2026.04.23

20代AIエンジニアの職務経歴書｜差がつく書き方と実例

ショクレキ代行

📌 この記事でわかること

採用担当者が20代AIエンジニアの職務経歴書で実際に見ているポイント
「技術スタックの書き方」「モデルの性能改善をどう数字にするか」という悩みへの対処法
経験年数別（1〜2年・3〜4年・5年前後）の例文3パターン
機械学習エンジニア・データサイエンティスト・LLMエンジニアそれぞれの書き方の違い
書類が通らない人に共通するNGパターンと改善例4パターン

「AIエンジニアの経験をどう職務経歴書に書けばいいかわからない」20代のAIエンジニアから、この悩みはよく聞きます。

書類が通らない原因のほとんどは技術力の問題ではありません。「PyTorch・TensorFlow・scikit-learn」と技術名を羅列するだけで終わってしまい、採用担当者に「この人が実際にどんなAI開発をしてきたのか」が伝わらないことが原因です。AIエンジニアの職務経歴書は「何のためにAIを作ったか・どんな工夫をしたか・どんな成果が出たか」のセットで書くことが差をつけるポイントです。

この記事では、20代AIエンジニアが職務経歴書で差をつけるための書き方を、例文・NGパターン・ステップごとに具体的に解説します。

採用担当は何を見ている？

20代AIエンジニアの職務経歴書で、採用担当者が確認しているのは主に次の3点です。

観点	内容
① どんなAI開発を経験してきたか	タスク種別（分類・回帰・物体検出・NLP・生成AI等）・使用モデル・開発規模・役割の概要
② 技術をどう使って成果を出してきたか	モデル精度・推論速度・コスト削減など数字で示せる改善実績
③ 自分から考えて動いた経験があるか	実験設計・アーキテクチャ選定・新技術の導入提案など自発的な貢献

採用担当者の視点

20代AIエンジニアに対して採用担当者が見たいのは「知っている技術の数」よりも「技術を使って何を解決できた人か」という実践力です。「どんな課題に・どんな技術を選んで・どんな結果を出したか」のストーリーが伝わる書き方が書類通過につながります。

よくある失敗（書類が通らない3つのパターン）

パターン①：技術スタックを羅列するだけで終わっている

「使用技術：Python・PyTorch・TensorFlow・scikit-learn・LangChain・AWS」と並べるだけでは採用担当者には何もわかりません。業務で実際に使ったのか・習得レベルはどの程度か・どんな成果を出したかが見えないためです。

技術名には「どのプロジェクトで・どう使い・どんな成果が出たか」を必ずセットで書いてください。

パターン②：プロジェクト概要が「担当しました」で終わっている

「画像分類モデルの開発を担当」何のためのモデルで・どんなデータで・どんなアーキテクチャを使い・どんな精度が出たのかが一切伝わりません。

AIエンジニアのプロジェクト記述には「課題・アプローチ・使用技術・成果」の4点が必要です。

パターン③：成果の数字がない

AI開発では精度（Accuracy・F1スコア・AUC等）・推論速度・コスト削減額など数字にできる成果が多くあります。「モデルの精度が上がった」で終わるのではなく「精度を87% → 94%に改善」「推論時間を200ms → 45msに短縮」といった具体的な数字で書いてください。

「数字が出せない」という方へ

本番環境での数字が取れない場合でも「評価データセットでのF1スコア」「ベースラインモデルとの比較改善率」「処理速度の改善幅」など書ける数字は多くあります。

書き方のポイント｜20代AIエンジニアならではの伝え方

ポイント①：タスク種別・データ規模・役割を最初に書く

画像認識・NLP・時系列予測・生成AIなどタスクの種別、学習データのサイズ（○万件・○GB等）、チーム規模・自分の役割を冒頭に書きます。これがないと採用担当者は経験の深さを判断できません。

ポイント②：「なぜそのアーキテクチャ・手法を選んだか」を書く

AIエンジニアの評価ポイントは「技術を知っているか」よりも「課題に対して適切な技術を選べるか」です。「ResNetではなくEfficientNetを選んだ理由」「Transformerベースの手法をLSTMより優先した理由」など技術選定の思考プロセスを書くことで「再現性のある技術判断ができる人」として評価されます。

ポイント③：学習・個人開発・論文実装の経験も書く

業務経験が少ない20代AIエンジニアの場合、Kaggleの成績・個人開発での実装・論文の再現実装なども書ける実績です。「Kaggle○コンペでシルバーメダル」「arXivの論文○本を実装・検証」といった形で書いてください。

AIエンジニアならではの悩みに答える

「業務経験が少なく、主にキャッチアップ期間だった場合の書き方」という悩み

入社して間もない時期はキャッチアップが中心になりますが「どんな技術を・どの程度の速さで習得したか」「既存コードの理解からどこまで改善に関与できたか」は書けます。「入社3ヶ月でPyTorchを習得し○○タスクの実装を担当」「既存モデルのコードを読み解き、データ前処理のボトルネックを特定して処理時間を○%短縮した」のように、成長速度と自発的な貢献を示してください。

「LLMアプリ開発とMLエンジニアリングの両方が混在する場合の整理方法」という悩み

LLMを活用したアプリ開発とMLモデルの学習・評価では使う技術スタックがかなり異なります。スキルシートで「MLエンジニアリング（PyTorch・scikit-learn等）」と「LLM応用開発（LangChain・RAG・プロンプトエンジニアリング等）」を明確に分けて書くと採用担当者が判断しやすくなります。

例文

例①：経験1〜2年（若手・第二新卒）

AIスタートアップ（社員40名）にて、画像認識・物体検出モデルの開発・評価を担当。PyTorch・TorchVisionを使用した物体検出システムの精度改善に従事。

【業務内容】
・物体検出モデル（YOLOv8ベース）の学習・評価・精度改善
・データアノテーションパイプラインの構築・自動化
・モデルの量子化・軽量化による推論速度改善
・実験管理ツール（MLflow）の導入・運用

【実績】
・物体検出精度（mAP@50）をベースライン75.2% → 88.4%に改善
・データ拡張手法の最適化により学習時間を40%短縮
・モデル量子化（INT8）により推論速度を210ms → 58msに短縮
・MLflowを導入し実験の再現性・トレーサビリティを確保

【主な取り組み】
物体検出精度の改善では「誤検出が多いカテゴリ」を混同行列で分析し、そのカテゴリに特化したデータ拡張手法（MixUp・CutMix）を追加適用することで精度を向上させた。モデルの量子化では精度への影響を実験的に検証しながら適用レイヤーを絞り込むアプローチを採った。MLflowの導入は「実験のたびにパラメータを手動記録していた非効率」を自分で問題提起して提案した。

自己PRでのアピールポイント
「なぜ精度が出ないのか・どこに原因があるか」を分析してから改善策を設計するスタイルが身についている。ツールの導入提案など自発的な改善行動を習慣にしており、次の職場でも技術的な課題を自分で発見して解決するエンジニアとして貢献したいと考えている。

例②：経験3〜4年（中堅手前）

SaaS企業（社員200名）のMLチーム（5名）にて、NLP・テキスト分類・レコメンデーションシステムの開発・運用を担当。PyTorch・Hugging Face・FastAPIを使用したMLサービスの本番運用に従事。

【業務内容】
・テキスト分類モデル（BERT fine-tuning）の開発・本番デプロイ
・レコメンデーションシステムの設計・実装・A/Bテスト
・MLパイプライン（データ収集・前処理・学習・評価・デプロイ）の自動化
・モデルの監視・性能劣化検知の仕組み構築
・新卒エンジニア1名のOJT・コードレビュー担当（入社3年目以降）

【実績】
・テキスト分類モデルの精度をF1スコア0.78 → 0.91に改善（本番環境）
・レコメンデーションシステムのA/Bテストでクリック率が従来比+23%向上
・MLパイプラインの自動化によりモデル更新サイクルを月1回 → 週1回に短縮
・性能劣化検知の仕組み構築によりモデルの品質低下の早期発見体制を確立

【主な取り組み】
テキスト分類の改善では「Fine-tuningデータの品質がボトルネック」と仮説を立て、アノテーションの一貫性を高めるガイドラインを自分で整備した。レコメンドシステムでは協調フィルタリングとコンテンツベースのハイブリッドアプローチを採用しコールドスタート問題を軽減した。MLパイプラインの自動化はKubeflowを使って設計しエンジニアが手動で行っていた作業を削減した。

自己PRでのアピールポイント
モデルの開発から本番運用・監視まで一貫して担った経験がある。「動くモデルを作る」だけでなく「本番で使い続けられるMLシステムを作る」という視点で取り組んできた。次の職場でも機械学習システムの設計・実装・運用を一気通貫で担えるMLエンジニアとして貢献したいと考えている。

例③：経験5年前後（20代後半）

生成AI系スタートアップ（社員60名）のAIチーム（8名）にて、LLMを活用したプロダクト開発（RAG・ファインチューニング・プロンプトエンジニアリング）とMLOpsの整備を担当。

【業務内容】
・RAGシステム（LangChain・LlamaIndex・Chroma）の設計・実装・改善
・LLMのファインチューニング（QLoRA・LoRA）による社内特化モデルの開発
・プロンプトエンジニアリング・評価パイプラインの設計
・MLOpsの整備（CI/CD・モデルレジストリ・モニタリング）
・ジュニアエンジニア2名のコードレビュー・技術指導

【実績】
・RAGシステムの回答精度（Recall@5）を0.62 → 0.84に改善
・LLMファインチューニングによりタスク特化精度をGPT-4o比で+18%向上（社内ベンチマーク）
・MLOps整備によりモデルデプロイの所要時間を手動8時間 → 自動45分に短縮
・プロンプト評価パイプラインの構築により改善サイクルを2週間 → 3日に短縮

【主な取り組み】
RAGの精度改善では「検索精度の問題かLLMの生成精度の問題か」を分離して評価するフレームワークを設計した。ファインチューニングではQLoRAを採用しGPUコストを抑えながら精度向上を実現した。MLOpsの整備はチーム全体の開発速度を上げることを目的として自分から提案・設計しCI/CDにはGitHub Actionsを活用した。

自己PRでのアピールポイント
RAG・ファインチューニング・プロンプトエンジニアリングとLLMアプリケーション開発の全域を経験してきた。「実験の設計から評価・本番運用まで一貫して考える」スタイルが強みであり、次の職場でも生成AI・MLシステムの設計と実装をリードできるエンジニアとして貢献したいと考えている。

書き方ステップ

① これまでのプロジェクトをすべて書き出す

タスク種別・使用技術・データ規模・チーム人数・自分の役割を一覧化します。「アピールになるか」はこの段階では考えなくてOKです。

② 数字になるものを探す

精度スコア（Accuracy・F1・AUC等）・推論速度の改善幅・処理時間の短縮率・コスト削減額・Kaggleの順位などを洗い出します。正確な値でなくても「約○%」で十分です。

③ 成長の軌跡を時系列で整理する

入社直後・1年後・2〜3年後などで担当範囲・任された技術的な深さがどう変わったかを整理します。「最初はデータ前処理のみ → 半年後にモデル設計を担当 → 1年後に本番デプロイまで担当」という成長の流れは20代の大きなアピール材料です。

④ 「なぜその技術を選んだか」を1プロジェクト以上言語化する

アーキテクチャ選定・手法の比較検討・新技術の導入判断など技術選定の思考プロセスを言語化します。

⑤ スキルシートを整理する

「業務経験あり」と「個人開発・学習中」を明確に分けて記載します。技術名だけでなく「どのプロジェクトで・どう使ったか」を一言添えると説得力が上がります。

NG例 → 改善例｜通らない書き方の直し方

失敗①：技術スタックの羅列で終わっている（スキル欄の書き方）

使用技術：Python・PyTorch・TensorFlow・scikit-learn・LangChain・AWS・Docker

改善後

Python（4年・業務メイン）/ PyTorch（3年・画像認識・NLPモデルの開発・本番デプロイ）/ LangChain（1年・RAGシステムの設計・実装）/ AWS（SageMaker・Lambda・S3、2年・MLパイプライン構築）

失敗②：プロジェクトの記述が薄い（プロジェクト概要の書き方）

画像分類モデルの開発を担当しました。

改善後

製造業向け外観検査システム（チーム4名）の画像分類モデル開発を担当。EfficientNetV2をベースに転移学習を適用し不良品検出精度（F1スコア）を0.78 → 0.93に改善。推論時間も320ms → 85msに短縮しライン速度に対応できる水準を達成した。

失敗③：成果の数字がない（実績ブロックの書き方）

モデルの精度を改善し、ビジネス上の成果につなげました。

改善後

テキスト分類モデルの精度をF1スコア0.78 → 0.91に改善（本番環境）。レコメンドシステムのA/Bテストでクリック率が従来比+23%向上。MLパイプラインの自動化によりモデル更新サイクルを月1回 → 週1回に短縮した。

失敗④：技術選定の思考プロセスが見えない（主な取り組みブロックの書き方）

チームと協力しながらモデルの開発・改善を進めてきました。

改善後

アーキテクチャの選定では「精度・推論速度・デプロイの容易さ」の3軸で比較検討した。ResNetとEfficientNetの実験を並行して実施し、同等精度でモデルサイズが60%小さいEfficientNetV2を採用した。選定理由と実験結果はドキュメントにまとめてチームに共有した。

経験年数別アドバイス

経験3年未満（若手・第二新卒）

1〜2つのプロジェクトを深く書くことが重要です。「何をやったか」より「どう考えて動いたか」が若手AIエンジニアの評価ポイントです。Kaggle・個人開発・論文実装の経験も積極的に書いてください。

若手が見落としがちなポイント

「大きな成果がない」と感じている若手でも、実験設計・データ分析・ドキュメント整備・コードレビューへの参加など、チームに貢献していた経験があります。役割として担っていたことは積極的に書きましょう。

経験3〜10年（中堅・専門担当）

技術の深さ（特定ドメイン・アーキテクチャへの専門性）に加え、MLシステムの設計・本番運用・チームへの貢献（コードレビュー・技術選定・後輩指導）を書きます。転職理由を自己PR欄に添えてください。

経験10年以上（ベテラン・リード層）

ML組織の設計・技術戦略・MLOpsの整備・ビジネスサイドとの連携など組織レベルの貢献が評価の中心になります。担当したシステムの規模・改善した指標・育成した人数を数字で明示してください。

よくある質問

Q. Kaggle・個人開発の経験は職務経歴書に書けますか？

書けます。「Kaggleコンペ（コンペ名）でシルバーメダル（上位5%）を獲得」「個人開発でRAGシステムを構築・GitHubで公開」といった形で記載してください。業務経験が少ない20代では特に重要な実績になります。

Q. GPT-4oやClaudeを使ったアプリ開発はAIエンジニアの経験として書けますか？

書けます。「LLMのAPI活用・プロンプトエンジニアリング・RAG構築・LangChain使用」は現在の市場で価値の高いスキルです。「どんな課題を・どんな設計で解決したか・どんな精度・速度が出たか」をセットで書いてください。

Q. MLOps経験がない場合はどうすればよいですか？

「モデルのデプロイ経験がある」「Docker・FastAPIを使ったAPI化の経験がある」「GitHub ActionsでCI/CDを組んだことがある」など、MLOpsに関連する経験があれば記載できます。現在学習中の場合は「現在Kubeflow・MLflowを学習中」と添えてください。

Q. 論文の実装経験は書いてよいですか？

書けます。「arXivの論文（論文名）を実装・再現した結果、報告値と同等の精度を確認」のように書いてください。論文を自分で実装できるレベルの技術力を示す重要な実績になります。

Q. 職務経歴書の適切な枚数は？

20代であればA4で2枚程度が目安です。スキルシートを別添で用意する場合は職務経歴書2枚＋スキルシート1枚の計3枚程度が一般的です。

まとめ

採用担当者は「知っている技術の数」より「技術を使って何を解決できた人か」を見ている
技術名には「どのプロジェクトで・どう使い・どんな成果が出たか」を必ずセットで書く
精度スコア・推論速度・処理時間の改善幅など数字で成果を示す
「なぜそのアーキテクチャ・手法を選んだか」という技術選定の思考プロセスを書く
Kaggle・個人開発・論文実装の経験も積極的に書く
「業務経験あり」と「個人開発・学習中」をスキルシートで明確に分けて記載する

自分の経験をどう整理すればいいかわからない方は、ヒアリングをもとに職務経歴書を一緒に作成するサービスもご利用いただけます。