組み込みソフトウェアエンジニア → エッジAI・MLエンジニア
大手電機メーカーに15年間勤め、工場の産業用ロボットや車載システム向けの組み込みソフトウェア開発に従事してきた。C/C++を主言語とし、リアルタイムOS・信号処理・ハードウェア制御インターフェース設計を得意とする。低レイヤーの最適化技術と計算量・メモリ制約への深い知識は強みだが、ここ数年で製品への「AI搭載」要求が急増し、自社のMLチームと連携する機会が増えてきた。機械学習モデルを組み込みデバイスで動かす「エッジAI」の領域に強い関心を持ち、TensorFlow LiteやONNXランタイムを独学で触り始めている。ソフトウェアエンジニアとしての実装力を維持しながら、AI/MLの知識を加えて製品の知能化を主導できるMLエンジニアへのキャリア転換を狙っている。
「15年間積み上げた組み込みエンジニアとしての低レイヤー最適化技術と、AIモデルの実装・デプロイを組み合わせることで、エッジデバイス上で動作するAIシステムの設計者になりたい。製品の高付加価値化をAI技術で牽引するMLエンジニアとして、製造業のDXを現場から推進する。」
池田 弘さん本人の学習設計の語り
まずAIと機械学習の全体像を「図解即戦力 AIのしくみ」で俯瞰し、自分の信号処理知識との接点を整理する。次に「いちばんやさしいAIの教本」でビジネス応用のコンテキストを掴み、エッジAI以外のMLエンジニアリング領域を理解する。AWSのMLサービスを学ぶことで、クラウドサイドとエッジサイドのハイブリッドアーキテクチャの全体像を描けるようにする。第2フェーズでは生成AIの最新潮流を把握しながら、DockerとKubernetesを使ったMLモデルのコンテナ化と大規模展開の技術を習得する。
現在のスキル水準とエッジAI・MLエンジニア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
エッジデバイスとクラウドMLのハイブリッドアーキテクチャを設計するために、クラウド側のMLサービス全体像を把握することが不可欠。AWSのIoT・SageMaker・Greengrassの位置づけを理解できる。
機械学習の全体像把握、ビジネス応用コンテキスト理解、AWSのMLサービス全体像
生成AIの最新動向把握、Dockerコンテナ化、データパイプライン設計、MLOpsの基礎
このキャリア遷移を目指す池田 弘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。
製造業・車載・IoT領域のAIエンジニア求人が多く、組み込み経験を強みとしたMLエンジニアへの転向に強みを持つエグゼクティブ向けプラットフォーム
※ サービス選びの参考情報。利用は各自の判断で。
製造業DXやエッジAI関連の非公開求人が豊富で、外資系自動車・エレクトロニクス企業へのキャリアパスを提供できる
※ 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。
池田 弘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 →
![[試して理解]Linuxのしくみ 増補改訂版の表紙](https://images-na.ssl-images-amazon.com/images/P/429713148X.09.LZZZZZZZ.jpg)
