Machine Learning Engineer
- Company
- Rimo合同会社
- Location
- Tokyo, Japan
- Salary
- 8 500 000–17 000 000 JPY/mo
- Posted
- 2026-10-23
Skills: ChatGPT
【開発】機械学習エンジニア
仕事概要
Rimo Voiceは動画をアップロードし、文字起こし、話者分離、議事録作成をするサービスです。今後はこのデータをもとに、人事評価や経営判断までAIができるようにすることも目指しています。
この領域はつまり、音声認識や言語処理で、GoogleやMicrosoftが扱っている領域を真っ向勝負しているプロダクトともいうことができるかと思います。UI/UXでGoogle MeetやDocs / Teams などと差別化するのももちろんですが、その本質はやはり機械学習にあり、日本語領域においてはそれらのサービスに引けをとらない精度が必要だと思っています。
実際に、精度面では日本語においてGoogleのAPIなども凌駕できており、それがサービスの拡大につながっていますが、WhisperやChatGPTなどが出てきている今、あぐらをかいている場合ではない認識です。
業務内容
RimoはInputが動画という特性上、音声・言語・画像のどれを処理できる機械学習エンジニアで全方位で求めています。具体的には以下のような業務がありますが、この先作りたくて公開できないものも多いので、これだけにとどまりません。
- [音声認識] 文字起こし、話者分離 - 最近はWhisperのファインチューニングがメインテーマになっています。 - Facebook(Meta)なども良いものを出してきているので別の方法でもいいです。 - 話者分離も、高速で、精度が良く、事前の声紋があるときにも使え、ないときにも使えるなどの条件を全て満たすものがなかなかなく、この領域も鋭意探索中です。 - [言語処理] 要約/議事録生成 - ここはWritingだと記事生成、商談だとSalesForceに入力する項目を自動抽出など応用により変化します。 - ここはChatGPT等を利用できるため、プロンプトエンジニアリングも重要です。 - ローカルLLMを利用することもできますが、費用対効果が現状薄そうなので現状そこまで手を出さない判断です。今後この判断は覆ることがあり得ます。 - 要約や抽出箇所のオリジナルの場所を特定する必要があるため、そこは自前で行っています - ToDoの抽出などではChatGPTの処理の後に、誰がいつまでにやるべきかなどをさらに推論しより精度を上げる必要がありそうです - [画像認識] 動画からの情報抽出 - 資料を共有しているところを見つけ出してその中身も議事録に反映させる - 顔認識を通じて、動画からの話者分離
【主な業務内容】 ・マイクロサービスアーキテクチャの設計・実装(実情に合わせた設計を再検討) ・汎用性と理解のしやすさのバランスをとったデータベース設計 ・プロダクトの国際化をAIを活用し労力を最小化しつつ実現すること ・技術的な問題解決とプロセス改善の推進 ・体制の見直し(AIによるレビューやコード構築などの補助を受けやすい体制と技術選定を模索)
【求める人物像】 ・AIや機械学習技術に関心を持ち、技術的チャレンジに前向きな姿勢 ・プロダクトの国際展開や外部サービスとの連携に興味がある方
【開発環境・技術スタック】 言語:Go, Python, TypeScript フレームワーク:gin, React(Next.js), LangChain, fastAPI, sklearn, pytorch データベース:Firestore(Firebase), BigQuery…
Full text and application on the employer's site.