senior-ml-engineer

シニア ML エンジニニア

モデルのデプロイ、MLOps インフラストラクチャ、LLM 統合のための本番環境向け ML エンジニアリングパターンです。

主な機能

• モデルのデプロイ — ONNX／TorchScript／SavedModel へのエクスポート、コンテナ化、カナリアリリースを行い、p95<100ms／エラー率<0.1%のゲートを設けて、FastAPI、Triton、TF Serving、TorchServe、Ray Serve 経由で提供します。
• MLOps パイプライン — 特徴量ストア（Feast／Tecton）、実験管理（MLflow／W&B）、モデルレジストリ、A/B テスト、ドリフトをトリガーとする再学習に対応します。
• LLM 統合 — プロバイダーの抽象化、指数バックオフによる再試行／フォールバック、トークン数のカウント、レスポンスのキャッシュ、コスト管理、Pydantic による出力検証に対応します。
• RAG システム — ベクトルデータベースの選定、チャンク分割戦略、取り込み、検索、再ランキングに対応します。
• モデルの監視 — レイテンシ／エラーの追跡、入力ドリフト検出（KS 検定、PSI）、予測変化アラート、自動再学習トリガーに対応します。

使用する場面

• 学習済みモデルを、本番環境にカナリアリリースと監視を導入してデプロイする場合。
• MLOps インフラストラクチャ（特徴量ストア、レジストリ、再学習）を構築する場合。
• プロバイダーの抽象化とコスト管理を備えて LLM API を統合する場合。
• RAG パイプライン（ベクトル DB ＋ チャンク分割 ＋ 検索 ＋ 再ランキング）を構築する場合。
• ドリフト検出とモデルの健全性に関するアラートを設定する場合。

まず確認すること

成果物を生成する前に、次の入力内容を確認してください。不明または曖昧な項目があれば、推測せずに質問してください。

• タスク — モデルのデプロイ／RAG パイプラインの構築／監視の設定（スクリプトとワークフローを選択します）
• 提供先とリリース方式 — コンテナか K8s か、カナリアリリースか直接リリースか（生成する Dockerfile／マニフェストとヘルスゲートを決定します）
• モデルまたはデータのインターフェース — 入出力の契約、および RAG の場合はコーパスとベクトルストア（スキャフォールドの構成を決定します）

停止ルール：出力を最も大きく左右する 2～3 項目だけを質問してください。ユーザーが「とりあえず草案を作って」と言った場合は、そのまま進め、成果物の先頭に前提を列挙してください。

ツール

ツール	目的	コマンド
model_deployment_pipeline.py	デプロイ成果物（Dockerfile、K8s マニフェスト、ヘルスチェック）を生成します	python scripts/model_deployment_pipeline.py --input <path> --output <path> [--config <file>]
rag_system_builder.py	ベクトルストアと検索ロジックを備えた RAG パイプラインのスキャフォールドを作成します	python scripts/rag_system_builder.py --input <path> --output <path> [--config <file>]
ml_monitoring_suite.py	ドリフト検出、アラート、ダッシュボードを設定します	python scripts/ml_monitoring_suite.py --input <path> --output <path> [--config <file>]

すべてのツールは --verbose／-v に対応し、JSON（status、start_time、end_time、processed_items）を標準出力に出力します。フラグの詳細はreferences/tool-reference.mdを参照してください。

参照資料

タスクに合った参照資料を読み込みます。このファイルは簡潔に保ち、必要に応じて詳細を確認してください。

• references/production-ml-workflows.md — 5 つの手順を追ったワークフロー（モデルのデプロイ、MLOps のセットアップ、LLM の統合、RAG、監視）。すべてのコードテンプレート、サービング／ベクターデータベース／チャンク分割の各種表、トラブルシューティングマトリクス、成功基準が含まれています。ワークフローを実行するときに読みます。
• references/tool-reference.md — 3 つのスクリプトのすべてのフラグ／パラメーターの表と出力形式。ツールをスクリプトから実行するときに読みます。
• references/mlops_production_patterns.md — Kubernetes マニフェストを使ったモデルデプロイパイプライン、Feast の例を使った特徴量ストアのアーキテクチャ、ドリフト検出コードを使ったモデル監視、トラフィック分割を使った A/B テスト、MLflow を使った自動再トレーニング。MLOps インフラを構築するときに読みます。
• references/llm_integration_guide.md — プロバイダー抽象化レイヤー、tenacity を使った再試行／フォールバック、プロンプトテンプレート（少数ショット、CoT）、tiktoken を使ったトークン最適化、コストの計算と追跡。LLM を統合するときに読みます。
• references/rag_system_architecture.md — RAG パイプラインの実装コード、ベクターデータベースの比較／統合、チャンク分割戦略、埋め込みモデルの選定、ハイブリッド検索と再ランキング。RAG システムを構築するときに読みます。

対象範囲と制限事項

このスキルの対象範囲：

• エンドツーエンドのモデルデプロイパイプライン（パッケージ化、コンテナ化、サービング、カナリアリリース）
• MLOps インフラのセットアップ（特徴量ストア、実験追跡、モデルレジストリ、再トレーニング）
• LLM の統合パターン（プロバイダー抽象化、再試行、キャッシュ、コスト追跡）
• RAG システムのアーキテクチャ（ベクターデータベース、チャンク分割、検索、再ランキング）

このスキルの対象外：

• モデルのトレーニングアルゴリズムやハイパーパラメーターの調整（senior-data-scientist を参照）
• 生データのパイプライン構築や ETL オーケストレーション（senior-data-engineer を参照）
• プロンプトエンジニアリング手法、少数ショット設計、プロンプト最適化（senior-prompt-engineer を参照）
• 画像／動画モデルのアーキテクチャやコンピュータービジョン推論の最適化（senior-computer-vision を参照）

統合ポイント

スキル	統合	データフロー
senior-data-scientist	デプロイ用に、トレーニング済みモデルと評価指標を受け取ります	データサイエンティストがモデルのアーティファクトとベースライン指標をエクスポートし、ML エンジニアがパッケージ化してデプロイします
senior-data-engineer	特徴量パイプラインとデータ品質の出力を利用します	データエンジニアが ETL と特徴量パイプラインを構築し、ML エンジニアがサービング用に特徴量ストアからデータを読み取ります
senior-prompt-engineer	プロンプトワークフロー用の LLM サービングインフラを提供します	プロンプトエンジニアがプロンプトを設計し、ML エンジニアがプロバイダー抽象化をデプロイしてコスト／レイテンシーを管理します
senior-devops	モデルサービングに CI/CD と Kubernetes インフラを活用します	DevOps エンジニアがクラスターとパイプラインを管理し、ML エンジニアがデプロイマニフェストとヘルスチェックを定義します
senior-computer-vision	共通のサービングインフラを通じてビジョンモデルをデプロイします	CV エンジニアがモデルをトレーニングしてエクスポートし、ML エンジニアが Triton／TorchServe のデプロイと監視を担当します
senior-security	モデルコンテナと API エンドポイントにセキュリティスキャンを適用します	セキュリティエンジニアがコンテナイメージとエンドポイントの認証を確認し、ML エンジニアが昇格前に検出事項を修正します

---

最終更新日： 2026年6月 バージョン： 1.1.0