キャリアメディア / 職務経歴書

機械学習エンジニアの職務経歴書の書き方｜書類通過率を上げる実例テンプレート

職種：機械学習エンジニア ｜更新日 2026/7/4

機械学習エンジニアの転職活動において、職務経歴書は技術力と事業貢献の両面を伝える唯一の文書媒体です。コードの品質はGitHubで示せても、「なぜその技術選定をしたか」「モデルがビジネスにどう寄与したか」は職務経歴書にしか書きようがありません。

本記事では、書類選考を担当する側の視点も踏まえながら、機械学習エンジニア特有の記述構造・数値の整理方法・よくある脱落パターンを体系的に解説します。

機械学習エンジニアの職務経歴書が難しい理由

一般的なソフトウェアエンジニアの職務経歴書は「開発した機能」「使用技術」「チーム規模」を列挙すれば一定の情報量を確保できます。しかし機械学習エンジニアには、それに加えて以下の軸を盛り込む必要があります。

• 問題設定の妥当性：なぜ機械学習で解くべき問題だったのか
• データパイプラインの設計・運用：前処理・特徴量設計・学習基盤の全体像
• 評価指標の選定理由：精度・再現率・ビジネス指標のどれを優先したか
• 本番運用の実態：バッチ推論・リアルタイム推論・モデルの更新頻度・監視体制
• 事業貢献の定量化：モデル性能向上がどう売上・コスト・UXに結びついたか

これらを適切に整理しないと、採用担当者には「実験環境で精度を上げただけで、エンジニアリングは別の人がやっている」という印象を与えやすくなります。この誤解を防ぐことが、機械学習エンジニアの職務経歴書における最重要課題です。

構成の全体像

機械学習エンジニアの職務経歴書は、以下の構成を基本とします。A4で2〜3枚程度が目安です。

スキルサマリーは冒頭に置き、採用担当者が15秒で全体像を掴めるよう設計することが重要です。「〇年の経験があります」という記述よりも、「推薦システムの設計・実装・MLOps構築を一貫して担当。直近はリアルタイム推論基盤の構築に注力」といった形で、何の専門家かを端的に示すと伝わりやすい傾向があります。

技術スタックの書き方

技術スタックは羅列するのではなく、カテゴリ別に整理することで読みやすさと信頼性が高まります。

このとき、熟練度の注釈（例：「業務レベルで使用」「独学・個人プロジェクトで使用」）を添えると、採用担当者が技術面接の難易度を調整しやすくなります。記載した技術が面接で深掘りされることを前提に、自分が問題なく説明できるものに絞る判断も重要です。

プロジェクト記述の構造化

BACKGROUNDから始める

各プロジェクトは「事業背景と課題定義」から書き始めることを推奨します。技術仕様から入ると、なぜその技術が必要だったかが伝わりません。

【事業背景】
ECサイトのCTR改善を目的に、既存ルールベースのレコメンドエンジンを
協調フィルタリングベースのモデルに刷新するプロジェクトを担当。
チーム構成：MLエンジニア2名、インフラエンジニア1名、PM1名

自分の役割を明確にする

チームで取り組んだ場合、どこまでを自分が担当したかを明示します。曖昧な書き方は「貢献が不明確」と判断されやすくなります。

• 「担当：データ収集・前処理、特徴量エンジニアリング、モデル選定・学習、A/Bテスト設計」
• 「推論APIの実装とSageMakerへのデプロイはインフラエンジニアと協業」

成果の定量化

機械学習プロジェクトの成果は多層的です。モデル性能の改善のみを書くと、事業貢献が伝わりません。以下の三層で整理することが効果的です。

事業指標を正確に把握していない場合、「試算ベース」や「事業側チームの算出値」と注釈を加えた上で記載することで、誠実さと情報量を両立できます。

ケーススタディ：異常検知システムの記述例

以下は、製造業向けの異常検知システムを担当したエンジニアの記述例の型です。

プロジェクト名：製造ラインの外観検査自動化 期間：20XX年X月〜20XX年X月（8ヶ月） 担当フェーズ：要件定義支援〜モデル開発〜本番デプロイ・運用設計

【背景と課題】 製造ラインの目視検査に1日あたり延べ3時間の工数がかかっており、検査員によるバラつきも品質管理上の課題となっていた。機械学習による自動化でコスト削減と品質安定化を図るプロジェクトに、MLエンジニアとして参画。

【技術構成】 画像分類タスクとして定式化。初期は教師あり学習（ResNet50ベース）で取り組んだが、正常サンプルが大量に取得できる一方で異常サンプルが希少であったため、半教師あり学習（PatchCore）に切り替えた。データ拡張によるアンバランス対策も実施。

インフラはオンプレ環境のため、TorchServeを用いてエッジデバイス上で推論を完結させる構成を選択。MLflowによる実験管理、テスト用ダッシュボードの整備も担当。

【成果】

• 誤検知率（False Positive Rate）を2.1%に抑制しつつ、見逃し率（False Negative Rate）0.3%を達成
• 目視検査工数を約70%削減（事業側チーム算出）
• 本番稼働後6ヶ月間、モデルの再学習なしで安定稼働。ドリフト検知アラートの仕組みも構築

この記述例のポイントは、アルゴリズム変更の「理由」が明示されている点です。なぜResNetからPatchCoreに移行したかを書くことで、状況に応じた技術選定ができる判断力が伝わります。また、False Positive / False NegativeのトレードオフをビジネスSLA（見逃しのリスクをどこまで許容するか）と紐づけて説明できると、面接でさらに深い議論ができます。

よくある脱落パターンと対策

書類が通りにくい職務経歴書に共通するパターンを整理します。

1. 技術名の羅列で終わっている 使用技術は書かれていても、「何を解決するために使ったか」「どんな判断をしたか」が抜けているケースです。技術名ではなく、技術選定の意思決定を書くよう意識することで改善できます。

2. モデルの精度しか書いていない AUCやF1スコアの向上だけを成果として書いても、採用担当者（特に非技術系）には価値が伝わりにくい傾向があります。「その精度向上が何をもたらしたか」を一文添えることが効果的です。

3. 研究と開発の区別が曖昧 大学・大学院の研究や個人の研究活動を業務経験と並列に書くと、実務経験量が判断しにくくなります。セクションを分けるか、補足として明記することを推奨します。

4. 本番運用経験が見えない モデル構築の経験は書かれていても、デプロイ・監視・モデル更新の経験が抜けているケースは少なくありません。MLOpsの経験は需要が高い領域のため、該当経験がある場合は意識的に記載します。

よくある質問

Q. GitHub・Kaggleのリンクは職務経歴書に記載すべきですか？

記載することが望ましいですが、コードの品質・コミット履歴・READMEの整備状況が採用担当者に確認されることを前提に判断してください。更新が止まっているリポジトリや、コメントが整備されていないコードは、逆に評価を下げる可能性があります。記載する場合は、最低限README等で内容と目的が伝わる状態にしておくことを推奨します。

Q. 論文・学会発表経験は記載すべきですか？

研究開発職や、機械学習の先端技術を扱う企業への応募では加点要素になりやすい傾向があります。一方、プロダクト開発を主軸とする企業では、業務への直接的な関連性が薄いと判断されることもあります。記載する場合は「どんな知見を業務にどう活かしたか」を一文添えると、実務との接続が伝わりやすくなります。

Q. 経験年数が短い場合、どう補えばよいですか？

経験年数よりも、取り組んだ問題の難易度・意思決定の深さ・本番運用の有無が評価軸になることが多い傾向があります。年数が短い場合でも、「なぜその選択をしたか」「どんな失敗をしてどう修正したか」という思考プロセスを丁寧に記述することで、技術的な判断力を伝えることができます。

Q. 年収交渉の材料として職務経歴書をどう活用できますか？

事業貢献の定量化が最も効果的な材料になります。モデル性能の向上だけでなく、それがコスト削減・売上向上・工数削減といったビジネス指標にどう換算されたかを記載しておくことで、面接時の交渉根拠として活用しやすくなります。特にMLOpsの設計・運用経験や、チームのプロセス改善への貢献は、年収レンジに影響しやすい実績として評価されやすい傾向があります。

まとめ

機械学習エンジニアの職務経歴書は、技術スタックの羅列ではなく「問題定義・技術選定の判断・事業への貢献」を三位一体で伝えることが書類通過率を高める核心です。モデルの精度改善はビジネス指標と紐づけて初めて評価対象になり、本番運用経験の有無はMLOpsへの需要を背景に重視される傾向が強まっています。また、プロジェクト記述は「なぜその技術を選んだか」という意思決定の言語化によって、面接での深い議論にもつながります。職務経歴書を書き終えた後は、記載した経験が現在の市場でどう評価されるかを専門家に確認することで、より精度の高い