研究職 機械学習エンジニア 転職
研究職から
公開
「研究でモデルを回してきた経験は、実務経験として数えてもらえるのか」。この問いは、自分の側では決まりません。何を経験として数えるかは、応募先の募集要項に書いてあるからです。まず、そこに何が書かれているかを見ます。
「実務経験」の定義は募集要項の側にある
例を1つ。LINEヤフーの「機械学習エンジニア（AIエージェント開発）／生成AI」のキャリア採用では、必須条件のひとつがLinux環境でのWebアプリケーションまたはサーバー開発の経験で、実装3年以上という年数の指定が付いています。同時に、学術論文などの専門文書を日常的に読む経験も必須条件に並んでいます。一方で、査読あり論文の投稿や国際会議での発表経験は歓迎条件の側です。学位の指定はありません（LINEヤフー 機械学習エンジニア（AIエージェント開発）／生成AI、2026年8月30日確認）。
この1件から読み取れるのは、次の3点です。
- 必須条件は、開発・実装の経験年数という形で書かれている
- 論文を書いた実績は歓迎条件だが、論文を読む経験は必須条件の側にある
- 学位そのものは条件になっていない
情報系の博士号が民間でどう値付けされるかの職種別の表では、機械学習エンジニアの欄に「論文を読む速度がそのまま戦力になる」と書きました。それに対応する記載が必須条件の側に置かれている例が、実際にあるということです。
ただし、これは1社の1求人です。会社ごと、ポジションごとに違います。ここから一般則を作るのではなく、自分が受ける求人票の同じ場所を読む、というのが使い方になります。見るのは3か所です。
- 必須条件が経験年数で書かれているか、扱った内容で書かれているか
- 論文・学会の実績が必須条件と歓迎条件のどちらに置かれているか
- 学位の欄があるか
加点・減点の全体像は前掲の記事にあります。この記事は、その表の機械学習エンジニアの行を募集要項の側から見たものです。
公開したコードは、選考で何に使えたか
ここは運営者自身が応募した側での体験です。相談を受けた例ではありません。
運営者の場合、選考でコードそのものを読まれたということはありませんでした。 ただし、コードを書いてオープンソースとして公開していたので、当該研究分野に対して広く貢献しているということをアピールするのに使いました。
この2つは、公開したコードの別々の使い方です。ひとつは、相手が読むことを期待して置いておく材料。もうひとつは、自分から説明に持ち出す材料です。運営者の1例で効いたのは、後者でした。
なぜ読まれなかったのか、どうすれば読まれるのかは、運営者には分かりません。ここを埋めると推測になるので書きません。また、これは1人の体験なので、選考でコードを読む会社が無いという意味でもありません。
結論自体は、先に挙げた「情報系の博士号は、民間でどう値付けされるのか」の「公開されているコード」の項に短く書いてあります。機械学習エンジニアを狙う場合に足せるのは、置き方の違いだけです。公開の有無を実力の証明として扱うのではなく、分野への貢献を説明するときの材料として準備しておく、ということです。
研究の話は、選考でどこまで求められるか
技術面接で研究の話がどれだけ続くかには、運営者が相談を受けてきた範囲で規則性がありました。ただしこれは機械学習エンジニアに限った話ではないので、分岐の中身はポスドクからエンジニアへ移るとき、実際に何が起きるかの「面接の段階」に置いてあります。ここでは繰り返しません。
1点だけ補っておくと、テーマが近いと判断されたときに話が移る先は、入社後の働き方や、長期的にどうキャリアを積みたいかです。次の節の話が、そこで出てきます。
なぜ機械学習エンジニアと企業研究所は天秤にかからないのか
先に観測から書きます。運営者が相談を受けてきた範囲では、機械学習エンジニアと企業研究所の両方を見た人が周りにいません。 この2つを並べて悩んだ、という相談自体がほとんど出てきませんでした。両方を見た人がいないという観測そのものが、この節の材料です。
代わりに何と比べていたかというと、機械学習エンジニアを見ている人は、同じ職種のまま、異なる会社や業界を並べていました。 運営者が見てきた範囲では、機械学習エンジニア（AIエンジニア）の方が給料が高い傾向にあり、求人も多いようです。これは集計した数字ではなく、相談を受けてきた範囲での印象です。提示額の幅がどこから生まれるかは博士が研究職から民間に移ると年収はどう変わるかに分けてあります。
研究所の側は違います。給料よりも、やりたい研究ができるかどうかという視点が重視される傾向にあります。 つまり、この2つは比較の軸そのものが違います。給料と求人の数で並べる軸と、テーマの中身で選ぶ軸です。軸が違うものは、天秤に載りません。
公開されている情報の側でも、入口は分かれています。サイバーエージェントのAI Labは、リサーチサイエンティストとMLエンジニアの2職種について、前者は論文執筆を、後者はプロダクトへの実装をミッションとする、と採用ページで書き分けています（CyberAgent AI Lab Careers、2026年8月30日確認）。リサーチサイエンティストの募集要項では、第一著者で論文を書いて査読を通すことができる能力が必須として挙げられ、その水準として国際学会2本以上、あるいは国際論文誌1本以上の採択実績が示されています（【AI Lab】リサーチサイエンティスト、2026年8月30日確認）。
ここは誤読しやすいので補足します。これは論文の本数が多いほど有利だという意味ではありません。 要件として最低の本数が書かれている例がある、というだけです。本数がそのまま評価に換わるわけではないことは前掲の職種別の記事に、企業研究所の選考で効いたのが本数よりテーマの一致だったという運営者自身の体験は博士が企業研究所へ転職するとき、論文実績はどこまで効くかに書いてあります。
自分がどちらの軸で動いているか
上の2つの軸に自分を当てるための問いです。正解を判定するものではなく、いま自分が何を見ているかを言葉にするためのものです。
- 求人を並べたとき、最初に見るのは提示額と募集の数か、研究テーマの中身か
- 「この会社でなくてもいい」と思えるか。それとも「このテーマでなければ意味がない」か
- 5年後に増えていてほしいのは、実装して世に出したものか、書いた論文や特許か
答えが前者に寄るなら、動いているのは給料と求人の数の軸です。この記事の残りとエージェントの比較が使えます。後者に寄るなら軸は研究所側で、見る順番も準備する材料も別になります。
最後に断っておくと、「天秤にかからない」は、両立できないという意味でも、片方が上だという意味でもありません。 運営者の観測範囲で、同じ人が同時に迷う組み合わせとして出てこなかった、というだけです。両方を受けてはいけない理由はありません。ただ、軸が違う以上、準備する材料は別々になります。募集要項の必須条件に自分の経験を合わせる作業と、研究実績とテーマの一致を示す作業は、同じ書類では終わりません。
向かない人
- 求人票を読まずに、「研究経験は実務経験に数えられるのか」を一般論で決めたい人。最初の節に書いたとおり、数え方は求人票の側にあり、会社ごとに違います。3〜5件を読み比べる手間をかけないなら、この記事の整理は動きません
- 公開しているコードを、読まれる前提の実力の証明として使いたい人。運営者の1例では読まれていません。読む会社が無いという意味ではありませんが、読まれることを前提に選考の準備を組むと、外れたときに手元に材料が残りません
- 給料と求人の数ではなく、やりたい研究ができるかで動いている人。その場合に見るべきは企業研究所の側で、応募経路も判断の順番も別です
- 実装を続けるかどうかを、まだ決めていない人。機械学習エンジニアは実装を続ける側の選択肢です。この分岐の方が先にあります
動き出す順番
- 自分の分野の募集要項を3〜5件開いて、必須条件と歓迎条件の書き分けを見る。無料で、いますぐでき、以降の判断の土台になります
- 自分がどちらの軸で動いているかを決める。ここが決まらないと、応募先の種類が絞れません
- 提示額の幅の見積もり方を確認する（年収の記事）
- 自分の経歴が人にどう読まれるかを、外に当てて確かめる。面談で何をされるかは転職エージェントの無料面談では実際に何をされるのかに、どこに申し込むかはエージェントの比較にまとめてあります
1を先に置いたのは、これが一番早く終わるからです。募集要項を3件読めば、この記事の前半は自分の分野の言葉に置き換わります。