38才でSREからAIデータ基盤エンジニアへ転身した理由
38歳、大手IT企業でSREとして大規模サービスの安定稼働を支えてきた彼女は、AI時代に必要となる“モデルを動かす基盤”の重要性を強く感じ、AIスタートアップのデータ基盤エンジニアへ転身しました。生成AI・MLの裏側を支える基盤構築に挑んだキャリアをMCが紹介します。
人物プロフィール
年齢：38歳
性別：女性
転職前：大手IT企業／SRE（Site Reliability Engineer）
転職後：AIスタートアップ／データ基盤エンジニア（ML基盤・特徴量基盤）
転職前年収：900万
転職後年収：1300万
転職動機・テーマ：AI時代の“モデルを動かす基盤”をつくる仕事へ挑戦したい
ざっくりまとめると
・SREからAIデータ基盤エンジニアへ転身
・900万→1300万＋SO
・データパイプライン・特徴量基盤・ML基盤を構築
・AIモデルの性能と安定稼働を支える中核エンジニア
転職前のキャリアと悩み
“インフラは安定しているのに、AIだけが不安定に見える”違和感
前職ではSREとして、可用性・信頼性・監視設計・パフォーマンス改善を担当していました。巨大トラフィックにも耐えるサービス運用を支えていましたが、組織でAI機能を導入し始めた際、大きな違和感が生まれました。
アプリケーションは安定しているのに、AIモデルの精度は日によって揺れ、原因分析に時間がかかる。データ品質が揺らぐとモデルが劣化し、再学習は属人的で、CI/CDのような基盤も整っていない。
「AIはインフラより不確実性が高い。その不安定さを吸収する基盤をつくらなければ、事業は前に進まない」
そう確信し、AI基盤の世界への興味が急速に高まりました。
転職を意識したきっかけ
“AI基盤をゼロから作れる人がいない”というスカウト
転機はAIスタートアップから届いたスカウトでした。内容は「LLM・MLモデルを本番運用できるデータ基盤・特徴量基盤を整備したいが、経験者が不足している」。
面談で共有された課題は極めて具体的でした。
・学習データが属人的に管理され再現性がない
・特徴量がどのサービスから供給されているか不透明
・モデル劣化の原因が特定できないログ構造
・再学習のパイプラインが人力でボトルネック
SREとしての経験がそのままAI基盤に転用できる手応えを強く感じました。
転職活動内容
SRE経験を“AI運用基盤要素”へ分解して棚卸し
SREの経験を、AI基盤に必要な構成要素へ分解しました。
・監視→モデルモニタリング（精度・ドリフト検知）
・可観測性→特徴量 lineage 管理・データドリフト検知
・自動化→再学習パイプライン化・データ加工自動化
・信頼性→CI/CD for ML（MLOps）
・エージェント：AI基盤エンジニアの年収帯と希少性を確認
・スカウト：CTOとML基盤構想・アーキテクチャを壁打ち
・求人サイト：他社AI基盤チームの開発文化を比較
強みは「大規模可用性と自動化の経験」。弱みは「MLモデルの深い理解」。ただ企業側は“モデルを支える基盤”を最重要としており、経験は十分に適合していました。
意思決定のポイント／自分の市場価値
意思決定軸は“AIの不確実性を吸収する基盤を作れるか”
最終的に選んだ企業は、データ基盤・特徴量基盤・ML基盤を同一チームで構築し、LLM機能をプロダクトへ迅速に浸透させる仕組みを整えようとする組織でした。
他社はAI基盤を外部委託していたり、データ基盤とML基盤が分断されており“不確実性を吸収する基盤”を作るには不向きでした。
内定・転職後の変化
AI基盤エンジニアは“モデルの安定稼働を作る仕事”だった
入社後は、データパイプライン整備、特徴量ストア構築、再学習パイプライン自動化、モデルモニタリング設計、ログ構造整理など、裏側の基盤づくりに深く関わっています。
AI基盤が整うほど、モデル品質は安定し、PoCの成功確率と事業成長が飛躍的に向上することを日々実感しています。
メッセージと総括
“AI時代のSRE”を目指したい人に最適なキャリア
AIは不確実性が高く、従来のインフラ運用ではカバーしきれません。SREの経験はAI基盤開発に非常に高い親和性があります。
エージェントはスキル棚卸しに役立ち、スカウトは企業のAI課題を深掘りする機会になります。“AIの裏側を支える技術者になりたい”という人に最適なキャリアです。
あなたと同じタイプの転職成功事例を探す
会員登録(無料)