AIエンジニア履歴書のATS最適化チェックリスト

米国労働統計局は、コンピューター・情報研究科学者（SOC 15-1221）の雇用が2034年までに20%成長すると予測しています。これは全職業平均の3%の約7倍であり、年収中央値は140,910ドル、上位層は232,120ドルを超えます ^[1][2]。一方、StanfordのAI Index Reportによると、AI関連の求人は2023年の全米求人の1.4%から2024年には1.8%に増加し、Pythonがこれらの求人で最も求められるスキルとして挙げられています ^[3]。この急増は、1つのポジションに対してより多くの応募が集まり、ATSキーワードフィルタリングがより厳しくなることを意味します。Jobscanの2025年調査では、採用担当者の99.7%がATSフィルターを使用して候補者を選別し、76.4%がスキルによるフィルタリングから検索を開始していることが判明しました ^[4]。つまり、あなたのtransformerアーキテクチャに関する専門知識を採用担当者が目にする前に、ソフトウェアによって履歴書が拒否されるケースが増えているのです。

このチェックリストでは、機械学習、ディープラーニング、NLP、コンピュータービジョン、生成AI、MLOpsに携わるAIエンジニアに特化したATSのパース規則、キーワード戦略、フォーマット要件、最適化テクニックを解説します。

重要ポイント

• フレームワーク固有のキーワードがATSランキングを決定します。 PyTorchはAIエンジニアリング求人の37.7%に、TensorFlowは32.9%に出現します。「ディープラーニングフレームワーク」とだけ記載してフレームワーク名を挙げないと、両方のキーワードマッチを逃します ^[5]。
• 定量化されたモデルパフォーマンスが、ランクインする履歴書と拒否される履歴書を分けます。 推論レイテンシの削減（340msから45ms）、精度向上（F1 0.72から0.91）、データセットサイズ（230万ラベル付きサンプル）、GPU使用率（78%のクラスター効率）はすべてATSで検索可能なテキストとして通過し、人間のレビュアーにあなたの影響度を即座に伝えます。
• MLOpsとデプロイメントスキルは今や必須条件です。 DockerはAI求人の15.4%に、Kubernetesは17.6%に出現しています。研究スキルのみをリストアップし、本番デプロイメント経験がない候補者は、本番志向のエンジニアを求める大多数の業界ポジションからフィルタリングされます ^[5:1]。
• クラウド認定資格は高シグナルのATSキーワードとして機能します。 Google Professional Machine Learning EngineerとAWS Machine Learning認定資格は、2025年に競合する資格よりも40%多くの求人に出現しました ^[6]。
• フォーマット準拠が無言の拒否を防ぎます。 テーブル、2カラムレイアウト、グラフィックベースのスキルバー、ヘッダーやフッターに配置されたコンテンツは、ATSパーサーにフィールド割り当てを混乱させたり、セクション全体を欠落させたりします。あなたのCUDA最適化に関する実績が、誰にも読まれないまま消えてしまうのです ^[4:1]。

AIエンジニアの一般的なATSキーワード

以下のキーワードは、SOC 15-1221のO*NETタスク記述、3,000件以上のAIエンジニアリング求人の分析 ^[5:2]、および現在のフレームワークとプラットフォームのドキュメント ^[7][8] から引用しています。フラットなブロックではなく、カテゴリ別に整理して履歴書に記載してください。

ハードスキル

プログラミング言語: Python（求人の71%）、C++（GPU最適化コード）、Java（求人の22%）、Rust（推論エンジン）、SQL（求人の17.1%）、JavaScript/TypeScript（APIレイヤー）、Go（マイクロサービス）、Bash/Shellスクリプティング ^[5:3]

ディープラーニングフレームワーク: PyTorch、TensorFlow、JAX、Keras、ONNX、TensorRT、Hugging Face Transformers、spaCy、scikit-learn、XGBoost、LightGBM

生成AI・LLMツール: LangChain、LlamaIndex、Hugging Face（モデルハブ、トークナイザー、データセット）、OpenAI API、Anthropic Claude API、Retrieval-Augmented Generation (RAG)、ベクトルデータベース（Pinecone、Weaviate、ChromaDB、Milvus、Qdrant）、プロンプトエンジニアリング、ファインチューニング（LoRA、QLoRA、PEFT）、RLHF ^[8:1]

MLOps・インフラストラクチャ: Docker、Kubernetes、MLflow、Kubeflow、Weights & Biases、Ray、Airflow、DVC (Data Version Control)、Seldon Core、BentoML、TorchServe、Triton Inference Server、GitHub Actions、Jenkins、Terraform

クラウドプラットフォーム: AWS（SageMaker、Bedrock、Lambda、EC2、S3）、Google Cloud（Vertex AI、TPU、BigQuery）、Azure（Azure ML、Azure OpenAI Service、Cognitive Services） ^[5:4]

データエンジニアリング: Apache Spark、Kafka、Snowflake、Databricks、dbt、Pandas、NumPy、Polars、Delta Lake、Feast（特徴量ストア）

GPU・コンピューティング: CUDA、cuDNN、NVIDIA A100/H100、分散トレーニング（DeepSpeed、FSDP、Horovod）、混合精度トレーニング（FP16/BF16）、モデル並列化、データ並列化

ソフトスキル

部門横断的なコラボレーション（プロダクト、エンジニアリング、データサイエンス）、技術ドキュメント作成、研究論文の実装、ステークホルダーとのコミュニケーション、実験設計、コードレビュー、ジュニアエンジニアのメンタリング、Agile/Scrumメソドロジー、テクニカルライティング、カンファレンスでのプレゼンテーション

業界用語・メソドロジー

コアMLコンセプト: 教師あり学習、教師なし学習、強化学習、転移学習、Few-shot学習、Zero-shot学習、自己教師あり学習、対照学習、アテンションメカニズム、transformerアーキテクチャ、畳み込みニューラルネットワーク（CNN）、再帰型ニューラルネットワーク（RNN）、敵対的生成ネットワーク（GAN）、拡散モデル、変分オートエンコーダー（VAE）

NLP用語: 固有表現認識（NER）、感情分析、テキスト分類、質問応答、要約、機械翻訳、トークン化、埋め込み（word2vec、BERT、sentence-transformers）、セマンティック検索、意図分類

コンピュータービジョン用語: 物体検出（YOLO、Faster R-CNN）、画像セグメンテーション（U-Net、Mask R-CNN）、画像分類、姿勢推定、光学文字認識（OCR）、動画理解、3D再構成

評価・メトリクス: Precision、Recall、F1スコア、AUC-ROC、BLEUスコア、パープレキシティ、推論レイテンシ、スループット（トークン/秒）、モデルサイズ（パラメータ数）、FLOPS、A/Bテスト、統計的有意性

履歴書のフォーマット要件

ATSパーサーはドキュメントを左から右、上から下に順次読み取り、セクションヘッダーの認識に基づいてコンテンツをフィールドに割り当てます ^[4:2]。AIエンジニアの履歴書は、技術的なコンテンツにコードスニペット、アーキテクチャ図、数式表記が含まれることが多く、ATSが解釈できないため、特有のパースリスクに直面します。

ファイル形式

求人がPDFを明示的に要求していない限り、.docxで提出してください。Word文書は、すべての主要なATSプラットフォーム（Workday、Greenhouse、Lever、iCIMS、Taleo）でより確実にパースされます。PDFが必要な場合は、LaTeXやレイアウトツールでデザインするのではなく、Wordからエクスポートしてください。これにより、ATSが読み取る基礎テキストレイヤーが保持されます。LaTeX生成のPDFは人間には正しく表示されますが、一部のATSパーサーが誤読するフォントエンコーディングを含む場合があります。

レイアウト構造

• シングルカラムのみ。 2カラムレイアウトは、ATSに左右のコンテンツを交互に読み取らせます。Pythonライブラリをリストしたサイドバーが職歴の横にあると、予測不可能な形でマージされます。
• テーブル、テキストボックス、グラフィックは使用しないでください。 エンジニアはフレームワーク習熟度のグリッドやアーキテクチャ図を整理するためにテーブルを頻繁に使用しますが、ATSはテーブルセルを予測不可能な順序で読み取るか、完全にスキップします。
• 重要なコンテンツをヘッダーやフッターに配置しないでください。 名前、資格、連絡先情報はドキュメント本文に記載してください。ATSプラットフォームの25%はパース中にヘッダー/フッターのコンテンツを無視します ^[9]。
• 標準的なセクション見出しを使用してください。 「Professional Summary」「Professional Experience」「Technical Skills」「Education」「Certifications」「Projects」（任意）を正確に使用してください。「ML Arsenal」や「Research Toolkit」のような非標準的な見出しは避けてください。
• コードブロックや数式表記は使用しないでください。 ATSはインラインコードフォーマット、LaTeX方程式、Unicodeの数学記号をパースできません。モデルアーキテクチャの表記を埋め込む代わりに、「70億パラメータのtransformerモデルをトレーニング」と記述してください。

フォントとスペーシング

標準フォント（Calibri、Arial、Times New Roman、Garamond）で10〜12ptを使用してください。最小マージンは0.5インチです。縮小フォントやモノスペースフォントは避けてください。太字はセクションヘッダーと職位のみに使用し、重要なキーワードにイタリックは避けてください。一部のOCRレイヤーがイタリック文字を誤読する場合があります。

名前と資格ヘッダー

ドキュメント本文の最初の行に、資格を含む名前をフォーマットしてください：

SARAH CHEN, MS
AI Engineer | Machine Learning & NLP
[email protected] | (555) 234-5678 | linkedin.com/in/sarahchenml | github.com/sarahchen

これにより、ATSがタイトルフィールドにあなたの専門分野を、GitHubプロフィールを検索可能なテキスト文字列として取得します。LinkedInとGitHubの両方を含めることで、AIエンジニアリングの採用担当者が最も頻繁にチェックする2つのプラットフォームに対応できます。

職務経験の最適化

AIエンジニアリングの実績は、モデルメトリクス、インフラストラクチャの規模、データセットサイズ、ビジネスインパクトを含むことでATS競争力を獲得します。「機械学習モデルを構築」のような一般的な記述には、検索可能な差別化要素が含まれていません。

バレットフォーミュラ

[アクション動詞] + [ML成果物] + [フレームワーク/ツール] + [規模メトリクス] + [成果/インパクト]

改善前後の例

1. モデルトレーニング

• 改善前：「テキスト分類のためにディープラーニングモデルをトレーニングした」
• 改善後：「PyTorchで180万件のラベル付きドキュメントを使用してBERTベースのテキスト分類モデルをトレーニングし、F1スコアを0.76から0.93に向上させ、月間340アナリスト時間の手動レビュー作業を削減」

2. LLMデプロイメント

• 改善前：「言語モデルを本番環境にデプロイした」
• 改善後：「ファインチューニングしたLLaMA 2 13BモデルをAWS SageMaker上にTensorRT最適化でデプロイし、推論レイテンシをリクエストあたり340msから45msに削減。12,000人のデイリーアクティブユーザーに99.7%のアップタイムでサービスを提供」

3. RAGパイプライン

• 改善前：「AIを使ってチャットボットを構築した」
• 改善後：「LangChain、Pineconeベクトルデータベース、GPT-4を使用したRetrieval-Augmented Generationパイプラインを設計。45万件の内部ドキュメントをインデックス化し、専門家がラベル付けした2,000問のテストセットに対してドメイン固有クエリで91%の回答精度を達成」

4. コンピュータービジョン

• 改善前：「コンピュータービジョンプロジェクトに取り組んだ」
• 改善後：「PyTorchでYOLOv8ベースの欠陥検出システムを開発。NVIDIA A100上で1時間あたり2,400枚の製造画像を処理し、[email protected]で96.2%を達成。偽陽性率を8.3%から1.1%に削減し、手動検査コストを年間210万ドル削減」

5. MLOpsパイプライン

• 改善前：「MLインフラストラクチャを構築した」
• 改善後：「Kubeflow、MLflow、GitHub Actionsを使用してエンドツーエンドMLOpsパイプラインを構築。14の本番モデルのトレーニング、評価、デプロイメントを自動化し、モデル更新サイクルを3週間から48時間に短縮。Evidently AIによる自動ドリフト検出を実装」

6. データパイプライン

• 改善前：「機械学習のためにデータを処理した」
• 改善後：「Apache Sparkで日次2.3TBのクリックストリームデータを処理する特徴量パイプラインを構築。Feast特徴量ストアに保存される847の特徴量を生成し、トレーニングデータ準備時間を6時間から22分に短縮」

7. NLPシステム

• 改善前：「NLPモデルを構築した」
• 改善後：「spaCyとHugging Face Transformersを使用して8言語対応の多言語NERシステムを開発。50万件の臨床文書から23のエンティティタイプを抽出し、エンティティレベルF1 94.7%を達成。FastAPIマイクロサービスとしてデプロイし、毎分1,200リクエストを処理」

8. GPU最適化

• 改善前：「モデルトレーニング速度を最適化した」
• 改善後：「32台のNVIDIA A100 GPUにまたがるPyTorch FSDPを使用した分散トレーニングを実装。70億パラメータ言語モデルのトレーニング時間を14日から38時間に短縮し、混合精度（BF16）トレーニングにより78%のGPUクラスター使用率を達成」

9. レコメンデーションシステム

• 改善前：「レコメンデーションエンジンを構築した」
• 改善後：「TensorFlow Servingで日次4,500万ユーザーインタラクションを処理するツータワーニューラルレコメンデーションモデルを設計。クリック率を23%向上させ、P99レイテンシ50ms未満のリアルタイムパーソナライゼーションにより年間480万ドルの増分収益を達成」

10. ファインチューニングとアライメント

• 改善前：「言語モデルをファインチューニングした」
• 改善後：「8万5,000件のドメイン固有instruction-responseペアを使用してQLoRA（4ビット量子化）でMistral 7Bをファインチューニング。内部ベンチマークで12ポイントの改善を達成し、GPU メモリ要件を80GBから24GBに削減。単一NVIDIA A10Gインスタンス（0.38ドル/時間）でのデプロイメントを実現」

スキルセクション戦略

スキルセクションは、ATSマッチングのためのキーワード密度と、人間のレビュアーのためのクイックスキャンリファレンスという二重の目的を果たします。両方の対象者に向けて構成してください。

推奨フォーマット

スキルを単一ブロックにリストするのではなく、4〜5個のサブヘッダーの下にグループ化してください。これにより、ATSパース（明確なカテゴリ分け）と読みやすさの両方が向上します。

Deep Learning & MLフレームワーク: PyTorch、TensorFlow、JAX、Hugging Face Transformers、scikit-learn、XGBoost、ONNX、TensorRT

LLM・生成AI: LangChain、LlamaIndex、RAGパイプライン、ベクトルデータベース（Pinecone、Weaviate）、ファインチューニング（LoRA、QLoRA）、プロンプトエンジニアリング、RLHF

MLOps・インフラストラクチャ: Docker、Kubernetes、MLflow、Kubeflow、Weights & Biases、Ray、Airflow、GitHub Actions、Terraform

クラウドプラットフォーム: AWS（SageMaker、Bedrock、Lambda）、GCP（Vertex AI、TPU）、Azure ML

プログラミング・データ: Python、C++、SQL、Spark、Kafka、Pandas、NumPy、CUDA、Git

求人票を鏡写しにする

提出前に特定の求人票を読んでください。求人票が「Hugging Face」と記載している場合、「HF」だけでは書かないでください。ATSは概念的なマッチングではなく文字列マッチングを行います。求人票が「Retrieval-Augmented Generation」と記載している場合、「RAG」だけでなくその正確なフレーズを使用してください。「large language models」と記載されている場合、「LLM」と並べてその用語を使用してください。スペースが許す場合は、略語と正式名称の両方を含めてください：「Retrieval-Augmented Generation (RAG)」 ^[4:3]。

キーワードとしての認定資格

資格は、最初の出現時に略語と正式名称の両方を記載してください。Google Professional ML EngineerとAWS ML認定資格は2025年に競合する資格よりも40%多くの求人に出現しました ^[6:1]：

• AWS Certified Machine Learning Engineer - Associate — 2025年取得
• Google Cloud Professional Machine Learning Engineer — 2024年取得
• NVIDIA Certified Associate: Generative AI LLMs — 2025年取得
• DeepLearning.AI Deep Learning Specialization (Coursera) — 2023年修了
• MS in Computer Science, Machine Learning specialization — Stanford University, 2022

これにより、採用担当者が「AWS ML」「Machine Learning Engineer」、または完全な認定資格名のいずれで検索しても、ATSがマッチします。

AIエンジニアがよくするATSの間違い

1. バージョンやコンテキストなしにフレームワークを列挙する

スキルリストに「PyTorch」と書くだけでは、ATSにキーワードがあることは伝わりますが、採用担当者にはあなたの深さが何もわかりません。「PyTorch 2.0 — 4年以上の本番使用、分散トレーニング（FSDP）、カスタムデータセットパイプライン、TorchScriptモデルエクスポート」であれば、ATSキーワードを提供しながら習熟度を伝えます。ディープラーニングがAIエンジニアリング求人の28.1%に出現する中、フレームワークのコンテキストは、チュートリアルを1つ完了しただけの候補者とあなたの応募を区別します ^[5:5]。

2. 本番規模のメトリクスを省略する

「機械学習モデルを構築した」には差別化情報がゼロです。パラメータ数は？データセットサイズは？レイテンシは？スループットは？「30億パラメータのモデルを50万サンプルでトレーニングし、P95レイテンシ42msで毎分8,000リクエストを処理」というバレットには8つの追加検索可能用語が含まれ、スタートアップ規模なのかエンタープライズ規模なのかを即座に伝えます。規模メトリクスは、AIエンジニアリングにおける収益数字に相当します。

3. 研究論文のフォーマットを使用する

学術CVはLaTeX、マルチカラムレイアウト、密な参考文献を使用します。ATSはこれらのいずれも確実にパースできません。研究から産業界に転職する場合は、標準的なセクションヘッダーを持つシングルカラムのWord文書で履歴書を作り直してください。出版物リストはシンプルなバレット形式に移行してください：BibTeXフォーマットではなく「First Author, 'Efficient Attention Mechanisms for Long-Context Generation,' NeurIPS 2024」と記載します。

4. ML研究スキルとMLエンジニアリングスキルを混同する

「勾配降下法」「誤差逆伝播法」「損失関数設計」をリストアップすることは、学術的知識を示しますが、エンジニアリング能力を示しません。AIエンジニアリングの採用担当者はデプロイメント用語でフィルタリングします：「model serving」「CI/CD for ML」「A/Bテスト」「モニタリング」「feature store」「レイテンシ最適化」。理論に偏り、MLOps用語が欠けている履歴書は、本番志向のエンジニアを特に求める業界求人の75%からフィルタリングされます ^[5:6]。

5. すべてのAI職種に同じ履歴書を提出する

NLPエンジニアのキーワードプロファイルとコンピュータービジョンエンジニアのキーワードプロファイルは、候補者が想定するほど重複しません。「トークン化」「アテンションメカニズム」「BLEUスコア」はNLP用語です。「mAP」「IoU」「アンカーボックス」はCV用語です。「MLOpsエンジニア」は「Kubernetes」「モデルレジストリ」「ドリフト検出」を検索します。これらすべてをリストアップすると、どの単一の求人に対しても関連性スコアが低下します。特定のサブドメインに合わせてカスタマイズしてください。

6. GitHubと出版物を1ページ目より下に埋める

AIエンジニアリングの採用担当者は、GitHubの貢献履歴と出版物を主要な資格シグナルとしてチェックします。GitHubのURLとトップの出版物が2ページ目に表示される場合、先に表示されるコンテンツを重視するATSランキングアルゴリズムがそれらを優先度を下げる可能性があります。GitHub、Google Scholar、およびトップ2〜3の出版物を連絡先ヘッダー領域またはプロフェッショナルサマリーの直後に配置してください。

7. 技術アーキテクチャにグラフィックを使用する

システムアーキテクチャ図、モデル比較チャート、トレーニング曲線はATSには見えません。埋め込み画像からテキストは一切抽出されません。視覚的な表現を説明的なテキストに置き換えてください：「3つのmodel-servingエンドポイント（レコメンデーション、分類、抽出）をAPIゲートウェイの背後に配置したマイクロサービスアーキテクチャを設計し、12のKubernetesポッドで水平オートスケーリングにより日次4,500万リクエストを処理」。

ATS対応プロフェッショナルサマリーの例

プロフェッショナルサマリーには、最も価値の高いキーワード、経験年数、専門分野、本番コンテキストを含む3〜5文を詰め込む必要があります。一部のプラットフォームでは、ATSはドキュメントの早い段階に出現するコンテンツにより高い重みを付けます ^[4:4]。

エントリーレベル：MLエンジニア（0〜2年）

Machine Learning Engineer with 2 years of experience building and deploying deep learning models in PyTorch and TensorFlow. Developed NLP classification pipeline processing 200K documents using Hugging Face Transformers and deployed to AWS SageMaker with Docker containerization, achieving 91% accuracy on production workload. Proficient in Python, SQL, MLflow experiment tracking, and Git-based ML workflows. MS in Computer Science with published research on efficient transformer fine-tuning (AAAI 2025). AWS Certified Machine Learning Engineer - Associate.

PyTorchとTensorFlowでディープラーニングモデルの構築・デプロイメントに2年の経験を持つMachine Learning Engineerです。Hugging Face Transformersを使用して20万件のドキュメントを処理するNLP分類パイプラインを開発し、Dockerコンテナ化でAWS SageMakerにデプロイし、本番ワークロードで91%の精度を達成しました。Python、SQL、MLflow実験追跡、GitベースのMLワークフローに精通しています。コンピューターサイエンス修士号を持ち、効率的なtransformerファインチューニングに関する研究を発表しています（AAAI 2025）。AWS Certified Machine Learning Engineer - Associate。

ミッドキャリア：シニアAIエンジニア（3〜6年）

Senior AI Engineer with 5 years of experience designing and deploying production ML systems across NLP, recommendation, and generative AI applications. Led development of RAG-based enterprise search platform using LangChain, Pinecone, and GPT-4 serving 15,000 daily active users at sub-200ms latency. Built end-to-end MLOps pipelines in Kubernetes with MLflow, Airflow, and automated model retraining handling 14 production models. Experienced in PyTorch distributed training across multi-GPU clusters (NVIDIA A100), reducing training costs by 40% through mixed-precision optimization. Google Cloud Professional Machine Learning Engineer.

NLP、レコメンデーション、生成AIアプリケーションにわたる本番MLシステムの設計・デプロイメントに5年の経験を持つSenior AI Engineerです。LangChain、Pinecone、GPT-4を使用したRAGベースのエンタープライズ検索プラットフォームの開発をリードし、200ms未満のレイテンシで15,000人のデイリーアクティブユーザーにサービスを提供しました。Kubernetes上でMLflow、Airflow、自動モデル再トレーニングによるエンドツーエンドMLOpsパイプラインを構築し、14の本番モデルを管理しました。マルチGPUクラスター（NVIDIA A100）でのPyTorch分散トレーニングの経験があり、混合精度最適化によりトレーニングコストを40%削減しました。Google Cloud Professional Machine Learning Engineer。

シニア：Staff AIエンジニア / MLアーキテクト（7年以上）

Staff AI Engineer with 9 years of experience leading ML platform architecture and AI strategy for enterprise-scale systems processing 200M+ daily predictions. Directed team of 12 ML engineers building foundation model infrastructure on AWS (SageMaker, Bedrock) supporting 6 product teams and reducing model deployment time from 4 weeks to 2 days through standardized MLOps tooling. Architected distributed training platform using PyTorch FSDP and Ray across 128 NVIDIA H100 GPUs, training custom 13B-parameter domain model achieving state-of-the-art performance on 3 internal benchmarks. Published 8 papers at NeurIPS, ICML, and ACL with 1,200+ citations. AWS Certified Machine Learning Engineer, NVIDIA Certified Associate: Generative AI LLMs. MS in Computer Science (Machine Learning), Stanford University.

2億件以上の日次予測を処理するエンタープライズ規模システムのMLプラットフォームアーキテクチャとAI戦略をリードして9年の経験を持つStaff AI Engineerです。12名のMLエンジニアチームを指揮し、AWS（SageMaker、Bedrock）上でファウンデーションモデルインフラストラクチャを構築。6つのプロダクトチームをサポートし、標準化されたMLOpsツーリングによりモデルデプロイメント時間を4週間から2日に短縮しました。PyTorch FSDPとRayを使用して128台のNVIDIA H100 GPUにまたがる分散トレーニングプラットフォームを設計し、3つの内部ベンチマークでstate-of-the-artの性能を達成するカスタム130億パラメータのドメインモデルをトレーニングしました。NeurIPS、ICML、ACLで8本の論文を発表し、1,200以上の被引用数を獲得。AWS Certified Machine Learning Engineer、NVIDIA Certified Associate: Generative AI LLMs。コンピューターサイエンス修士号（Machine Learning）、Stanford University。

よくある質問

使用したすべてのMLフレームワークとライブラリをリストすべきですか？

本番経験または実質的なプロジェクト作業のあるフレームワークとライブラリをリストしてください。一度インポートしただけのパッケージはすべてリストする必要はありません。ATSは習熟度に関係なくキーワードをマッチングしますが、人間のレビュアーは面接であなたが主張するスキルを深掘りします。高優先度のキーワード（PyTorch、TensorFlow、Hugging Face Transformers）には簡単なコンテキストを追加してください：「PyTorch — 4年以上、分散トレーニング、カスタムモデルアーキテクチャ、TorchScriptデプロイメント」。セカンダリツール（pandas、NumPy、matplotlib）は、コンテキストなしのグループリストで十分です。ターゲットとする特定の求人票に出現するツールを優先してください ^[4:5][5:7]。

ML研究とMLエンジニアリングの区別を履歴書でどう扱えばよいですか？

どちらの役割を担っているかを明確にしてください。求人票が「ML Engineer」と記載している場合は、デプロイメントと本番メトリクスをリードしてください：提供したモデル数、レイテンシ、スループット、アップタイム、インフラストラクチャの規模。研究経験を補助的証拠として位置づけます：「効率的なアテンションメカニズムを発表（NeurIPS 2024）、その後日次1,200万リクエストを処理する本番レコメンデーションシステムにデプロイ」。求人票が「ML Research Scientist」と記載している場合は、出版物、新規貢献、ベンチマーク結果をリードし、エンジニアリングスキルを実行能力として言及してください。ATSキーワードプロファイルはこれらの役割間で大きく異なります。「model serving」と「Kubernetes」がエンジニアリング求人を支配し、「novel architecture」と「state-of-the-art」が研究求人を支配します ^[7:1]。

リストするクラウドプラットフォームはATSランキングに影響しますか？

ATSは求人票に存在するプラットフォーム名をマッチングします。AWS SageMaker、Google Vertex AI、Azure MLは3つの異なるキーワードクラスターです。Azureの経験のみをリストした履歴書は、「SageMaker」を検索する求人にマッチしません。マルチクラウドの経験がある場合は、すべてのプラットフォームをリストしてください。シングルクラウドの経験の場合は、プラットフォームが一致する求人に応募し、2番目のクラウドプロバイダーの認定資格取得を検討してください。AWSがAI求人で32.9%をリードし、Azureが26%で続きます ^[5:8]。サービス名と親プラットフォームの両方を含めてください：「SageMaker」だけでなく「AWS SageMaker」と記載し、両方の用語でのマッチングを確保してください。

GitHubプロフィールとオープンソース貢献を含めるべきですか？

連絡先ヘッダーにGitHub URLをプレーンテキストとして含めてください。ATSはURLを検索可能な文字列として保存しますが、リポジトリをクロールすることはできません。より重要なのは、GitHubの貢献を履歴書のコンテンツに翻訳することです。「Hugging Face Transformersのコントリビューター（マージ済みPR 3件：アテンションマスク計算を最適化し、メモリ割り当てを15%削減）」は、ATSキーワード（Hugging Face、Transformers、attention mask、メモリ最適化）を提供しながら、オープンソースへの関与を示します。スター数やフォロワー数はATSには無関係ですが、注目に値する場合（個人プロジェクトで1,000以上のスター）は人間のレビュアーの目を引く可能性があります。

認定資格と修士号をどのように提示すべきですか？

どちらもATSキーワードであり、どちらも重要ですが、シグナルは異なります。コンピューターサイエンス、機械学習、AIの修士号は、基礎知識と研究能力を示します。クラウド認定資格（AWS ML Engineer、Google Professional ML Engineer）は、特定のプラットフォームでの本番デプロイメントスキルを示します。両方をリストしてください。エントリーレベルの候補者にとっては、通常、修士号が認定資格よりも重要です。ミッドキャリアおよびシニア候補者にとっては、現在の認定資格が継続的なスキル投資を示します。GoogleとAWSのML認定資格は2025年に競合する資格よりも40%多くの求人に出現しました ^[6:2]。期限切れの認定資格は削除してください。スキルの失効を示唆します。

キャリアステージ別のAIエンジニアに適切な履歴書の長さは？

経験年数3年未満で出版物のない候補者は1ページです。3年以上の本番ML経験、発表された研究、または重要なオープンソース貢献がある場合は2ページです。ATSは長さにペナルティを課しませんが、人間のレビュアーはペナルティを課します。Jobscanのデータによると、採用担当者は初回スキャンに平均6〜7秒を費やします。インターンシップ1回のジュニアエンジニアの2ページ履歴書は、編集力の不足を示唆します。9年の経験、8本の出版物、マルチチームのプラットフォームアーキテクチャを持つStaffエンジニアの1ページ履歴書は、深さの欠如を示唆します。出版物がある場合は、CV形式の完全な書誌リストではなく、最も関連性の高い3〜5本のみを含めてください ^[4:6]。

データサイエンスからAIエンジニアリングへの転職で、履歴書をどう最適化すべきですか？

重複するキーワードを特定し、それらをリードしてください：Python、モデルトレーニング、評価メトリクス、実験追跡、SQL、特徴量エンジニアリング。次に、求人票からAIエンジニアリング固有の用語を追加してください：「model deployment」「inference optimization」「Docker」「Kubernetes」「API design」「latency」「throughput」。データサイエンスの役割からの本番に近い作業を定量化してください：500人のユーザーにサービスを提供するダッシュボード、スケジュールされたバッチパイプラインで実行されるモデル、統計的厳密さを持つA/Bテスト。強力な転職履歴書は、データサイエンスの作業をエンジニアリングのレンズを通して再構成します：「Jupyterノートブックで予測モデルを構築した」ではなく「Flask APIを介してXGBoostモデルを本番環境にデプロイし、日次2,000件の予測を提供」と記載します。

ResumeGeniでATS最適化された履歴書を作成 — 無料で始めましょう。

参考文献: