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。
I work directly with you on architecture and implementation. Scope, responsibilities, and any additional contributors are agreed before an engagement starts.
- 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。
職歴は専門的な経歴を示しています。独立したサービスは勤務先による支援や推薦を意味しません。
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
海外のチームともリモートで協働します。作業時間と連絡方法はプロジェクト開始前に合意します。
独立したAIコンサルティングと開発に対応.
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
Audit
Scope agreed first · 通常の出発点
A fixed-scope look at the workflow you want automated or the AI feature you want built: what the data actually looks like, which parts genuinely need a model, which parts are better off deterministic, and what production would cost to run.
お渡しするもの
A written architecture and a build plan you own, whether or not the build happens with me. - 02
Build
Milestones agreed together
Implementation in short iterations against real inputs, not synthetic ones. You see working software every week, and the architecture from the audit is the thing being built, so scope arguments happen on paper rather than in code.
お渡しするもの
A deployed system, its evaluation harness, and documentation someone else on your team can pick up. - 03
Run
Support by agreement
The part most AI projects skip. Models drift, prompts rot, upstream APIs change their output shape, and a pipeline that was accurate in month one is quietly wrong by month four unless someone is measuring it.
お渡しするもの
Monitoring, evaluation runs, and a monthly note on what changed and what it cost.
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。