プロフィール
先に業務課題、
モデルはその後。
デモではなく本番環境で持ちこたえるLLMエージェント、RAGパイプライン、音声システムを構築するAIエンジニア兼業務自動化コンサルタント。 どのシステムも業務上の課題から始まり、それを取り除く最小のアーキテクチャへ逆算していきます。
この仕事について考えていること
デモは簡単です。本番運用こそが仕事です。
多くのAIプロジェクトはノートブックとデプロイの間で止まります。私が作るのは生き残る部分です。評価、フォールバック、可観測性、そして実際のユーザーが現れても正しく振る舞う堅牢なシステムです。
先に業務課題、モデルはその後。
私が世に出すシステムはすべて、業務上の痛みから始まります。受信箱で腐っていくリード、燃えているサポートの待ち行列、PDFに閉じ込められた知識。そこから逆算して、それを取り除く最小のアーキテクチャにたどり着きます。
フルスタックで、端から端まで。
LangGraphでのエージェントオーケストレーション、ハイブリッド検索による情報取得、FastAPIのバックエンド、Reactのフロントエンド。ひとりがシステム全体を持つので、引き継ぎで失われるものがありません。
同じループを、
どのシステムでも。
雇用でも、クライアント案件でも、ひとりで出したものでも同じです。手順は変わらず、変わるのは各手順にかかる時間だけです。
アーキテクチャと構築は私が持ちます。ひとりの実装能力を超える案件では、以前から一緒に仕事をしている少人数のエンジニアリング・自動化チームに入ってもらい、出荷物に対する責任は私が持ち続けます。
- 01
理解する
モデルやフレームワークに触れる前に、本当の課題とその制約を掴みます。成果は、本番運用が実際に何を要求するかの明確な像です。
- 02
設計する
システム構成、モデル選定、データフローを、コードを書く前に考え抜いて書き出します。
- 03
作る
本番を見据えた実装を短い反復で進め、合成データではなく実データに対して早い段階で検証します。
- 04
出す
デプロイし、監視し、文書化します。ブラックボックスも引き継ぎの穴も残しません。
- 05
良くする
公開後に評価し調整します。システムは本番で悪くなるのではなく良くなっていきます。
職歴
企業から、プロダクトへ、AIへ。
五つの職務が、同じ流れの別々の部分を担っています。企業システムがどう作られるかを知り、プロダクトで考えることを覚え、そしてAIシステムそのものを作る。
企業利用のための本番品質の生成AI・エージェンティックAIシステムを構築。実験的なプロトタイプではなく、実負荷の下でも信頼性を保つシステムに重点を置いています。
企業情報: In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- LangGraphとFastAPIで本番のエージェンティックAI・LLMアプリケーションを構築
- LlamaIndexとQdrant上でハイブリッド検索と接地生成を用いたRAGアーキテクチャを設計
- Python、Azure AI、Redis上で状態を持つワークフローオーケストレーションを備えたスケーラブルなAIエージェントを構築
- AIの安全性と信頼性の仕組みを実装。個人情報のマスキング、コンテンツ安全性、ジェイルブレイク検出
- 可観測性と並列実行により本番システムを改善
学歴
工学士、コンピュータサイエンス
JK Lakshmipat University, Jaipur
高等学校卒業、物理・化学・数学
Delhi Public School, India
中等教育前期
St. Anselm's Pink City Sr. Sec. School
チームとの働き方
あらゆるタイムゾーンのチームとリモートで働き、欧州と英国の就業時間は標準でカバーしています。これらのシステムは10カ国以上のユーザーのために稼働しています。
フルタイムのエンジニア職に加え、厳選した業務委託およびプロジェクト案件を、リモートかつあらゆるタイムゾーンで引き受けています。その大半は欧州、英国、北米、オーストラリアのチームとの仕事です。企業が海外から依頼する場合、プロジェクト業務は雇用ではなくコンサルティング契約として進むため、双方に現地の就労許可は必要ありません。
案件の進み方
多くの案件は監査から始まります。固定され範囲の定まった最初の一歩があってはじめて、より大きな二歩目を判断できるからです。以下はパッケージではありません。形を思い描けるように段階を示しているだけで、範囲はどちらかが約束する前に文書化されます。
- 01
監査
1〜2週間 · 通常の出発点
自動化したい業務フロー、あるいは作りたいAI機能を、範囲を固定して見ます。データが実際にどうなっているか、本当にモデルが要る部分はどこか、決定的に処理したほうがよい部分はどこか、本番運用にいくらかかるか。
お渡しするもの
文書化されたアーキテクチャと構築計画。私と作るかどうかにかかわらず、あなたのものです。 - 02
構築
4〜12週間
合成データではなく実データに対して短い反復で実装します。毎週動くソフトウェアを見ていただき、作るのは監査で決めたアーキテクチャなので、範囲の議論はコードの中ではなく紙の上で起こります。
お渡しするもの
デプロイ済みのシステム、その評価環境、そしてチームの別の人が引き継げるドキュメント。 - 03
運用
月次、いつでも解約可
多くのAIプロジェクトが飛ばす部分です。モデルはずれ、指示文は古び、上流のAPIは出力の形を変え、初月に正確だったパイプラインは、誰も測らなければ四か月目には静かに間違っています。
お渡しするもの
監視、評価の実行、そして何が変わり何にいくらかかったかの月次メモ。
引き受けないこと
口に出して言っておく価値があるほど、よく挙がる四つです。どれもその仕事自体への評価ではありません。私より他の人のほうがうまくやれる領域です。
- ゼロからのモデル学習
- 価値が見合う場面でのファインチューニングは行います。基盤モデルの事前学習は予算も分野も別物であり、それが業務課題の答えだと言ってくる人は、たいてい学習の実行そのものを売っています。
- 背後にシステムのないチャットボット
- APIをチャット画面で包むのは半日仕事で、続くものは何も解決しません。対価に値するのは検索、評価、そしてその周りの運用であり、公開まで至らないデモが崩れるのはまさにそこです。
- デザインやブランドだけの仕事
- ここでの画面はシステムを読み取れるようにするために作られており、デザイン賞のためではありません。成果物がブランドシステムやビジュアルアイデンティティなら、必要なのはスタジオであり、そのほうが構築も良くなります。
- 時間単位の人員補充
- 案件は成果に対して範囲を定め、その背後に文書化されたアーキテクチャがあります。期間を定めずバックログを埋める人員枠は本物のサービスで、買うのも妥当です。ただ、これはそれではありません。