2026年9月 | AI協働形式にシステム設計・実践開発・機械学習の新しい問題を追加しました
このページの目次
2026年9月に、AI協働形式へ新しい問題を追加しました。対話を通じて設計を進めるシステム設計の問題10問に加え、実践開発の問題、機械学習エンジニア向けの問題を追加しています。
いずれもテスト作成画面のAI協働形式の問題一覧から追加できます。
追加した問題の一覧
| 問題名 | テーマ | 出題方式 | 難易度 | 想定制限時間 |
|---|---|---|---|---|
| 短縮URLサービスの設計 | システム設計 | 対話 | ふつう | 40分 |
| 宿泊予約サービスの設計 | システム設計 | 対話 | ふつう | 40分 |
| 名刺管理サービスの設計 | システム設計 | 対話 | ふつう | 40分 |
| C2Cチケット販売サービスの設計 | システム設計 | 対話 | ふつう | 40分 |
| 大規模ウェブ巡回サービスの設計 | システム設計 | 対話 | ふつう | 40分 |
| コンテンツ投稿サービスの設計 | システム設計 | 対話 | ふつう | 60分 |
| 動画ストリーミングサービスの設計 | システム設計 | 対話 | ふつう | 60分 |
| プッシュ通知配信サービスの設計 | システム設計 | 対話 | ふつう | 60分 |
| リアルタイムチャットサービスの設計 | システム設計 | 対話 | 難しい | 60分 |
| モノリスからマイクロサービスへの段階移行設計 | システム設計 | 対話 | 難しい | 60分 |
| レガシー受発注システムの内製化移行と在庫管理 PoC (C# / ASP.NET Core) | 実践開発 | 対話 | 難しい | 90分 |
| 人事CSVによる従業員情報の同期（6種） | 実践開発 | 非対話 | ふつう | 60分 |
| 決済プロバイダ連携の二重課金防止と突合（6種） | 実践開発 | 非対話 | 難しい | 90分 |
| CPU 使用率が高いサーバーの調査と復旧 | 実践開発 | 非対話 | 易しい | 45分 |
| 配備環境で崩れない画像分類モデルの構築 | その他 | 非対話 | 難しい | 90分 |
| 判定の根拠を示す外観検査モデルの構築 | その他 | 非対話 | 難しい | 90分 |
テーマ・出題方式は、問題一覧の絞り込みの項目です。いずれの問題も、候補者はエディタ画面で受験します。
システム設計の問題
2026年8月に追加した「ソーシャルネットワークのホームタイムライン設計」と同じ形式の問題を、10問追加しました。
問題文には、必要な機能、想定規模、品質目標、開発上の制約があらかじめ書かれていません。候補者はプロダクトマネージャー役のAIに質問して条件を引き出し、要件、アーキテクチャ図、設計判断とトレードオフなどを DESIGN.md にまとめます。図は Mermaid で作成し、AIエージェントが記法の作成を支援します。
- 短縮URLサービスの設計：短縮IDの衝突と推測への耐性、有効期限、低遅延なリダイレクト、アクセスが集中する短縮URLへの対応、分析処理の障害時にもリダイレクトを止めない設計を問います。
- 宿泊予約サービスの設計：空室在庫と予約を原子的に扱って二重予約を防ぎつつ、検索・施設管理・予約それぞれの負荷特性を踏まえた設計を問います。
- 名刺管理サービスの設計：名刺の撮影からデジタル化までを題材に、OCR と人手確認を含む非同期処理、個人情報を扱う運用の境界、再処理と滞留の監視を問います。
- C2Cチケット販売サービスの設計：同じ出品を二重に販売しない排他制御、仮確保から購入確定までの状態遷移、人気イベントに集中する負荷の隔離、出品の正本と検索結果の整合性を問います。
- 大規模ウェブ巡回サービスの設計：企業サイトを定期的に巡回して更新内容を分析するサービスを題材に、ジョブの分割、ホストごとのアクセス制限、重複と再送、失敗と再試行、少人数で続けられる運用を問います。
- コンテンツ投稿サービスの設計：記事の下書き・公開・更新・削除を、検索や新着一覧などの読み取り経路へ一貫して反映する設計と、読み取り中心の負荷や画像配信の扱いを問います。
- 動画ストリーミングサービスの設計：動画のアップロード、公開前の確認、複数形式への変換、ストリーミング配信、視聴履歴に応じたホーム画面までを一貫して設計できるかを問います。
- プッシュ通知配信サービスの設計：即時性が求められる通知と大規模な一斉配信を同じ基盤で扱う設計と、外部配信基盤の障害・流量制限、重複配信の防止、配信状態の追跡を問います。
- リアルタイムチャットサービスの設計：オンラインの利用者への低遅延な配信と、送信したメッセージを失わない保存を両立させ、順序・重複・再接続・障害時の縮退まで一貫して設計できるかを問います。
- モノリスからマイクロサービスへの段階移行設計：チーム向けタスク管理アプリを、利用を止めずに段階的に移行する計画を題材に、サービス境界、データの所有と整合性、停止を伴わない切り替えを問います。
評価できるスキル
- 課題解決能力：引き出した規模や品質目標から負荷を見積もり、実現可能な設計と代替案を判断できるか
- コミュニケーション能力：設計を左右する条件を、非エンジニアのステークホルダーとの対話で過不足なく確認できるか
- 設計力：データモデル、読み書きの経路、障害時の挙動を、根拠とともに一貫して設計できるか
- AI協働力：AIエージェントを使って要件整理や作図を進めながら、方式とトレードオフの判断を自ら下せるか
想定する候補者
Webサービスのバックエンドを設計できるミドル〜シニアエンジニアを想定しています。「モノリスからマイクロサービスへの段階移行設計」は、既存プロダクトのデータ移行を含む設計を担えるエンジニア向けです。
実践開発の問題
レガシー受発注システムの内製化移行と在庫管理 PoC (C# / ASP.NET Core)
既存の「レガシー受発注システムの内製化移行と在庫管理 PoC」の C# / ASP.NET Core 版です。
製造業の受発注管理システムを外注から内製へ移行するプロジェクトを題材に、候補者は内製化推進担当役のAIへの質問で現状と制約を引き出し、移行の計画と技術選定を行ったうえで、在庫管理の PoC を実装します。PoC の実装は C# / ASP.NET Core で行い、それ以外のアーキテクチャやデータストアは候補者が選びます。
技術選定や移行設計をリードできる、.NET での実装経験があるテックリード・シニアエンジニアを想定しています。
人事CSVによる従業員情報の同期
人事システムが出力するCSVを取り込むたびに、メンバーの重複、更新漏れ、招待とアクセス権の不整合が起きている組織メンバー管理サービスを、継続的に安全に同期できるよう改善する問題です。報告された症状だけでなく、起こりうるケースまで調べて対処し、原因・設計判断・確認した範囲を SOLUTION.md にまとめます。
Django / Express TypeScript / Go / Laravel / Ruby on Rails / Spring Boot の6種を用意しています。
決済プロバイダ連携の二重課金防止と突合
外部の決済プロバイダとの連携で、二重課金や課金の取りこぼしが起きている注文サービスを修復する問題です。社内に残る連携仕様書は現在のプロバイダの挙動と食い違っているため、候補者は提供されたコード・資料と、プロバイダのサンドボックスの実際の挙動を調べて原因を突き止めます。未確定の課金の突合、既存の不整合データの扱い、自動で直すものと人が判断するものの線引きを設計・実装し、調べた内容と保証できる範囲を説明します。
Django / Express TypeScript / Go / Laravel / Ruby on Rails / Java / Spring Boot の6種を用意しています。
CPU 使用率が高いサーバーの調査と復旧
CPU 使用率が高いままになっている本番の Linux サーバーに入り、原因を調べて解消する運用の問題です。稼働中の業務サービスを止めずに負荷の原因となっているプロセスを特定し、再発しない形で止められるかを見ます。調査の手順・原因・対処・業務影響の確認・再発防止を report.md にまとめ、サーバーの最終状態とあわせて評価します。
本番サーバーという設定のため、受験環境のAIエージェントにはサーバーを調べる権限がありません。top・netstat・systemctl などの基本的なコマンドを、候補者が自分で使って調べます。特別な事前知識は不要で、インフラ・運用を担うエンジニアのジュニア層から使えます。
機械学習の問題
2026年7月に追加した「画像分類モデルのファインチューニング」に続き、機械学習エンジニア向けの問題を2問追加しました。どちらも PyTorch で学習処理を実装し、受験環境では GPU を使えます。最終的なモデルは隠し検証データで評価します。
配備環境で崩れない画像分類モデルの構築
ImageNet で事前学習済みの ResNet-50 を、蝶4種の画像データセットにファインチューニングする問題です。学習データでは種と撮影環境が強く相関しており、その相関をそのまま学んだモデルは、撮影環境が均等に分布する配備先で崩れます。データを観察して相関を特定し、学習データの構成そのものを設計し直せるかを評価します。平均の精度だけでなく、最も苦手な群の精度も評価の対象です。
判定の根拠を示す外観検査モデルの構築
製造ラインの外観検査を題材に、欠陥の種別だけでなく「画像上のどこを見てそう判断したか」を示すモデルを作る問題です。学習データには画像単位のラベルしかなく、欠陥の位置は与えられていません。細い傷、散らばった微小な孔、輪郭にしか根拠がない剥離など、根拠の現れ方が異なる6種の欠陥それぞれについて位置を示す必要があり、最も苦手なクラスの成績が重く評価されます。
想定する候補者
PyTorch を用いた深層学習の実装経験がある機械学習エンジニアを想定しています。事前学習モデルのファインチューニングに加えて、分布シフトや汎化に関する基礎知識があると取り組みやすくなります。
ご利用方法
テスト作成画面のAI協働形式の問題一覧から、各問題を追加できます。問題一覧では、テーマ・出題方式・画面構成で絞り込めます。