8月3日、Egor Howellが「How Claude Help Me Build My $200k+ ML Resume」と題した記事を公開した。MLエンジニアの採用競争が激化し、ATS（Applicant Tracking System）の普及によって人の目に触れる前にレジュメが落とされるケースが増えている中、Egor Howellが実践したのは「AIにレジュメを書かせない」という逆張りのアプローチだ。ClaudeをAI任せにせず、あくまで人間が数値と事実を主導する使い方で年収20万ドル超（$200k+）のオファーを獲得した手法を詳しく紹介している。
「マスターレジュメ」からの引き算戦略
Egor Howellはレジュメ作成に10時間以上を費やしたという。その核となる考え方が「マスターレジュメ」だ。
マスターレジュメとは、自分のスキルや経験をすべて詰め込んだ「フルバージョン」のレジュメである。応募先ごとに一から書き直すのではなく、このマスター版から不要な情報を削って1ページに収める。「足すより引く方が簡単」という発想で、各求人への対応速度が大幅に上がる。
レジュメの構成はシンプルを徹底する。多段組みや色使いは不要で、黒いテキスト・読みやすいフォント・箇条書きのみ。セクションの順序は以下が基本だ：
- ヘッダー（氏名、肩書、連絡先、GitHubなど最大4リンク）
- サマリー（2年以上の実務経験がある場合のみ記載を推奨。「passionate」「hard-working」などの空虚な形容詞は禁止）
- テクニカルスキル（言語をProficient/Familiarに分類）
- 職務経験
- プロジェクト
- 学歴
なお、サマリーを「2年以上の場合のみ」としているのは、経験が浅い段階では具体的な実績で語れる内容が乏しく、抽象的な自己アピールに陥りやすいためと記事では説明されている。
ClaudeはATS対策より「財務インパクト」の発掘に使う
ここが記事の最も実践的な部分だ。
多くの人はClaudeにレジュメを渡して「この求人に合わせて書き直して」と頼む。しかしEgor Howellはこのアプローチを否定している。理由は単純で、AIが事実に基づかない情報を作り上げてしまうからだ。
代わりに推奨するのは、財務インパクトの数値を自分で掘り起こすプロセスをClaudeに伴走させる使い方である。具体的には以下のプロンプトを使う：
「[箇条書きのタスク説明をここに貼る]」
以下のステップで進めてほしい：
- このタスクの規模・利用者・対象プロセスについて、私に確認質問をしてほしい。
- この仕事が結びつきうる財務的なレバー（コスト削減、売上成長、時間節約、エラー削減、効率化など）を特定してほしい。
- それぞれのレバーを定量化するために必要なデータや数値を具体的に教えてほしい。
- そのデータをどこで入手できるか教えてほしい。
- 数値が揃ったら「アクション→手法→定量的な結果」の形式で書き直してほしい。
- 数値を自分で推測・発明しないこと。
たとえば次のような元の箇条書きが：
Databricks上でMLflowとBayesian Hyperparameter Tuning（Hyperopt）を用いた自動モデリングパイプラインを構築し、リスク価格予測のためのCatBoostモデル群を開発した。
Claudeとのやり取りを経ると、以下のように変わる：
CatBoostによるリスク価格予測パイプラインをDatabricks（MLflow、Bayesian HPO）上に構築。モデル再学習時間を[X時間]から[Y時間]に短縮し、価格精度を[X]%向上。ロス率の[X]%改善に貢献。
数値の箇所はまだプレースホルダーだが、それで良い。Claudeは「どの数値を、どこから探せばよいか」を教える役に徹し、数値の捏造はしない設計のプロンプトになっている。
ATS対策は「キーワード詰め込み」ではなく「表現の統一」
ATS（Applicant Tracking System）は、多くの企業で採用候補者のスクリーニングに使われている採用管理システムだ。求人件数の増加とともに導入企業が拡大しており、特に競争の激しいMLエンジニア職では、レジュメが人の目に届く前にATSで落とされるリスクが高まっている。
ATS対策として多くの人がやりがちなのが、キーワードの詰め込みだ。しかし記事が推奨するのは、自分のレジュメと求人票で「同じスキルを違う言葉で表現していないか」を確認することだ。
たとえば自分のレジュメに「forecasting model」と書いてあっても、求人票が「predictive analytics」と表記していれば、ATSでは別スキルとして扱われる可能性がある。
実際の変換例として、元の表現：
「LightGBMを用いたレシピ人気度予測モデルを実装。Lead day 5の予測精度を33%改善。AWS Lambda/Step Functionsでデプロイ。」
Claudeが求人票（「predictive analytics」「demand forecasting」「MLOps」を使用）に合わせて書き直した結果：
「LightGBMによるレシピ需要予測のpredictive analyticsモデルを構築。5日先予測精度を33%改善。Lambda/Step Functionsを通じてAWS上に自動MLOpsパイプラインとしてデプロイ。」
変更点は微細だが、ATS通過率と採用担当者の印象の両方に効く。なお元記事では、上記の改善後の文章はキーワードの表現統一を示す例として提示されており、削除された数値部分については元記事に詳細な説明はない。
「削除」もClaudeに任せる
マスターレジュメから応募用の1ページ版を作る作業も、Claudeに依頼できる。Egor Howellは「自分でやると削れない情報も、AIは容赦なく切り捨ててくれる」と述べている。ここでもClaudeに「情報を追加させない」のがポイントだ。
記事の末尾でEgor Howellは、「良いレジュメだけでは年収20万ドルの仕事は取れない。ネットワーキングと面接対策も必要だ」と釘を刺している。レジュメはあくまで入り口に過ぎない。
詳細はHow Claude Help Me Build My $200k+ ML Resumeを参照していただきたい。
