データサイエンティスト → MLエンジニア
SRE（Site Reliability Engineer）: システムの信頼性・可用性・パフォーマンスを設計・運用の両面から支えるエンジニア職種。
完全プランを見る製薬企業のR&D部門で統計分析と機械学習モデル開発を3年経験。PythonとJupyter Notebookを 駆使し、創薬ターゲットの予測モデルや臨床試験データの解析で成果を上げてきた。しかし、 研究環境で作ったモデルを本番システムに組み込む段階で毎回大きな壁にぶつかる。Dockerも Kubernetesも触ったことがなく、CI/CDの概念も曖昧。ML基盤の構築・運用ができるMLエンジニアに 転向し、モデル開発から本番運用まで一気通貫で担える人材を目指している。
「自分が開発したモデルがインフラチームの手でデプロイされるのを見ているだけの現状に もどかしさを感じている。モデルの精度劣化に気づいても、監視の仕組みがなくて対応が遅れる ケースが頻発。MLOpsを自ら実践できれば、モデルのライフサイクル全体に責任を持てる。 データサイエンスの知識を活かしつつ、エンジニアリング力を加えることで市場価値を大きく 高められると考えている。 」
中村 美咲さん本人の学習設計の語り
最初の2ヶ月でDockerの基礎とMLOpsの全体像を学ぶ。Jupyter中心の開発から脱却し、 コンテナ化されたML環境の構築を目指す。続く2ヶ月でKubernetesとMLパイプラインの 構築に取り組み、KubeflowやMLflowを実践的に触る。最後の2ヶ月でML基盤の設計と モデルモニタリングの仕組みを学び、本番環境でのML運用を完結させる力を養う。
現在のスキル水準と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。
Docker入門、コンテナ化、MLOps概念理解
Kubernetes実践、MLパイプライン構築、CI/CD
ML基盤アーキテクチャ、モデル監視、オブザーバビリティ
このキャリア遷移を目指す中村 美咲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。
MLエンジニア求人が急増中で、DS経験者の転向支援実績が豊富
※ サービス選びの参考情報。利用は各自の判断で。
ML/AI領域のハイクラス求人に強く、技術力を正当評価するマッチング
※ 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。
中村 美咲さんの学習プランは「SRE（Site Reliability Engineer）」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。
SRE（Site Reliability Engineer）のロードマップを見る →
