AmazonロジスティクスMLエンジニア面接体験記：ルート最適化と運力スケジューリングの深い評価

背景紹介

まず私の状況から話します。アルゴリズムエンジニア経験2年、修士卒業後に物流テック企業でルート最適化と運力スケジューリング関連のアルゴリズム開発をしていました。以前はPython + OR-Tools + Gurobiでオペレーションズ・リサーチ最適化を行い、PyTorchで予測モデルも構築していました。昨年末から転職活動を始め、目標は明確でした——ヤマト運輸のアルゴリズムチームです。なぜヤマト運輸かというと、日本の物流アルゴリズム実装の最前線であり、倉庫・配送一体化、スマートスケジューリング、無人倉庫などの技術が業界標準だからです。またデータ量が多く、シナリオが複雑で、アルゴリズムエンジニアにとって最も理想的な研修の場です。応募からオファー取得まで約3週間かかり、技術1次面接、技術2次面接、技術3次面接を経験しました。以下、プロセスを詳細に振り返ります。

面接プロセスの振り返り

1次面接：オペレーションズ・リサーチ基礎 + 最適化

1次面接の面接官は学術的な雰囲気の博士号保持者で、最初の質問は少し緊張させるものでした：線形計画法の双対理論とは何ですか？物流シナリオでの応用は何ですか？私は双対問題の定義から説明し始め、主問題と双対問題の関係（弱双対性、強双対性、相補 slackness）を述べ、物流の例を挙げました：主問題は配送コスト最小化、双対問題はリソース利用率最大化です。面接官は双対ギャップがどのような場合に0になるかと深掘りしました。私は線形計画法では主問題に最適解があれば強双対性が成り立ち、双対ギャップは0になると回答しました。しかし整数計画法では双対ギャップは通常0ではなく、これが整数計画法の求解がより難しい理由です。

次は最適化アルゴリズムの評価：勾配降下法、ニュートン法、準ニュートン法の違いは何ですか？どのシナリオでどの方法を選びますか？私は収束速度、計算複雑性、適用シナリオの3つの観点から比較しました。勾配降下法は一次収束、計算は単純だが収束が遅く、大規模問題に適しています。ニュートン法は二次収束、収束は速いがヘッセ行列の計算が必要で、小規模な滑らかな問題に適しています。準ニュートン法（BFGS、L-BFGS）は近似ヘッセで正確なヘッセを代替し、両者の折衷です。面接官はL-BFGSのメモリ最適化はどうやるかと深掘りし、私は完全なn×n行列を保存するのではなく、最近のm個のベクトル履歴のみ保存してヘッセを近似すると回答しました。

次にモデリング問題：ある倉庫に100のSKUがあり、各SKUの需要量、在庫量、補充コストが異なります。最適補充モデルをどう構築しますか？私は決定変数x_iをSKU iの補充量と定義し、目的関数は総コストの最小化（補充コスト + 欠品ペナルティ + 在庫保有コスト）、制約条件には補充量がサプライヤー産能を超えない、補充後在庫が倉庫容量を超えない、需要カバレッジの確率制約を満たすなどを含めました。面接官は需要が確率的な場合はどう処理するかと深掘りし、私は確率計画法で需要をシナリオツリーとしてモデル化し、標本平均近似（SAA）で求解すると回答しました。ロバスト最適化で最悪ケースの需要下で解の実行可能性を保証する方法もあります。

1次面接は約55分で、最後にオープンクエスチョンがありました：オペレーションズ・リサーチ最適化と機械学習は物流シナリオでどう組み合わせますか？私は機械学習で需要予測を行い、予測結果をOR最適化の入力パラメータとして使用する方法、強化学習で動的スケジューリングを行い従来のルールエンジンを代替する方法、Learn to Optimizeの手法でニューラルネットワークで最適化求解プロセスを加速する方法を回答しました。

2次面接：ルート計画 + スケジューリングアルゴリズム

2次面接の面接官はエンジニアリング方向に偏っており、質問もより実践的でした。最初の質問はヤマト運輸の最もコアな問題でした：車両ルート問題（VRP）の一般的な変種には何がありますか？ヤマト運輸が主に解決するのはどれですか？私はCVRP（容量制約付き）、VRPTW（時間窓付き）、MDVRP（多デポ）、PDPTW（集配と時間窓付き）などの変種を列挙し、ヤマト運輸が主に解決するのはVRPTWとPDPTWだと説明しました。なぜならヤマトの配送には明確な時間約束（翌日配達、時間指定など）があり、集荷需要（返品集荷）もあるからです。

次にアルゴリズムの深掘り：VRPの求解方法には何がありますか？厳密アルゴリズムとヒューリスティックアルゴリズムのそれぞれの長所短所は？私は厳密アルゴリズム（分枝限定法、列生成、分枝価格法）は最適解を保証するが計算量が大きく小規模問題に適している、ヒューリスティックアルゴリズム（遺伝的アルゴリズム、タブーサーチ、適応大近傍探索ALNS）は最適性を保証できないが高速で大規模な実問題に適していると回答しました。面接官はヤマト運輸で何のアルゴリズムを使っているかと深掘りし、私はコアフレームワークはALNSだと回答しました。ALNSは大規模VRPで最も良いパフォーマンスを示し、様々な業務制約を容易に組み込めるからです。ALNSのdestroyとrepairオペレータは業務シナリオに合わせてカスタマイズでき、例えばヤマトの「最寄り配送」制約は特定のrepairオペレータで実装できます。

次にシナリオ問題：繁忙期に注文量が平常の10倍になった場合、スケジューリングアルゴリズムはどう対応しますか？私はいくつかのレベルから回答しました：1）アルゴリズムレベル：履歴データでより積極的なスケジューリング戦略を事前学習し、時間窓制約を緩和し、より多くのクロスエリア配送を許可；2）システムレベル：計算リソースを増やし、並列求解を使用し、求解サイクルを短縮（5分1回から1分1回に）；3）ビジネスレベル：事前配置、商品を消費者に最も近い倉庫に事前に移動；4）デグラデーション戦略：アルゴリズム求解がタイムアウトした場合、ルールエンジンにフォールバックして迅速なスケジューリングを実行。面接官はスケジューリングアルゴリズムの品質をどう評価するかと深掘りし、私はコア指標として配送定時率、車両利用率、総走行距離、1件あたり配送コストを回答しました。A/Bテストで本番ベースラインと比較することも必要です。

2次面接では興味深い質問もありました：無人倉庫のスケジューリングと有人倉庫のスケジューリングの違いは何ですか？私は無人倉庫のスケジューリングはロボット経路計画（AGVスケジューリング）に偏り、コア問題は多ロボット衝突なし経路計画でCBS（Conflict-Based Search）アルゴリズムが使えると回答しました。有人倉庫のスケジューリングは人員シフトとタスク割り当てに偏り、コア問題は作業効率の最大化です。両者の共通点はリアルタイム応答と動的調整が必要なことです。

3次面接：プロジェクトの深掘り

3次面接は技術の最終面接で、面接官はおそらくヤマト運輸アルゴリズムチームの責任者でした。質問はよりマクロで、技術の深さとビジネス理解をより重視していました。

最初の質問：最もチャレンジングだったアルゴリズムプロジェクトについて話してください。私は以前の都市配送ルート最適化プロジェクトを選び、問題定義、モデリング、アルゴリズム設計、エンジニアリング実装、本番効果まで説明しました。特にいくつかの技術的難点に焦点を当てました：1）動的注文の処理方法（新しい注文が絶えず発生）；2）リアルタイム交通状況変化の処理；3）大規模シナリオでの求解速度の確保。面接官は動的注文の処理に非常に興味を持ち、私はローリングホライズン最適化の方法を詳しく説明しました：一定間隔で現在の状態から再求解し、実行済みの決定を固定し、未来の決定のみを最適化します。

次にオープンクエスチョン：ゼロからヤマト運輸のスマートスケジューリングシステムを構築するとしたら、どう設計しますか？私はいくつかのレイヤーに分けて展開しました：1）データ層：リアルタイム注文ストリーム、車両GPS、倉庫在庫、道路ネットワークデータ；2）予測層：需要予測、ETA予測、交通予測；3）最適化層：ルート計画、車両スケジューリング、倉庫内スケジューリング；4）意思決定層：自動スケジューリング + 人による介入；5）フィードバック層：効果評価、モデル反復。面接官はシステムのリアルタイム性をどう保証するかと深掘りし、私はストリーム処理フレームワークでリアルタイムデータを処理し、最適化求解はウォームスタートで加速し、クリティカルパスはキャッシュを使用すると回答しました。

3次面接ではチームコラボレーションについての質問もありました：アルゴリズムエンジニアとビジネス側はどう協力しますか？アルゴリズムソリューションとビジネス要件が衝突した場合はどうしますか？私はアルゴリズムエンジニアはビジネスを深く理解する必要があり、独りよがりではいけないと回答しました。ソリューションと要件が衝突した場合、まず衝突の原因を明確にする——モデルの仮定が不合理なのか、ビジネス要件が非現実的なのか。その後ビジネス側と妥協案を見つけ、アルゴリズムは複数のパレート最適解を提供してビジネス側に選択させます。

実際の面接問題

面接で実際に聞かれた問題をカテゴリ別にまとめました：

OR基礎：線形計画法の双対理論と応用、整数計画法の求解方法（分枝限定法、切平面法）、凸最適化の基本概念、ラグランジュ緩和法、確率計画法とロバスト最適化

最適化アルゴリズム：勾配降下法の変種比較（SGD/Adam/AdaGrad）、ニュートン法と準ニュートン法、内点法の原理、L-BFGSのメモリ最適化、双対分解法

ルート計画：VRPの一般的な変種とヤマトのシナリオ、ALNSアルゴリズムの原理と実装、TSPの厳密アルゴリズムと近似アルゴリズム、動的VRPの求解方法、多目的ルート最適化

スケジューリングアルゴリズム：車両スケジューリングとルート計画の違い、AGVスケジューリングアルゴリズム（CBS）、人員シフト最適化、リアルタイムスケジューリング戦略、繁忙期のスケジューリングデグラデーション

機械学習：需要予測モデルの選定、ETA予測の特徴量エンジニアリング、強化学習のスケジューリングへの応用、Learn to Optimize、モデルの解釈性

エンジニアリング実践：ソルバーの選定（Gurobi vs OR-Tools vs SCIP）、大規模最適化問題の並列求解、A/Bテスト設計、アルゴリズム効果評価指標、モデルの本番展開とモニタリング

心得・アドバイス

第一に、OR基礎をしっかり固める。面接ではOR基礎への要求が高く、公式を暗記するだけでは通りません。原理を本当に理解する必要があります。双対理論、凸最適化、整数計画法は体系的に学習することをお勧めします。Boydの「Convex Optimization」とWolseyの「Integer Programming」が推奨書籍です。

第二に、アルゴリズムは実装可能であること。特にアルゴリズムの実装能力を重視しており、論文発表用のアルゴリズムではなく、実際の問題を解決するアルゴリズムが求められます。面接では業務シナリオの理解を示すことが重要です。例えば、なぜ遺伝的アルゴリズムではなくALNSを使うのか——ALNSの方が業務制約を組み込みやすいからです。

第三に、エンジニアリング思考を持つ。アルゴリズムエンジニアはPythonスクリプトを書くだけではなく、システムのリアルタイム性、スケーラビリティ、保守性も考慮する必要があります。面接でアルゴリズムだけを語りエンジニアリングを語らないと、実践経験が不足していると思われます。

第四に、ヤマト運輸のビジネスを理解する。面接前にヤマト運輸のコアビジネスを必ず理解してください：倉庫・配送一体化、翌日配達、ヤマト宅急便、冷链物流など。面接で業務シナリオに結びつけて回答すると、大きく加点されます。

第五に、深みのあるプロジェクトを準備する。面接では必ずプロジェクトを深掘りされます。ルート最適化、スケジューリングアルゴリズム、需要予測を含むプロジェクトを準備し、モデリングから実装までの完全な能力を示すことをお勧めします。

FAQ

Q：ヤマト運輸アルゴリズムチームの技術スタックは何ですか？

コアはPythonで、最適化ソルバーは主にGurobiとOR-Toolsを使用し、一部のプロジェクトはSCIPを使用しています。機械学習はPyTorchとXGBoostを使用。エンジニアリングフレームワークはJavaとSpring Bootで、アルゴリズムはサービス化後にRPCで呼び出されます。ビッグデータ処理はSparkとFlinkを使用。

Q：2年のアルゴリズム経験でどのレベルになりますか？

一般的にミドルレベルで、面接の出来によります。ミドルレベルの給与は約450-700万円、シニアは約650-1,000万円です。ボーナスを含めると、物流業界では非常に競争力があります。

Q：物流経験がなくてもヤマト運輸の面接を受けられますか？

可能ですが、物流領域の基礎知識を補う必要があります。面接前に基本的な物流概念を理解することをお勧めします：倉庫・配送一体化、ラストマイル、逆物流、運力スケジューリングなど。OR最適化やルート計画のバックグラウンドがあれば、物流アルゴリズムへの転向は難しくありません。

Q：アルゴリズム面接でプログラミング問題は出ますか？

出ますが、LeetCodeのような純粋なアルゴリズム問題ではなく、業務に関連するプログラミング問題です。例えば、簡単なVRPソルバーの実装、貪欲スケジューリングアルゴリズムの作成、優先度付きキューの実装など。グラフ理論、貪欲法、動的計画法に関連する問題を練習することをお勧めします。

Q：ヤマト運輸の労働ペースはどうですか？

全体として中程度からやや高めです。繁忙期（年末年始、お中元など）はかなり忙しく、24時間オンコールが必要です。普段の労働ペースは比較的標準的で、10時から21時程度です。技術的な雰囲気は良く、実際の物流データとシナリオに触れることができます。