIの中でも特にコンピュータービジョン領域においては、

・物体検知・セグメンテーション・トラッキングなどモデルの高度化
・実運用を前提としたデータ量・品質要件の急激な引き上げ
・製造・検査・図面解析など産業領域特有のデータ課題の顕在化
・Physical AI(ロボティクス)におけるビジョンデータの処理、シミュレーション（Data augmentation)

が同時に進み、モデル性能を左右する要因はアルゴリズム以上に 「どのようなデータを設計し続けられるか」 に移行しています。

特に現在は、
・学習データの品質が属人的に管理されている
・評価指標と実運用性能が乖離している
・データ改善の方法論が体系化されていない

という課題があり、コンピュータービジョンモデルの性能をデータの観点から継続的に引き上げられるメンバーが求められています。

そこで今回、CV領域におけるデータ設計と評価ループを担うResearch Engineerを募集します。

■ コンピュータービジョン領域における課題
コンピュータービジョンとは、コンピュータに人間の「目」と「認識能力」を持たせる技術です。

画像や映像から特徴を抽出し、

・物体が何かを識別し
・どこにあるかを特定し
・どのように動くかを理解する

ことを可能にします。

主な技術領域には以下があります。

・画像分類
画像全体から対象物のカテゴリを識別する技術。

・物体検知
画像内の対象物の位置と種類を同時に特定する技術。

・セグメンテーション
画素レベルで対象物を区別する高度な認識技術。

・トラッキング
動画内における物体の動きを継続的に追跡する技術。

・シミュレーション
Nvidia Cosmos, Issac sim等を使ったデータの増強


■ 本ポジションの本質
コンピュータービジョンモデルが正しく学習され、実環境で安定して動作し、課題を解決できる状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。

扱う対象は単なる画像データではなく、

・ノイズを含む実世界データ
・クラス不均衡の激しいデータ
・長尾分布を持つ例外ケース

といった、CV特有の難しさを持つデータです。

■ 主な役割

・物体検知・セグメンテーションモデル向けデータ設計
・画像・動画データの前処理・品質管理
・アノテーション方針およびガイドライン設計
・モデル評価指標の設計および評価分析
・学習 → 評価 → データ改善のフィードバックループ構築
・モデル開発チームとの連携による性能改善

■ 研究・応用テーマ例

本ポジションでは以下の一例のようなテーマに取り組みます。

CVデータ設計

・モデル性能を最大化するデータ分布設計
・少量データ環境におけるデータ効率化
・長尾クラス問題への対応

評価設計

・実運用性能を反映する評価指標設計
・誤検知・未検知の原因分析
・アノテーション品質評価手法

産業応用

・製造ラインにおける異常検知データ設計
・図面画像の構造理解・3D化に向けたデータ設計
・マシンビジョンにおける実環境適応

■ 主軸（最も期待する領域）

・CVモデル向けデータ設計・品質管理
・モデル評価とデータ改善ループ構築
・Pythonを用いた画像データ処理・分析
・データ視点からのモデル性能改善


【参考：APTOの技術文化を知る】
APTOがなぜ「データ」にこだわるのか、そしてエンジニアがどのようにカオスな領域を整理し、価値へと変換しているのか。開発責任者が、現場で向き合う技術的挑戦のリアルを語っています。
AIの勝敗は『データ設計』で決まる——APTOが挑む次世代AIデータ基盤
https://findy-code.io/pick-up/interviews/apto-engineer

一部リモート可

自社サービス開発

BtoB

機械学習エンジニア

AI・LLMプロジェクトマネージャー

Python

Research Engineer【Computer Vision×データ設計】物体検知・セグメンテーションの性能を“データ”から改善をリード｜CVモデル性能｜

■ 募集背景
APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。

近年、AIモデルの進化に伴い、競争力の源泉はモデル構造そのものから、
「どのようなデータを、どのように設計し、評価し、改善し続けられるか」へと急速にシフトしています。

特に、

・LLM / VLM / マルチモーダルモデルの高度化
・本番運用を前提とした大規模データ要求
・データ品質がモデル性能を直接左右する構造

が同時に進み、AI開発におけるボトルネックは完全に「データ側」に移行しています。

さらに現在は、

・有害データの混入
・バイアスの増幅
・誤学習によるリスク
・評価指標と実運用性能の乖離

といった AIの安全性・信頼性に関わる課題 が顕在化しており、データ設計は単なる精度改善の問題ではなく、AIの社会実装における責任領域へと拡張しています。

APTOでは現在、

・データ設計や評価が属人的に行われている
・モデル改善のボトルネックがデータ側にあるが体系化されていない
・安全性・品質・性能を統合した設計思想が未確立

という課題を抱えており、AIモデル性能と安全性を「データの観点から」引き上げられるResearch Engineerを募集します。

■ このポジションの本質
AIモデルが正しく学習され、安全性・信頼性を担保し、本番環境で信頼できる性能を発揮する状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。

扱う対象は単なる学習データではなく、

・モデルの挙動を規定する訓練信号
・評価基準を形作るテストデータ
・安全性を担保するガードレールデータ

といった、AIのモデルの出力特性と性能を規定する要素です。

そのため本ポジションでは、

・どのデータがモデルの意思決定に影響するのか
・どの評価が本番性能を適切に測定できるのか
・どのようなデータ設計が安全性を担保するのか

といった問いに対し、研究的視点と実装視点の両方から取り組むことが求められます。

■ 主な役割

・LLM / VLM / マルチモーダルモデル向けの学習データ設計
・データ前処理・アノテーション方針の設計と改善
・モデル評価指標の設計および評価結果の分析
・学習 → 評価 → データ改善 のフィードバックループ構築
・モデル開発チームとの連携による性能改善
・データ品質・バイアス・安全性に関する設計指針の確立

■ 研究テーマとしての領域
本ポジションでは、以下のような研究的テーマに取り組んでいただく想定です。

データ設計領域
・モデル性能を最大化するデータ分布設計
・データカバレッジと一般化性能の関係
・少量データ環境での効率的データ生成

評価領域
・モデルの実運用性能を反映する評価指標の設計
・評価データセットの品質設計
・自動評価と人手評価の統合設計

AI安全性領域
・有害出力を抑制する訓練データ設計
・バイアス・公平性に関するデータ分析
・安全性評価データセット（ベンチマーク）の設計
・データガバナンス・トレーサビリティ設計
・SFT, RLHFによるモデルの性能向上

■ 主軸（最も期待する領域）

・AIモデル向けデータ設計・品質管理
・モデル評価とデータ改善ループの設計
・Pythonを用いたデータ処理・分析
・データ視点からのモデル性能改善

■ 扱う対象例

・LLM / VLM 向けテキスト・画像・動画データ
・物体検知・画像認識モデル向けデータ
・アノテーションデータ・メタデータ
・安全性評価用データセット


【参考：APTOの技術文化を知る】
APTOがなぜ「データ」にこだわるのか、そしてエンジニアがどのようにカオスな領域を整理し、価値へと変換しているのか。開発責任者が、現場で向き合う技術的挑戦のリアルを語っています。
AIの勝敗は『データ設計』で決まる——APTOが挑む次世代AIデータ基盤
https://findy-code.io/pick-up/interviews/apto-engineer

テックリード

TypeScript

React

React Native

Next.js

Docker

Kubernetes

Vertex AI

GitHub Actions

Research Engineer【LLM/VLM×データ設計】データ分布設計・評価指標構築をリード｜AIモデル性能と安全性｜

■ 募集背景
現在のAI開発において、最も重要でありながら、最も未整備な領域はモデルではなく 「データ」 にあります。

実際、AIプロジェクトの開発工数の大半は、データ収集・整形・アノテーション・品質管理・運用設計といった
データ準備工程に費やされており、多くの企業がこの領域の難易度の高さによってAIを実運用まで到達させることができていません。

APTOは、この構造的な課題に対し、AIデータ生成・管理プラットフォームを提供すると同時に、
顧客ごとのAI開発におけるデータ基盤設計・運用設計までを担うことで、企業がAIを実用化できる状態をつくることをミッションとしています。

現在はプロダクトの本番利用拡大に加え、LLM・画像認識・業務自動化など多様な領域でのAI開発支援プロジェクトが急増しており、

・顧客課題に応じたアーキテクチャ設計
・プロダクトの進化を見据えた技術判断

を横断的に担えるエンジニアが不足しています。

そこで今回、AIデータ基盤の設計責任を担いながら、顧客AIプロジェクトの技術パートナーとして関わるリードエンジニアを募集します。
顧客の業務構造やAI活用の目的を理解し、最適なソリューションを共に設計していくことが求められます。

■ 具体的な業務内容
・大規模データ運用を前提としたアーキテクチャ設計
・顧客AIプロジェクトにおける技術提案およびPoCの実装
・顧客との技術ディスカッションおよび要件整理
・クラウド環境におけるソリューションの設計・運用
・プロダクトのスケールに伴う技術的ボトルネックの解消

■ このポジションの難易度と面白さ
本ポジションでは、一般的なWeb開発では扱わない課題に直面します。

例えば、
・顧客ごとに異なるAI開発プロセスへの適応
・ Computer vision、LLMなどの領域で最先端研究へのキャッチアップ
・ 自律運転、LLM(VLM、RAG)、Phycial AI(ロボティクス)などの幅広い課題

といった、AI開発特有の複雑な問題に向き合うことになります。

一方で、それらを解決することで、AIが実際に社会で使われる状態を技術的に支えることができるという極めて大きなインパクトを持つポジションです。


【参考：APTOの技術文化を知る】
APTOがなぜ「データ」にこだわるのか、そしてエンジニアがどのようにカオスな領域を整理し、価値へと変換しているのか。開発責任者が、現場で向き合う技術的挑戦のリアルを語っています。
AIの勝敗は『データ設計』で決まる——APTOが挑む次世代AIデータ基盤
https://findy-code.io/pick-up/interviews/apto-engineer

フルスタックエンジニア

AI Solution Engineer【AI×データ基盤】大規模AIシステムの設計を担う｜PoC〜実装まで横断｜

■ 募集背景
APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。

近年、AIの中でも特にコンピュータービジョン領域においては、

・物体検知・セグメンテーション・トラッキングなどモデルの高度化
・実運用を前提としたデータ量・品質要件の急激な引き上げ
・製造・検査・図面解析など産業領域特有のデータ課題の顕在化
・Physical AI(ロボティクス)におけるビジョンデータの処理、シミュレーション（Data augmentation)

が同時に進み、モデル性能を左右する要因はアルゴリズム以上に 「どのようなデータを設計し続けられるか」 に移行しています。

特に現在は、
・学習データの品質が属人的に管理されている
・評価指標と実運用性能が乖離している
・データ改善の方法論が体系化されていない

という課題があり、コンピュータービジョンモデルの性能をデータの観点から継続的に引き上げられるメンバーが求められています。

そこで今回、CV領域におけるデータ設計と評価ループを担うResearch Engineerを募集します。

■ コンピュータービジョン領域における課題
コンピュータービジョンとは、コンピュータに人間の「目」と「認識能力」を持たせる技術です。

画像や映像から特徴を抽出し、

・物体が何かを識別し
・どこにあるかを特定し
・どのように動くかを理解する

ことを可能にします。

主な技術領域には以下があります。

・画像分類
画像全体から対象物のカテゴリを識別する技術。

・物体検知
画像内の対象物の位置と種類を同時に特定する技術。

・セグメンテーション
画素レベルで対象物を区別する高度な認識技術。

・トラッキング
動画内における物体の動きを継続的に追跡する技術。

・シミュレーション
Nvidia Cosmos, Issac sim等を使ったデータの増強


■ 本ポジションの本質
コンピュータービジョンモデルが正しく学習され、実環境で安定して動作し、課題を解決できる状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。

扱う対象は単なる画像データではなく、

・ノイズを含む実世界データ
・クラス不均衡の激しいデータ
・長尾分布を持つ例外ケース

といった、CV特有の難しさを持つデータです。

■ 主な役割

・物体検知・セグメンテーションモデル向けデータ設計
・画像・動画データの前処理・品質管理
・アノテーション方針およびガイドライン設計
・モデル評価指標の設計および評価分析
・学習 → 評価 → データ改善のフィードバックループ構築
・モデル開発チームとの連携による性能改善

■ 研究・応用テーマ例

本ポジションでは以下の一例のようなテーマに取り組みます。

CVデータ設計

・モデル性能を最大化するデータ分布設計
・少量データ環境におけるデータ効率化
・長尾クラス問題への対応

評価設計

・実運用性能を反映する評価指標設計
・誤検知・未検知の原因分析
・アノテーション品質評価手法

産業応用

・製造ラインにおける異常検知データ設計
・図面画像の構造理解・3D化に向けたデータ設計
・マシンビジョンにおける実環境適応

■ 主軸（最も期待する領域）

・CVモデル向けデータ設計・品質管理
・モデル評価とデータ改善ループ構築
・Pythonを用いた画像データ処理・分析
・データ視点からのモデル性能改善



■ 募集背景
APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。

近年、AIモデルの進化に伴い、競争力の源泉はモデル構造そのものから、
「どのようなデータを、どのように設計し、評価し、改善し続けられるか」へと急速にシフトしています。

特に、

・LLM / VLM / マルチモーダルモデルの高度化
・本番運用を前提とした大規模データ要求
・データ品質がモデル性能を直接左右する構造

が同時に進み、AI開発におけるボトルネックは完全に「データ側」に移行しています。

さらに現在は、

・有害データの混入
・バイアスの増幅
・誤学習によるリスク
・評価指標と実運用性能の乖離

といった AIの安全性・信頼性に関わる課題 が顕在化しており、データ設計は単なる精度改善の問題ではなく、AIの社会実装における責任領域へと拡張しています。

APTOでは現在、

・データ設計や評価が属人的に行われている
・モデル改善のボトルネックがデータ側にあるが体系化されていない
・安全性・品質・性能を統合した設計思想が未確立

という課題を抱えており、AIモデル性能と安全性を「データの観点から」引き上げられるResearch Engineerを募集します。

■ このポジションの本質
AIモデルが正しく学習され、安全性・信頼性を担保し、本番環境で信頼できる性能を発揮する状態を、データ設計と評価ループの構築によって実現することを担っていただくポジションです。

扱う対象は単なる学習データではなく、

・モデルの挙動を規定する訓練信号
・評価基準を形作るテストデータ
・安全性を担保するガードレールデータ

といった、AIのモデルの出力特性と性能を規定する要素です。

そのため本ポジションでは、

・どのデータがモデルの意思決定に影響するのか
・どの評価が本番性能を適切に測定できるのか
・どのようなデータ設計が安全性を担保するのか

といった問いに対し、研究的視点と実装視点の両方から取り組むことが求められます。

■ 主な役割

・LLM / VLM / マルチモーダルモデル向けの学習データ設計
・データ前処理・アノテーション方針の設計と改善
・モデル評価指標の設計および評価結果の分析
・学習 → 評価 → データ改善 のフィードバックループ構築
・モデル開発チームとの連携による性能改善
・データ品質・バイアス・安全性に関する設計指針の確立

■ 研究テーマとしての領域
本ポジションでは、以下のような研究的テーマに取り組んでいただく想定です。

データ設計領域
・モデル性能を最大化するデータ分布設計
・データカバレッジと一般化性能の関係
・少量データ環境での効率的データ生成

評価領域
・モデルの実運用性能を反映する評価指標の設計
・評価データセットの品質設計
・自動評価と人手評価の統合設計

AI安全性領域
・有害出力を抑制する訓練データ設計
・バイアス・公平性に関するデータ分析
・安全性評価データセット（ベンチマーク）の設計
・データガバナンス・トレーサビリティ設計
・SFT, RLHFによるモデルの性能向上

■ 主軸（最も期待する領域）

・AIモデル向けデータ設計・品質管理
・モデル評価とデータ改善ループの設計
・Pythonを用いたデータ処理・分析
・データ視点からのモデル性能改善

■ 扱う対象例

・LLM / VLM 向けテキスト・画像・動画データ
・物体検知・画像認識モデル向けデータ
・アノテーションデータ・メタデータ
・安全性評価用データセット


■ 募集背景
現在のAI開発において、最も重要でありながら、最も未整備な領域はモデルではなく 「データ」 にあります。

実際、AIプロジェクトの開発工数の大半は、データ収集・整形・アノテーション・品質管理・運用設計といった
データ準備工程に費やされており、多くの企業がこの領域の難易度の高さによってAIを実運用まで到達させることができていません。

APTOは、この構造的な課題に対し、AIデータ生成・管理プラットフォームを提供すると同時に、
顧客ごとのAI開発におけるデータ基盤設計・運用設計までを担うことで、企業がAIを実用化できる状態をつくることをミッションとしています。

現在はプロダクトの本番利用拡大に加え、LLM・画像認識・業務自動化など多様な領域でのAI開発支援プロジェクトが急増しており、

・顧客課題に応じたアーキテクチャ設計
・プロダクトの進化を見据えた技術判断

を横断的に担えるエンジニアが不足しています。

そこで今回、AIデータ基盤の設計責任を担いながら、顧客AIプロジェクトの技術パートナーとして関わるリードエンジニアを募集します。
顧客の業務構造やAI活用の目的を理解し、最適なソリューションを共に設計していくことが求められます。

■ 具体的な業務内容
・大規模データ運用を前提としたアーキテクチャ設計
・顧客AIプロジェクトにおける技術提案およびPoCの実装
・顧客との技術ディスカッションおよび要件整理
・クラウド環境におけるソリューションの設計・運用
・プロダクトのスケールに伴う技術的ボトルネックの解消

■ このポジションの難易度と面白さ
本ポジションでは、一般的なWeb開発では扱わない課題に直面します。

例えば、
・顧客ごとに異なるAI開発プロセスへの適応
・ Computer vision、LLMなどの領域で最先端研究へのキャッチアップ
・ 自律運転、LLM(VLM、RAG)、Phycial AI(ロボティクス)などの幅広い課題

といった、AI開発特有の複雑な問題に向き合うことになります。

一方で、それらを解決することで、AIが実際に社会で使われる状態を技術的に支えることができるという極めて大きなインパクトを持つポジションです。

## ■ 募集背景
APTOでは、AIモデル開発に不可欠な学習データの生成・整備・評価プロセスをプロダクトとして提供しています。

近年、
- LLM / VLM / 画像・動画モデルなど 扱うモデルの高度化
- 本番運用を前提とした データ量・品質要件の急激な引き上げ
- 顧客ごとに異なる 「モデル性能を左右するデータ要件」

が同時に進み、モデルそのもの以上に「データ設計と評価ループ」がプロダクトの競争力を左右するフェーズに入っています。

現在は、

- データ設計や評価改善が属人的になっている
- モデル改善のボトルネックがデータ側にあるが、体系化しきれていない

という課題を抱えており、AIモデルの性能を「データの観点から」引き上げられるエンジニアをR&Dの中核メンバーとして迎えたいと考えています。

## ■ このポジションの役割

本ポジションは、モデルを作るエンジニアではありません。
モデルが「本番で機能する状態」を、データ設計で実現するエンジニアです。

### 主な役割

- LLM / VLM / 画像・動画モデル向けの 学習データ設計
- データ前処理・アノテーション方針の設計・改善
- モデル評価指標の設計、評価結果の分析
- 学習 → 評価 → データ改善 の フィードバックループ構築
- モデル開発チーム・プロダクトチームとの連携

「なぜ精度が出ないのか」「どのデータをどう変えるべきか」をデータ側から考え、実行する役割です。

## ■ 主軸（最も期待する領域）

- AIモデル向けデータ設計・前処理・品質管理
- モデル評価とデータ改善ループの設計
- Pythonを用いたデータ処理・分析

## ■ 扱う対象例

- LLM / VLM 向けテキスト・画像・動画データ
- 物体検知・画像認識モデル向けデータ
- アノテーションデータ・メタデータ

※モデルの重み設計やアルゴリズム研究が主業務ではありません。

「データ × モデル性能」の実運用設計が中心です。

## ■ 任せたい裁量・意思決定範囲

- 学習データの設計方針・品質基準の策定
- モデル評価指標・評価方法の設計
- アノテーション改善・再設計の判断
- モデル改善に向けた データ戦略の主導

データに関する意思決定を、エンジニアとして主体的に担っていただきます。



AI・LLMエンジニア

AI Data Research Engineer　 ― AIモデル性能を決める「データ設計・評価ループ」の中核エンジニア ―

■ 募集背景
APTOでは、AIモデル開発に不可欠なデータ生成・アノテーション基盤をプロダクトとして提供しています。
現在、PoCフェーズを越え 本番利用・データ量の急増・ユースケース拡張が同時に進んでおり、

既存の設計ではスケールに限界が見え始めている
プロダクト全体を俯瞰して設計判断できるエンジニアが不足している
という課題を抱えています。

そこで今回、AIデータ基盤の設計・進化に責任を持つエンジニアを中核メンバーとして迎えたいと考えています。

■ このポジションの役割
本ポジションは、単なる「実装担当」ではありません。
AIデータ生成・管理プラットフォームの中核基盤について、設計・実装・改善の意思決定を担うエンジニアです。

具体的には
AIデータ基盤（Backend / API / DB）の設計・改善
スケールを前提としたアーキテクチャ設計・技術選定
Web / モバイル（必要に応じて）の設計・実装
クラウドインフラ（AWS / GCP）の設計・運用改善
プロダクト成長に伴う技術的ボトルネックの解消
「何を作るか」だけでなく、「どうあるべきか」を決める役割です。

■ 主軸（最も期待する領域）
Python（Django）を中心としたバックエンド設計
PostgreSQL 等のデータ設計・運用
AIデータを扱う基盤設計・改善
■ 周辺技術
フロントエンド：TypeScript / React / Next.js
モバイル：React Native
インフラ：AWS / GCP / Docker / Kubernetes
CI/CD：GitHub Actions
AI連携：Vertex AI / SageMaker 等
※すべての経験は必須ではありません。主軸領域での設計経験を最重視します。
■ 任せたい裁量・意思決定範囲
技術選定・アーキテクチャ設計への関与
既存設計の見直し・改善提案
プロダクト成長に応じた構成変更の主導
「言われた通り作る」ではなく、エンジニア起点で設計を前に進めることを期待しています。

Django

PostgreSQL

AI Data Platform Engineer ― AIデータ基盤の設計責任を担うコアエンジニア ―

AI開発プラットフォーム提供事業/AIコンサルティング事業 等 

株式会社APTO

求人一覧