NLPリサーチャー（大学院研究員） → MLエンジニア（LLM/生成AI）
大学院修士課程で自然言語処理を専攻後、国立大学の研究室に研究員として在籍し5年間NLP研究に従事。Transformerアーキテクチャの理解、BERT/GPTシリーズのファインチューニング、Hugging Faceエコシステムの活用に精通している。論文実装のためPythonとPyTorchを日常的に使っており、コードの書き方は研究者的で動けばよいという思想が根強い。本番環境へのデプロイやスケーラビリティを考慮したシステム設計は未経験で、研究環境（GPU単体・Jupyter notebook）と本番環境のギャップに直面している。生成AIブームを機に「研究成果を実サービスに届けたい」という思いが強まり、産業界でLLMアプリケーションを設計・運用できるMLエンジニアへの転向を決意した。
「研究者として磨いたNLP・LLMの深い技術知識を、実際のプロダクトで価値を生むために活かしたい。本番環境での大規模モデル運用・APIサービング・MLOpsパイプラインを習得し、生成AIプロダクトを一気通貫で設計・運用できるMLエンジニアとして活躍する。」
林 典子さん本人の学習設計の語り
研究者としてのML理論の強みを土台に、まず産業界での生成AIの活用潮流を「生成AIで世界はこう変わる」で俯瞰する。次に「データ指向アプリケーションデザイン」で本番データシステムの設計原則を理解し、研究環境との差を認識する。AWSとKubernetesでスケーラブルなMLサービング環境を学んだあと、第2フェーズでCI/CDを組み込んだMLOpsパイプラインと、本番グレードのマイクロサービス設計を習得する。研究論文を書く精緻さをエンジニアリングの品質意識に転換することで、強みをそのまま活かせる。
現在のスキル水準とMLエンジニア（LLM/生成AI）に必要な水準を並べ、何を伸ばすべきかを可視化しています。
迷ったらこの順番で読むのが推奨。基礎 → 実践 → 視座を上げる、という流れで構成されています。
なぜこの本か
研究環境と本番環境の最大のギャップである「スケーラビリティ・信頼性・保守性」を設計の観点から学べる。LLMの本番サービングを支えるデータ基盤の設計原則を体系的に習得できる。
なぜこの本か
GPUクラウドインスタンスを含むAWSのMLサービス群を体系的に理解するための入口。研究で使ってきたGPU環境をクラウドで再現・拡張するための基礎知識を得られる。
生成AIの産業応用トレンド把握、本番データシステム設計原則、AWSとKubernetesでのMLサービング基礎
CI/CDによるモデルリリース自動化、DevOps文化の体得、プロダクションレディなマイクロサービス設計
このキャリア遷移を目指す林 典子さんが活用を検討しやすい転職サービスをまとめました。
LLM・生成AIのMLエンジニア求人が急増しており、研究者バックグラウンドを持つ人材を求める大手テック・AI企業の非公開求人へのアクセスに強い
※ サービス選びの参考情報。利用は各自の判断で。
外資系AIテック企業や研究開発部門を持つ企業へのキャリアチェンジに強く、アカデミア出身者の転職支援実績が豊富
※ サービス選びの参考情報。利用は各自の判断で。
同じ職種・近いレベル感を目指す他のペルソナです。学習プランや読む順番のバリエーションとして参考にしてください。
林 典子さんの学習プランは「機械学習エンジニア」を目指す一例です。 職種全体のロードマップ・必要スキル・代表的な書籍は専用ページで体系的に確認できます。
機械学習エンジニアのロードマップを見る →
