AIエンジニアの履歴書ATS最適化チェックリスト

AIエンジニアの履歴書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・情報研究者（SOC 15-1221）の雇用が2034年までに20%増加すると予測しています。これは全職種平均の3%の約7倍にあたり、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、スタンフォード大学のAI Index Reportによると、AI関連の求人は2023年から2024年にかけて全米求人の1.4%から1.8%に増加し、Pythonがそれらの求人で最も求められる専門スキルとして挙げられています [^3]。この急増は、1つのポジションへの応募者の増加、より積極的なATSキーワードフィルタリング——Jobscanの2025年調査によると、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%がスキルでのフィルタリングから検索を開始しています [^4]——そして、採用担当者があなたのTransformerアーキテクチャの専門知識を読む前にソフトウェアによって却下される履歴書の増加を意味します。

このチェックリストでは、機械学習、深層学習、NLP、コンピュータビジョン、生成AI、MLOpsに携わるAIエンジニア特有のATSパース規則、キーワード戦略、フォーマット要件、最適化手法を解説します。

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%に出現しています。「深層学習フレームワーク」とだけ記載してフレームワーク名を書かなければ、両方のキーワードマッチを逃すことになります [^5]。
• 定量化されたモデル性能がランク付けされる履歴書と却下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（230万のラベル付きサンプル）、GPU使用率（78%のクラスタ効率）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。研究スキルのみを記載し本番デプロイメント経験がない候補者は、業界の大半の職種からフィルタリングされます [^5]。
• クラウド認定資格は高いシグナルの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40%多くの求人に出現しました [^6]。
• フォーマットの遵守が無言の却下を防ぎます。 表、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パーサーがフィールドの割り当てを混乱させたり、セクションを完全に消失させたりする原因となります。あなたのCUDA最適化の実績は、誰にも読まれることなく消えてしまいます [^4]。

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、および現行のフレームワーク・プラットフォーム文書から収集されています [^5][^7][^8]。履歴書ではフラットなブロックではなく、カテゴリごとに整理してください。

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/シェルスクリプト [^5]

深層学習フレームワーク: 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]

MLOps・インフラ: 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]

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、分散学習（DeepSpeed、FSDP、Horovod）、混合精度学習（FP16/BF16）、モデル並列化、データ並列化

ソフトスキル

部門横断コラボレーション（プロダクト、エンジニアリング、データサイエンス）、技術文書作成、研究論文の実装、関係者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育成、Agile/Scrum手法、テクニカルライティング、カンファレンス発表

業界用語・方法論

コアML概念: 教師あり学習、教師なし学習、強化学習、転移学習、少数ショット学習、ゼロショット学習、自己教師あり学習、対照学習、アテンション機構、Transformerアーキテクチャ、畳み込みニューラルネットワーク（CNN）、回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（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・指標: 精度、再現率、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、上から下へ順番に読み取り、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]。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がこれらを解釈できないため、特有のパースリスクに直面します。

ファイル形式

求人が明示的にPDFを要求しない限り、.docxで提出してください。Wordドキュメントは、すべての主要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が読み取る基盤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ことがあります。

レイアウト構成

• シングルカラムのみ。 2カラムレイアウトは、ATSが左右のコンテンツを交互に読み取る原因となります。Pythonライブラリを一覧表示するサイドバーが職歴と並んでいると、予測不能な形でマージされます。
• 表、テキストボックス、グラフィックは不可。 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表を頻繁に使用しますが、ATSはテーブルセルを予測不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。 氏名、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%がパース時にヘッダー/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。 「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」のような非標準の見出しは避けてください。
• コードブロックや数式表記は不可。 ATSはインラインコードフォーマット、LaTeX数式、Unicode数学記号をパースできません。モデルアーキテクチャ表記を埋め込む代わりに「70億パラメータのTransformerモデルを学習」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。余白は最低0.5インチです。圧縮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名のみに使用し、重要なキーワードには斜体を避けてください。一部のOCRレイヤーが斜体文字を誤読するためです。

氏名・資格ヘッダー

ドキュメント本文の最初の行に、氏名と資格を以下のように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り込みます。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。

職務経歴の最適化

AIエンジニアリングの実績は、モデル指標、インフラスケール、データセットサイズ、ビジネスインパクトを含めることでATS競争力を持ちます。「機械学習モデルを構築した」のような一般的な記述には、検索可能な差別化要素がありません。

箇条書きの公式

[アクション動詞] + [ML成果物] + [フレームワーク/ツール] + [スケール指標] + [成果/インパクト]

改善前・改善後の例

1. モデル学習

• 改善前：「テキスト分類のための深層学習モデルを学習した」
• 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学習し、F1スコアを0.76から0.93に向上させ、手動レビューの作業量を月あたり340アナリスト時間削減した」

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済み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%の稼働率で提供した」

3. RAGパイプライン

• 改善前：「AIを使用し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を使用してRetrieval-Augmented Generationパイプラインを設計し、45万件の社内ドキュメントをインデックス化、専門家がラベル付けした2,000件の質問テストセットに対してドメイン固有のクエリで91%の回答精度を達成した」

4. コンピュータビジョン

• 改善前：「コンピュータ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し、NVIDIA A100上で1時間あたり2,400枚の製造画像を処理、[email protected]で96.2%を達成し、偽陽性率を8.3%から1.1%に削減、年間210万ドルの手動検査コストを節約した」

5. MLOpsパイプライン

• 改善前：「MLインフラを構築した」
• 改善後：「Kubeflow、MLflow、GitHub Actionsを使用してエンドツーエンドのMLOpsパイプラインを構築し、14の本番モデルのモデル学習、評価、デプロイメントを自動化、Evidently AIによる自動ドリフト検出でモデル更新サイクルを3週間から48時間に短縮した」

6. データパイプライン

• 改善前：「機械学習用のデータを処理した」
• 改善後：「Apache Sparkで1日あたり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し、847の特徴量を生成してFeast特徴量ストアに格納、学習データ準備時間を6時間から22分に短縮した」

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システムを開発し、50万件の臨床文書から23種のエンティティを抽出、エンティティレベルのF1で94.7%を達成し、FastAPIマイクロサービスとして毎分1,200リクエストを処理するデプロイメントを実現した」

8. GPU最適化

• 改善前：「モデル学習速度を最適化した」
• 改善後：「32台のNVIDIA A100 GPUでPyTorch FSDPを使用した分散学習を実装し、70億パラメータの言語モデルの学習時間を14日から38時間に短縮、混合精度（BF16）学習により78%のGPUクラスタ使用率を達成した」

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し、1日あたり4,500万のユーザーインタラクションを処理、P99レイテンシ50ms以下のリアルタイムパーソナライゼーションでクリックスルー率を23%向上、年間480万ドルの増分収益を実現した」

10. ファインチューニング・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：「QLoRA（4ビット量子化）を使用してMistral 7Bを85,000件のドメイン固有の指示・応答ペアでファインチューニングし、社内ベンチマークで12ポイントの向上を達成、GPUメモリ要件を80GBから24GBに削減し、1台の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した」

スキルセクションの戦略

スキルセクションには2つの役割があります。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参照です。両方のオーディエンスに向けて構成してください。

推奨フォーマット

スキルを単一のブロックではなく、4〜5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）と可読性の両方が向上します。

深層学習・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: 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

求人票のミラーリング

提出前に具体的な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」だけでは不十分です。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は、「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は、「LLM」とともにその用語を使用してください。スペースが許す限り、省略形と正式名称の両方を含めてください：「Retrieval-Augmented Generation（RAG）」[^4]。

キーワードとしての認定資格

初出時には省略形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40%多くの求人に出現しました [^6]：

• 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年

これにより、採用担当者が「AWS ML」「Machine Learning Engineer」またはフルの認定資格名で検索した場合でもATSがマッチします。

AIエンジニアが犯しやすい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羅列する

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を伝えますが、採用担当者にあなたの深さについて何も伝えません。「PyTorch 2.0 — 4年以上の本番使用、分散学習（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」はATSキーワードを提供しつつ、習熟度を伝えます。深層学習がAIエンジニアリング求人の28.1%に出現している中、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の差別化を図ります [^5]。

2. 本番スケール指標の省略

「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？「30億パラメータモデルを50万サンプルで学習し、42ms P95レイテンシで毎分8,000リクエストを処理」という箇条書きには8つの追加検索可能な用語が含まれ、シニアリティレベルを即座に伝えます。スケール指標はAIエンジニアリングにおける収益数字に相当し、スタートアップレベルかエンタープライズレベルかを示します。

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、密な参考文献リストを使用します。ATSはこれらを確実にパースできません。研究から業界に転身する場合は、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ドキュメントで履歴書を再構築してください。出版物リストはシンプルな箇条書き形式に変更してください：BibTeXフォーマットではなく「筆頭著者、'Efficient Attention Mechanisms for Long-Context Generation,' NeurIPS 2024」。

4. ML研究スキルとMLエンジニアリングスキルの混同

「勾配降下法」「誤差逆伝播」「損失関数設計」のリストは学術的な知識を示しますが、エンジニアリング能力を示しません。AIエンジニアリング職種を検索する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：「モデルサービング」「CI/CD for ML」「A/Bテスト」「モニタリング」「特徴量ストア」「レイテンシ最適化」。理論に偏重しMLOps用語が欠如した履歴書は、本番志向のエンジニアを求める業界求人の75%からフィルタリングされます [^5]。

5. すべてのAI職種に同一の履歴書を提出する

NLPエンジニアのキーワードプロフィールとコンピュータビジョンエンジニアのキーワードプロフィールは、候補者が想定するほど重複していません。「トークン化」「アテンション機構」「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。これらすべてを記載した履歴書は、個々の求人に対する関連性スコアを希薄化します。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ページ目以降に埋もれさせる

AIエンジニアリングの採用担当者は、GitHubのコントリビューション履歴と出版物を主要な資格シグナルとして確認します。GitHubのURLと上位の出版物が2ページ目に記載されている場合、前方に出現するコンテンツを重み付けするATSランキングアルゴリズムがそれらの優先度を下げる可能性があります。GitHub、Google Scholar、上位2〜3件の出版物は、連絡先ヘッダーエリア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、学習曲線はATSにとって不可視です。システムは埋め込み画像からテキストを一切抽出しません。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：「APIゲートウェイの背後に3つのモデルサービングエンドポイント（レコメンデーション、分類、抽出）を持つマイクロサービスアーキテクチャを設計し、12のKubernetes Podで水平オートスケーリングにより1日あたり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詰め込んだ3〜5文を含めてください。一部のプラットフォームでは、ATSはドキュメントの前方に出現するコンテンツにより高い重み付けを行います [^4]。

エントリーレベル：MLエンジニア（0〜2年）

PyTorchとTensorFlowで深層学習モデルの構築・デプロイメントに2年の経験を持つ機械学習エンジニアです。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、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ベースのワークフローに精通しています。効率的なTransformerファインチューニングに関する研究を発表（AAAI 2025）したコンピュータサイエンス修士号取得者です。AWS Certified Machine Learning Engineer - Associate保有。

ミッドキャリア：シニアAIエンジニア（3〜6年）

NLP、レコメンデーション、生成AIアプリケーション全般で本番MLシステムの設計・デプロイメントに5年の経験を持つシニアAIエンジニアです。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、15,000人のデイリーアクティブユーザーに200ms以下のレイテンシで提供しました。Kubernetes上でMLflow、Airflow、自動モデル再学習を含むエンドツーエンドのMLOpsパイプラインを構築し、14の本番モデルを管理しています。マルチGPUクラスタ（NVIDIA A100）でのPyTorch分散学習の経験があり、混合精度最適化により学習コストを40%削減しました。Google Cloud Professional Machine Learning Engineer保有。

シニア：スタッフAIエンジニア / MLアーキテクト（7年以上）

1日あたり2億件以上の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戦略のリードに9年の経験を持つスタッフAIエンジニアです。12名のMLエンジニアチームを率いてAWS（SageMaker、Bedrock）上に基盤モデルインフラストラクチャを構築し、6つのプロダクトチームをサポート、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間の分散学習プラットフォームを設計し、3つの社内ベンチマークで最先端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学習しました。NeurIPS、ICML、ACLで8本の論文を発表し、1,200件以上の引用があります。AWS Certified Machine Learning Engineer、NVIDIA Certified Associate: Generative AI LLMs保有。MS in Computer Science（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記載すべきですか？

本番経験または実質的なプロジェクト作業があるフレームワークとライブラリを記載してください。一度インポートしただけのパッケージは含めないでください。ATSは習熟度に関係なくキーワードをマッチしますが、人間のレビュアーは面接であなたの申告スキルを深堀りします。優先度の高いキーワード（PyTorch、TensorFlow、Hugging Face Transformers）には簡潔なコンテキストを追加してください：「PyTorch — 4年以上、分散学習、カスタムモデルアーキテクチャ、TorchScriptデプロイメント」。二次的なツール（pandas、NumPy、matplotlib）にはコンテキストなしのグループ化リストで十分です。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]。

履歴書でML研究とMLエンジニアリングの区別をどう扱えばよいですか？

どちらの役割かを明確に示してください。求人票が「MLエンジニア」と記載している場合は、デプロイメントと本番指標をリードに：提供モデル、レイテンシ、スループット、稼働率、インフラスケール。研究経験は裏付けとして位置づけてください——「効率的なアテンション機構を発表（NeurIPS 2024）、その後1日あたり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リサーチサイエンティスト」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に、エンジニアリングスキルは実行能力として言及してください。ATSキーワードプロフィールはこれらの職種間で大きく異なります。「モデルサービング」と「Kubernetes」はエンジニアリング求人で支配的であり、「新規アーキテクチャ」と「最先端」は研究求人で支配的です [^7]。

記載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は求人票に記載されているプラットフォーム名をマッチします。AWS SageMaker、Google Vertex AI、Azure MLは3つの異なるキーワードクラスタです。Azure経験のみを記載した履歴書は「SageMaker」を検索する求人にマッチしません。マルチクラウド経験がある場合はすべてのプラットフォームを記載してください。シングルクラウド経験の場合は、プラットフォームが一致する求人に応募し、第2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はAI求人で32.9%のシェアをリードし、Azureが26%で続きます [^5]。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」とすることで、両方の用語でマッチが確保されます。

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？

GitHub URLをプレーンテキストとして連絡先ヘッダーに含めてください。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の貢献を履歴書コンテンツに変換することです。「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の最適化によりメモリ割り当てを15%削減）」は、ATSキーワード（Hugging Face、Transformers、アテンションマスク、メモリ最適化）を提供しつつ、オープンソースへの参加を示します。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スター以上）は人間のレビュアーの注意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、異なるシグナルを発します。コンピュータサイエンス、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。両方を記載してください。エントリーレベルの候補者の場合、修士号が認定資格より一般的に重視されます。ミッドキャリアおよびシニアの候補者の場合、最新の認定資格は継続的なスキル投資を示します。GoogleとAWS ML認定資格は2025年に競合する資格より40%多くの求人に出現しました [^6]。期限切れの認定資格はスキルの失効を示唆するため、削除すべきです。

AIエンジニアのキャリアステージ別に適切な履歴書の長さは？

経験3年未満で出版物がない候補者は1ページです。本番ML経験3年以上、出版された研究、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。インターンシップが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、マルチチームプラットフォームアーキテクチャを持つスタッフエンジニアの1ページ履歴書は深さの不足を示唆します。出版物がある場合は、完全なCV形式の文献目録ではなく、最も関連性の高い3〜5件のみを含めてください [^4]。

データサイエンスからAIエンジニアリングに転身する場合、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、それらをリードにしてください：Python、モデル学習、評価指標、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：「モデルデプロイメント」「推論最適化」「Docker」「Kubernetes」「API設計」「レイテンシ」「スループット」。データサイエンスの役割から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、統計的厳密性を持つA/Bテスト。優れた転身履歴書はデータサイエンスの仕事をエンジニアリングの視点で再構成します：「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、1日あたり2,000件の予測を提供した」。

参考文献：

[^1]: Bureau of Labor Statistics, "Computer and Information Research Scientists," Occupational Outlook Handbook, https://www.bls.gov/ooh/computer-and-information-technology/computer-and-information-research-scientists.htm

[^2]: Bureau of Labor Statistics, "Occupational Employment and Wages, May 2024 — 15-1221 Computer and Information Research Scientists," https://www.bls.gov/oes/current/oes151221.htm

[^3]: Stanford University Human-Centered AI Institute, "Artificial Intelligence Index Report 2025," https://hai.stanford.edu/ai-index/2025

[^4]: Jobscan, "The State of the Job Search in 2025," https://www.jobscan.co/state-of-the-job-search

[^5]: 365 Data Science, "AI Engineer Job Outlook 2025: Trends, Salaries, and Skills," https://365datascience.com/career-advice/career-guides/ai-engineer-job-outlook-2025/

[^6]: Nucamp, "Top 10 AI Certifications Worth Getting in 2026 (ROI + Career Impact)," https://www.nucamp.co/blog/top-10-ai-certifications-worth-getting-in-2026-roi-career-impact

[^7]: O*NET OnLine, "15-1221.00 — Computer and Information Research Scientists," https://www.onetonline.org/link/summary/15-1221.00

[^8]: Flex.ai, "The State of AI Hiring in 2025: Insights from 3,000 Job Listings," https://www.flex.ai/blog/the-state-of-ai-hiring-in-2025-insights-from-3-000-job-listings

[^9]: TopResume, "ATS Resume Formatting Research — 25% of ATS Fail to Read Header/Footer Content," https://www.topresume.com/career-advice/what-is-an-ats-resume