従来型開発からAIへの転身：6ヶ月の独学でAI職位の内定を獲得

背景紹介

私は3年間Javaバックエンド開発を行い、ある伝統的なインターネット企業でCRUDを書き、9時から18時までの生活を送っていました。2025年後半、会社はすべてのプロジェクトに「AIの導入」を要求し始め、私は大規模モデルアプリケーション開発に触れることになりました。思いがけず、私は本当にAIに興味を持つようになりました。そこで大胆な決断を下しました：6ヶ月間独学し、AI方向に転身する。

まず結果から：6ヶ月後、ある大手IT企業のAIアプリケーション開発職の内定を獲得し、給与は40%増加しました。しかし、このプロセスは結果ほど華やかではありませんでした——何度も諦めそうになり、面接で叩きのめされ、自己疑念のどん底に落ちた時期もありました。以下に、この経験を完全に書き出し、同じくAI方向への転身を考えている方々の参考になれば幸いです。

面接プロセスの振り返り

独学ルート：6ヶ月の変容

第1-2ヶ月：Python基礎+機械学習入門

3年のJava経験者として、Pythonへの転換はそれほど難しくありません。構文はすぐに習得できます。難しいのは思考方式の転換です——Javaは厳格なエンジニアリングを重視し、Pythonはより柔軟で「カジュアル」です。2週間かけてPythonの構文に慣れ、その後機械学習の基礎を学び始めました。

学習パス：アンドリュー・ンガのMachine Learningコース（Coursera）→『統計的学習方法』（李航）→ scikit-learn実践。正直、ンガのコースは初心者に非常に親切で、数学の導出は深すぎず、コア概念は明確に説明されています。統計的学習方法はかなりハードコアで、いくつかの章を選んで読み、全部は読みませんでした。

この段階での最大の困難：数学の原理を完全に理解しようとして、導出に多くの時間を費やし、進捗が遅かったこと。後に気づきました：AIアプリケーション開発への転身には深い数学の導出は不要で、コア概念と適用シナリオの理解で十分です。この認識の転換が多くの時間を節約してくれました。

第3-4ヶ月：ディープラーニング+大規模モデル基礎

ディープラーニングは主に2つのリソースを活用しました：3Blue1Brownのニューラルネットワーク可視化動画（直感の構築に役立つ）と『ゼロから作るディープラーニング』（d2l.ai、李沐先生の書籍）。d2lは本当に優れており、理論とコードを組み合わせており、プログラミング経験のある人に適しています。

大規模モデルの基礎は主に：Transformerアーキテクチャ（Attention Is All You Need論文+各種解説記事）→ GPTシリーズの原理 → プロンプトエンジニアリング → LangChainフレームワーク。この段階で小さなプロジェクトを作り始めました。例えば、LangChainでシンプルなRAGシステムを構築するなど。

落とし穴：最初はTransformerをゼロから実装しようとしましたが、コードの細部で2週間詰まり、後で全く不要だと気づきました。アプリケーション開発では、原理の理解+フレームワークの使用で十分です。

第5-6ヶ月：プロジェクト実践+面接準備

最後の2ヶ月はプロジェクトに集中しました。3つのプロジェクトを完成させました：

1. 企業ナレッジベースRAGシステム：LangChain+Chroma+GPT-4o-miniで構築。ドキュメントアップロード、ベクトル検索、インテリジェントQ&Aをサポート。このプロジェクトは後に面接のメインプロジェクトになりました。

2. インテリジェントカスタマーサービスAgent：LangGraphでマルチAgent協調システムを構築。自動分類、ツール呼び出し、人間へのエスカレーションを実現。このプロジェクトはAgent開発能力を示しました。

3. 法律ドメインファインチューニング：LoRAを使用してQwen2.5-7Bを法律ドメイン用にファインチューニング。規模は小さいですが、モデルチューニング能力を示しました。

この3つのプロジェクトはRAG、Agent、ファインチューニングという3つの主流方向をカバーしており、面接ではポジションに応じて異なるプロジェクトを強調できます。

面接経験：まず練習、その後スプリント

練習面接1：某AIスタートアップ（小規模企業）

この企業はAI教育製品を開発しており、ポジションはAIアプリケーション開発でした。面接は比較的シンプルで、主にRAGシステムの実装詳細について話しました。面接官はチャンク戦略と検索最適化について質問し、私はまずまず答えましたが、「検索品質をどう評価するか」というフォローアップ質問で詰まりました。最終的に「プロジェクト経験が深くない」という理由で内定を得られませんでした。

この面接は失敗しましたが、いくつかの知識のギャップを発見するのに役立ちました：評価体系、エンジニアリングの詳細、本番運用。これらは後で重点的に補強しました。

練習面接2：某中規模IT企業AI部門

この面接は3ラウンドありました：技術面接、プロジェクト面接、HR面接。技術面接では大規模モデルの基礎（Transformer原理、RLHFプロセス、プロンプトエンジニアリングのテクニック）について聞かれ、うまく答えられました。プロジェクト面接ではRAGシステムについて重点的に話し、面接官はベクトルデータベースの選定、ハイブリッド検索戦略、ハルシネーション制御についてフォローアップしました。これらは準備していたので、スムーズに答えられました。最終的に内定を得ましたが、給与に満足できず、辞退しました。

この面接は大きな自信を与えてくれました——私の準備は効果的で、実際にAIポジションの面接に合格できることがわかりました。

スプリント面接：某大手IT AIアプリケーション開発職

このポジションの競争は激しく、応募後2週間待って面接通知を受け取りました。面接は全部で4ラウンド：

一次面接（技術面接）：JavaとPythonの違い、Transformerのself-attention計算複雑度、位置エンコーディングの役割、LoRAの原理について質問されました。また、マルチテナント対応AI推論プラットフォームの設計というシステム設計問題も出題されました。リソース分離、スケジューリング戦略、弾力的スケーリングのアプローチで説明し、面接官は満足そうでした。

二次面接（プロジェクト面接）：3つのプロジェクトについて重点的に話しました。面接官はAgentプロジェクトに最も興味を持ち、LangGraphの状態管理、ツール呼び出しの安全性、マルチAgent協調の通信メカニズムについてフォローアップしました。詳しく説明し、アーキテクチャ図も描きました。面接官は最後に「プロジェクトの規模は大きくないが、思考の深さは素晴らしい」と言いました。

三次面接（クロスチーム面接）：この面接官は別のチームからで、よりエンジニアリング寄りの質問をしました：本番RAGシステムの検索品質をどう監視する？LLM APIのレート制限と縮退をどう処理する？異なるモデルの効果をA/Bテストでどう比較する？これらの問題は以前深く考えたことがありませんでしたが、バックエンド開発の経験を活かしてまずまずの回答を出しました。

四次面接（HR面接）：転向の理由、キャリアプラン、給与期望について話しました。バックエンドエンジニアリングの経験がAIアプリケーション開発にどのような価値をもたらすかを強調し、HRは評価してくれたようでした。

最終的に内定を獲得し、給与は以前より40%増加しました。

重要問題まとめ

大規模モデル基礎

- Transformerのself-attention計算複雑度は？最適化方法は？

- 位置エンコーディングにはどんな方式がある？RoPEの原理は？

- RLHFの完全なプロセスは？PPOアルゴリズムの核心は？

- KV Cacheとは？なぜ推論を高速化できる？

- 大規模モデルのtemperature、top_pパラメータはそれぞれ何を制御する？

RAG関連

- RAGシステムのコアコンポーネントは？

- ベクトルデータベースの選定方法は？Milvus、Weaviate、Chromaの違いは？

- ハイブリッド検索（ベクトル+キーワード）の実装方法は？RRFアルゴリズムの原理は？

- RAGシステムの検索品質をどう評価する？

- RAGシステムのハルシネーション問題をどう処理する？

Agent関連

- ReActパターンの核心は？

- LangGraphとLangChainの違いは？なぜLangGraphを選ぶ？

- マルチAgent協調の通信メカニズムには何がある？

- Agentのツール呼び出しの安全性をどう保証する？

- Agentの評価体系をどう設計する？

ファインチューニング関連

- LoRAの原理は？rankとalphaパラメータの選び方は？

- SFTデータの準備方法は？データ品質の保証方法は？

- モデルの過学習をどう判断する？

- DPOとRLHFの違いは？それぞれの適用シナリオは？

エンジニアリング

- 本番大規模モデルアプリケーションの品質をどう監視する？

- 大規模モデルAPIのレート制限と縮退をどう処理する？

- 異なるモデルの効果をA/Bテストでどう比較する？

- 大規模モデルアプリケーションのコストをどう最適化する？

アドバイスと気づき

1. AIアプリケーション開発への転身は数学から始める必要はない。AIへの転身というと線形代数と確率論から始めようとする人が多いですが、AIアプリケーション開発ではそれほど深い数学の基礎は不要です。コア概念の理解、フレームワークの使用、プロジェクトの構築ができれば十分です。数学は後で徐々に補えばよい。

2. プロジェクト実践はコース視聴の10倍重要。100時間のコースより1つのプロジェクトが勝ります。プロジェクトは断片的な知識を結びつけ、面接で最も説得力のある証明になります。

3. 従来型開発の強みを活かす。バックエンドエンジニアがAIアプリケーション開発に転向する最大の利点はエンジニアリング能力です。多くのAIポジションの候補者はモデルを理解しているがエンジニアリングを理解していません。AIシステムとエンジニアリング実践を組み合わせることが、あなたの差別化された競争力です。

4. まず小規模企業で練習し、その後大手ITにスプリント。最初から大手ITの面接を受けないでください。まず2-3社の小規模企業で感覚を掴み、知識のギャップを発見してください。小規模企業の面接は難易度が低く、自信を構築しやすく、準備不足の箇所を発見するのに役立ちます。

5. 独学にはリズムが必要。6ヶ月の独学で最も難しいのは内容ではなく、継続することです。私のアドバイス：週次学習計画を作成する、学習コミュニティに参加して互いに励まし合う、定期的にアウトプット（ブログや共有会）してモチベーションを維持する。

6. 面接で積極的に転身ストーリーを語る。方向転換は弱点ではなく強みです——学習能力と適応力を示しています。なぜ転向したか、どう学んだか、何を学んだかを積極的に話してください。面接官は通常非常に興味を持つでしょう。

FAQ

Q：AIプロジェクト経験がない場合、履歴書にどう書く？

個人プロジェクトを作成してください。RAGシステム、Agentアプリケーション、ファインチューニングプロジェクトはすべてローカルで完了でき、会社のリソースは不要です。これらのプロジェクトをGitHubに公開し、履歴書に「個人プロジェクト」として記載すればよい。面接官が重視するのはあなたの能力であり、プロジェクトの出所ではありません。

Q：6ヶ月の独学で十分？

大規模モデルアプリケーション開発が目標であれば、6ヶ月で十分です。しかし、アルゴリズム職位（モデル訓練）を目指す場合、6ヶ月では全く足りません。まずアプリケーション方向から始め、経験を積んだ後にアルゴリズム方向に進むかどうかを検討することをお勧めします。

Q：AI方向への転身に修士号は必要？

目標によります。アルゴリズム研究やLLM訓練を行いたい場合、修士号はほぼ必須です。しかし、AIアプリケーション開発であれば、職務経験+プロジェクト経験で十分です。AI関連の学位を持たずに転身に成功した同僚を何人も知っています。

Q：面接で「なぜ方向転換したのか」と聞かれたらどう答える？

正直に答えてください。私の回答は：「従来型開発でAIツールが効率を大幅に向上できることを発見し、AIに深い興味を持ちました。さらに学習した後、AIアプリケーション開発は将来のトレンドであり、私のバックエンドエンジニアリングの経験がAIシステムをより信頼性が高く保守しやすいものにするのに役立つと気づきました。」

Q：大手ITのAI職位の面接難易度は？

中程度より上。技術面接は基礎+システム設計をテストし、極端にマニアックな問題は出ない。プロジェクト面接は深さと思考を重視し、表面的な問題だけは聞かない。クロスチーム面接はエンジニアリング寄りで、実際の実装能力をテストする。全体として、十分な準備があれば合格可能です。