AIエンジニアの面接対策
AIの会社の面接で、聞かれること
AIスタートアップの選考では、知識よりも「実務でどう判断するか」が問われます。よく出る題材ごとに、答えの組み立て方と深掘りの質問をまとめました。
LLM アプリのシステム設計
RAG、AIエージェント、評価、費用など、生成AIの会社のシステム設計面接で出る題材です。
- 「社内文書を検索して答える仕組みを設計してください」AIスタートアップの面接で出やすい「社内文書の RAG を設計する」問題を、聞き返すべきこと、全体の構成、精度の測り方、よくある深掘りの質問まで、順を追って解説します。
- 「問い合わせ対応の AIエージェントを設計してください」顧客からの問い合わせに答え、返金や配送変更などの操作まで行う AIエージェントの設計問題を、聞き返すこと、構成、人への引き継ぎ、深掘りの質問の順に解説します。
- 「LLM アプリの評価の仕組みを設計してください」プロンプトやモデルを変えたときに良くなったかをどう判断するか。評価データの作り方、LLM による自動採点の確かめ方、本番での測り方まで、面接で話す順に解説します。
- LLM アプリの費用と応答時間を見積もる「月の費用はいくらになりますか」「なぜ遅いのですか」と聞かれたときに、トークン数から費用と応答時間を概算する式と考え方、下げるための打ち手を面接向けに整理します。
- 幻覚(ハルシネーション)への対策「LLM がもっともらしい嘘をつく問題に、どう対処しますか」という質問への答え方を、幻覚の種類の分け方、層ごとの対策、検知の方法、よくある失敗の順に解説します。
- 権限とデータの分離をどう設計するか複数の顧客企業が使う LLM の SaaS で、他社や権限のない人のデータを見せない設計と、プロンプトインジェクションへの対策を、面接で話す順に解説します。
- 会話履歴と記憶の設計LLM のチャットで、長い会話や数日前のやり取りをどう扱うか。会話履歴の切り詰めと要約、長期の記憶の保存と取り出し、削除の扱いまで、システム設計面接の流れで解説します。
- ツール呼び出し(Function Calling)の設計LLM に外部の API や関数を呼ばせるとき、道具の定義、引数の確かめ方、エラーの返し方、二重実行の防ぎ方をどう設計するか。面接での答え方とよくある失敗を解説します。
- 多くの人が使うときの流量制御LLM の API には、1分あたりのリクエスト数やトークン数の上限があります。全社や多数の顧客が使うときに、上限の中で公平に、止まらずに動かす設計を面接の流れで解説します。
- 社外にデータを出せない環境での LLM の構成製造業や金融など、データを社外に出せない会社で LLM を動かす設計問題を解説します。オープンウェイトのモデルの推論サーバー、GPU のメモリと台数の見積もり方、閉じたネットワークでの運用まで扱います。
- 検索の精度を上げるRAG の回答が悪いとき、検索の精度をどう測り、どこから直すか。評価指標、文書の分割、日本語のキーワード検索、ハイブリッド検索、並べ替え、質問の言い換えまで面接向けに解説します。
- LLM アプリの運用監視をどう設計するか本番で動く LLM アプリの何を記録し、何を監視し、問題が起きたらどう原因を追うか。トレースの取り方、見る指標、品質の変化の検知、個人情報の扱いまで、面接で話す順に解説します。
機械学習の技術質問
評価指標、データの偏り、本番での劣化など、機械学習エンジニアの面接でよく聞かれる質問です。
- 「過学習をどう見抜き、どう防ぎますか」機械学習の面接で定番の「過学習」の質問について、答えの骨組み、学習曲線の読み方、データの漏れ、時系列の分け方など深掘りの質問への答え方と、実務の経験の話し方を解説します。
- 「この課題では、どの評価指標を使いますか」機械学習の面接で聞かれる評価指標の選び方を解説します。適合率と再現率、ROC-AUC と PR-AUC、しきい値の決め方、回帰やランキングの指標、業務の指標とのつなぎ方まで、答え方の型と深掘りの質問をまとめました。
- 「陽性が全体の0.5%しかありません。どうしますか」機械学習の面接で聞かれる不均衡データへの対処を解説します。リサンプリング、クラスの重み、しきい値の調整の違いと、確率の補正、評価データの作り方、ラベルの集め方まで、深掘りの質問への答え方をまとめました。
- 「どんな特徴量を作りますか」機械学習の面接で聞かれる特徴量の設計について、カテゴリ変数の扱い、集計の特徴量と時点の考え方、ターゲットエンコーディングの漏れ、特徴量ストアまで、答えの骨組みと深掘りの質問への答え方を解説します。
- 「オフラインでは良いのに本番で精度が出ません」MLOps・機械学習エンジニアの面接で聞かれる、学習時と推論時のずれ(training-serving skew)について、主な原因、見つけ方、特徴量ストアやログからの学習データ作成などの防ぎ方と、深掘りの質問への答え方を解説します。
- 「新しい推薦モデルの効果をどう確かめますか」機械学習・データサイエンスの面接で出る A/B テストの設計問題を解説します。指標の決め方、割り当ての単位、必要なサンプル数と期間、途中で結果を見る問題、結果が割れたときの判断まで、聞き返すことと答え方をまとめました。
- 「本番のモデルの精度が少しずつ落ちています」MLOps・機械学習エンジニアの面接で聞かれるモデルの劣化(ドリフト)について、データのドリフトと概念のドリフトの違い、正解ラベルが遅れて届くときの監視、再学習の決め方、安全な入れ替え方まで、答え方を解説します。
- 「動画サービスのおすすめを設計してください」推薦・検索エンジニアや機械学習エンジニアの面接で出る推薦システムの設計問題を、聞き返すこと、候補の生成と並べ替えの2段の構成、新しい利用者への対応、評価、よくある深掘りの質問の順に解説します。
ロボット・制御の技術質問
座標変換、センサーフュージョン、経路計画など、ロボットのスタートアップの面接で聞かれる質問です。
- 「カメラで見つけた物体を、アームでつかむ座標に直してください」ロボットソフトウェアエンジニアの面接で聞かれる座標変換について、同次変換の考え方、回転の表し方(回転行列・オイラー角・クォータニオン)、ROS 2 の tf2 の使い方と時刻の扱い、よくある失敗を解説します。
- 「IMU と車輪のオドメトリをどう組み合わせますか」ロボット・自動運転の面接で聞かれるセンサーフュージョンについて、カルマンフィルタの考え方、拡張カルマンフィルタの使いどころ、ノイズの共分散の決め方、時刻同期と遅れて届くデータの扱い、よくある失敗を解説します。
- 「倉庫の搬送ロボットの経路計画を設計してください」移動ロボット・自動運転の面接で出る経路計画の問題を解説します。グローバルとローカルの分け方、A* と RRT の違い、コストマップ、Nav2 の構成、人や障害物を避けるときの論点まで、聞き返すことと深掘りの質問への答え方をまとめました。
- 「実機で PID がうまく動きません。どう調整しますか」制御エンジニアやロボットの面接で聞かれる制御の安定性について、PID の各項の役割、遅れと位相余裕、積分の飽和(ワインドアップ)、微分のノイズ、制御周期、実機での調整の手順まで、答え方と深掘りの質問を解説します。
- 「シミュレーションでは成功するのに、実機では失敗します」ロボット学習・シミュレーションの面接で聞かれる Sim2Real(シミュレーションと実機の差)について、差が生まれる原因、ドメインランダマイゼーション、システム同定、実機データでの調整、差の測り方まで、答え方を解説します。
選考の進め方
カジュアル面談、コーディング面接、技術課題、オファー面談の準備です。
- カジュアル面談の逆質問AIスタートアップやフィジカルAIの会社とのカジュアル面談で、何を聞けば入社後のずれを防げるかを解説します。事業と資金、技術、チーム、働き方の観点ごとの質問例と、聞き方の注意点を紹介します。
- コーディング面接の準備AIスタートアップやフィジカルAIの会社のコーディング面接で、どんな問題が出て、何が見られているかを解説します。職種ごとの出題の傾向、当日の進め方、生成AIの支援の扱い、準備の仕方まで紹介します。
- 持ち帰りの技術課題の進め方AIスタートアップやロボットの会社で出される持ち帰りの技術課題を、どう進め、どう提出すれば評価されるかを解説します。事前に確かめること、生成AIの使い方、README の書き方、説明の場での話し方まで紹介します。
- オファー面談で確かめることAIスタートアップやフィジカルAIの会社から内定が出た後のオファー面談で、何を確かめるべきかを解説します。年収の内訳、役割と評価、働き方、ストックオプションの基本的な確認点を、質問の例とともに紹介します。
- リファレンスチェックの受け方AIスタートアップの選考で行われることが多いリファレンスチェックについて、何が聞かれるか、誰に頼むか、在職中で上司に頼めない場合の対応、依頼のしかたまでを解説します。
