Anthropic のデータエンジニア面接：プロセスと準備

Anthropic から面接の招待を受けて、各段階の内容とルールを知りたいところでしょう。このセクションでは、Anthropic が面接について明示していることと、データエンジニアリング職で一般的なやり方を分けて説明します。ルールを最初に置くのは、準備の仕方を左右するからです。

Anthropic が公開しているのは、職種ごとの選考ルートではなく、職種を問わず適用される面接のガイドラインです。明示している内容は次のとおりです。

• 応募。応募者は応募書類の初稿を自分で書き、仕上げに Claude を使っても構いません。
• 形式。すべての面接は Google Meet で行われ、Anthropic はさまざまなタイムゾーンに対応できます。
• ライブコーディング。技術職では、Anthropic は Colab や CodeSignal などのライブコーディングツールを使います。調べ物はできますが、基本的な構文と標準ライブラリに慣れていることが求められます。
• 持ち帰り課題。Anthropic が特に指示しない限り、Claude を使わずに取り組みます。
• ライブ面接での AI 支援。特に指示がない限り一切認められません。Anthropic は応募者がその場でどう問題を考え抜くかを見たいからです。

Anthropic はデータエンジニア向けの段階別の選考ルートを公開していません。ラウンド名も、面接の回数も、決まった順序もありません。各面談でどの分野を扱うか、各回でどのコーディングツールを使うか、持ち帰り課題が選考に含まれるかを、リクルーターに確認してください。

計画を立てるための目安として、以下の段階はデータエンジニアリング職に共通する準備カテゴリであり、Anthropic のラウンド名ではありません。

• リクルーターとの面談。あなたの経歴、動機、チーム、日程調整。
• 技術スクリーニング。多くはライブコーディング環境での SQL と Python で、運用してきたパイプラインについての質問がよく付きます。
• マネージャーとの面談。あなたが管理してきたシステム、障害への対応、データを使う人たちとの働き方。
• さらに深い技術面接。データモデリング、パイプラインとシステムの設計、より難しい SQL。
• 行動面接と動機の面談。他者との働き方と、この仕事を特にやりたい理由。

Reddit や Glassdoor の投稿には、個々の選考の様子が書かれています。応募者の体験談の中には、与えられたスキーマにクエリを書くのではなく、自分でスキーマを設計するところから始まる SQL の問題を述べたものもあります。そうした投稿は、あるチームでの一人の応募者の体験として受け止め、Anthropic がすべてのデータエンジニアを面接するやり方だとは考えないでください。

評価について Anthropic が最もはっきり述べているのは、ライブ面接で AI の支援を認めない理由です。応募者がその場でどう問題を考え抜くかを見たいからです。データエンジニアにとっては、すべての技術的な質問が、思考過程を見せるテストになります。以下の分野はこの職種の一般的なやり方であり、このページのサンプル質問は練習用の問題です。Anthropic が実際に出題すると確認した質問ではありません。

• SQL とスキーマ設計。行を増やさない結合、ウィンドウ関数、重複排除、イベントデータにおける連続記録やセッション。クエリを書く前にテーブルを設計し、それぞれの粒度を説明できるようにしておきましょう。
• データのための Python。わかりやすいコードでレコードを解析、変換、集計すること。Anthropic は基本的な構文と標準ライブラリに慣れていることを求めるので、普段使うパッケージが演習に含まれない場合に備えて、標準ライブラリだけで問題を解く練習をしてください。
• データモデリング。ファクトとディメンションの違い、時間とともに変わる属性、アナリストや研究者が罠なくクエリできるテーブル。
• パイプラインとシステム設計。バッチ処理とストリーミング、冪等な書き込み、バックフィル、遅れて届くデータ、スキーマ変更、データ品質チェック。途中で要件を変える追加の質問も付きます。
• 行動面での判断力。障害へのオーナーシップ、指標の定義をめぐる意見の相違、スピードと正確さのトレードオフ。
• 動機。なぜこの会社で、なぜこの種類のデータの仕事なのか。あなたが行ってきた仕事に結びついた具体的な答えは、漠然とした熱意より重みがあります。

機械学習の専門家を装う必要はありません。Anthropic は技術スタッフの約半数が以前に ML の経験がなかったと述べています。そのためデータエンジニアには、追加の質問で説明しきれない ML 用語より、堅実なデータの基礎のほうが役に立ちます。ただし、特定のチームが関連する経験を求めることもあるので、募集要項は確認してください。スキル別にまとめた練習問題は問題集にあります。

Anthropic は職種ごとの違いを公開していないので、以下の職種間の比較はデータエンジニアリングの一般的なやり方に基づくものです。

• ソフトウェアエンジニアリングと比べて。アルゴリズムのパズルの比重は小さく、SQL、データモデリング、パイプラインの信頼性の比重が大きくなります。設計の質問は、リクエストをさばくサービスではなく、データがどう動き、どこに到着し、どう修正されるかを中心にします。
• データサイエンスと比べて。統計や実験設計は少なく、アナリストや研究者が頑りにするテーブルを作ることが中心です。データエンジニアは指標の背後にあるテーブルを担当することが多いため、指標がどう定義されるかを聞かれることはあります。
• アナリティクスエンジニアリングと比べて。境目は曖昧です。アナリティクス職はレポート用のモデリングと SQL に寄り、データエンジニア職はデータの取り込み、分散処理、インフラをより深く扱います。

他の企業と比べると、Anthropic が明示しているいくつかのルールが準備の仕方を変えます。AI に関する方針は明確です。Anthropic が特に述べない限り、ライブ面接での AI 支援はなく、持ち帰り課題でも Claude は使いません。ライブコーディング中の調べ物は認められているため、試されるのは構文の暗記ではなく、どう考えるかと、必要な情報をどれだけ速く見つけられるかです。また、すべての面接は Google Meet で行われるため、移動を計画するようなオンサイトの日はありません。他の企業が選考をどう構成しているかのガイドは、企業面接にあります。

Anthropic はデータエンジニア採用のタイムラインを公開していません。日程はチーム、あなたのレベル、面接官のスケジュールで決まります。Anthropic はさまざまなタイムゾーンに対応できると述べており、チームの地域の外から受ける場合に役立ちます。何回の面談があり、決定にどれくらいかかるのかは、リクルーターに聞きましょう。

難しさは、質的に説明するほうが簡単です。調べ物ができることで構文を暗記するプレッシャーはやや和らぎますが、別の点で基準は上がります。ドキュメントを見ることを許す面接官は、関数のシグネチャを記憶しているかではなく、あなたがどう考えるかを見ています。AI の支援がないので、アプローチ、コード、検証をすべて自分で、声に出しながら生み出すことになります。

多くの応募者にとって難しいのは、追加の質問に対する深さです。パイプラインを設計すると、面接官が遅れて届くデータを加え、次にスキーマ変更を加え、出力が間違っているとどうやってわかるかを尋ねます。本番でパイプラインを運用したことがある応募者は、作っただけの人よりこうした変化にうまく対応する傾向があります。

シニアの応募者は、判断力の比重がさらに大きくなると考えてください。何を作らないかを選ぶこと、トレードオフを技術者でない相手に説明すること、過去の失敗を自分のものとして引き受けることが求められます。

Anthropic が明示している条件を中心に準備を組み立てましょう。条件が違うところで練習すると、間違った癖がつくからです。

• AI なしで練習する。特に指示がない限りライブ面接ではアシスタントを使えないため、すべての練習問題をアシスタントなしで解きます。ドキュメントを調べるのは構いませんが、生成された答えはだめです。
• 似たツールで練習する。ブラウザベースのノートブックとオンラインのコードエディタで作業して、環境に慣れておきます。基本的な構文と標準ライブラリをすぐに使えるようにし、公式ドキュメントから答えをすばやく見つける練習もします。
• SQL、まずスキーマ。練習問題ごとに、クエリを書く前にテーブルを設計し、実行する前に各結果の粒度を声に出して述べます。
• モデリングとパイプライン。自分がよく知る領域のパイプラインをスケッチしてから、負荷をかけてみます。一部失敗後の再実行、バックフィル、遅れて届くバッチ、名前が変わった列などです。
• 声に出して考える。問題を解いている様子を録音して、無言の区間がないか聞いてみましょう。Anthropic が見たいと述べているのはリアルタイムの思考です。
• 持ち帰り課題（出された場合）。特に指示がない限り Claude を使わずに完成させます。テスト、前提を書いた簡単な README、不正な入力への明確な対処を加えます。
• 行動面接と動機。自分が担当したパイプラインの障害、指標の定義をめぐる意見の相違、この仕事に興味がある具体的な理由を準備しておきます。

エディタに常に AI アシスタントを開いたまま、何年もデータウェアハウスのテーブルを作ってきたデータエンジニアを想像してみてください。選考の前に、この人は練習のたびにアシスタントをオフにし、ドキュメントだけを頑りに SQL と Python の問題を解き、各ステップを語ります。最初の数回は遅く感じますが、面接の頃には提案を待たずに声に出して考えられるようになります。

練習用のツールは練習で使うものです。SubcueAI の模擬面接ページでは、事前にデータエンジニアリングの質問を声に出してリハーサルできます。実際のライブ面接では、特に指示がない限り AI の支援を使わないという Anthropic のルールに従ってください。