Lire l'offre sans se faire d'illusions

À la page précédente, vous avez trouvé le problème derrière l’offre. Dans l’application Fennick, le temps de livraison manque de fiabilité aux périodes achalandées. L’équipe cherche quelqu’un pour l’améliorer et maintenir sa qualité. Maintenant, nous lisons l’offre ligne par ligne, comme le ferait un ingénieur expérimenté en apprentissage automatique avant de postuler. Nous classons chaque ligne dans l’un de ces trois groupes :

• Vraiment exigé : l’équipe ne peut pas embaucher quelqu’un sans cet élément, et les entrevues le vérifieront.
• Un souhait : l’équipe aimerait cet élément, mais le poste n’en dépend pas. Les longues listes rassurent les personnes qui rédigent les offres, alors elles y ajoutent des souhaits.
• Manquant : l’offre ne le dit pas, mais le poste l’exige clairement. Ces lignes sont souvent les plus importantes. Les entrevues les abordent, mais beaucoup de candidats ne s’y préparent pas.

Notre lecture est une hypothèse réfléchie, pas un fait. Nous donnons donc aussi les questions qui permettent de remplacer les hypothèses par des réponses.

Le niveau et la rémunération

L’offre ne précise pas le niveau. Vous devez le déduire des autres lignes. « Plus de 4 ans à créer et mettre en production des systèmes d’apprentissage automatique » et « assumer tout le cycle de vie du modèle » décrivent un ingénieur de niveau intermédiaire à senior. Cette personne peut partir d’un problème vague (« l’estimation est mauvaise à l’heure du souper ») et en faire un modèle. Elle peut le mettre en production et assurer son bon fonctionnement, avec un peu d’aide, mais sans directives détaillées. Rien ne vous demande de diriger du personnel ou de définir l’orientation d’autres équipes.

La rémunération va de 135 000 à 170 000 $ CA, plus une prime et une participation au capital. C’est proche des offres canadiennes réelles que nous avons lues. Demandez à quel endroit de cette fourchette les offres commencent habituellement. Certaines entreprises proposent à la plupart des nouvelles recrues un salaire près du minimum.

La section « Bon à savoir » existe à cause de la loi ontarienne. Depuis le 1er janvier 2026, les offres d’emploi publiques en Ontario doivent respecter plusieurs règles. Elles s’appliquent aux employeurs comptant au moins 25 employés. L’offre doit inclure la rémunération prévue et préciser si l’IA sert à trier les candidatures. Elle doit préciser si le poste est actuellement vacant et ne doit pas exiger d’expérience professionnelle canadienne. Donc, votre expérience à Bogotá, Lagos ou Warsaw compte autant qu’une expérience à Toronto. Dans d’autres provinces et pays, les règles diffèrent. Vous devrez peut-être poser vous-même des questions sur la rémunération.

Ce qui est vraiment exigé

Derrière les longues listes, le poste exige cinq choses. Les entrevues y consacreront la majeure partie du temps.

1. Vous avez été responsable d’un modèle en production. Le mot important est « responsable ». Vous répondiez des prédictions du modèle, pas seulement de la machine qui l’exécute. Vous avez choisi la cible, ou au moins compris pourquoi elle avait été choisie. Vous connaissiez sa qualité et remarquiez quand elle diminuait. Lisez « plus de 4 ans » ainsi : vous pouvez parler d’un vrai modèle pendant 20 minutes, y compris des problèmes après le lancement. Si vous le pouvez, le nombre d’années compte moins qu’il n’y paraît.

2. Vous savez prendre de bonnes décisions avec des données tabulaires. Ce poste porte surtout sur des lignes et des colonnes : commandes, magasins, livreurs, heures. Les entrevues vérifieront les décisions de base que tout modèle sur données tabulaires exige :

• Que prédit-on exactement? Pour une estimation de livraison, est-ce un seul nombre ou un intervalle?
• Quelles données avons-nous au moment de la prédiction, et lesquelles obtenons-nous seulement plus tard? Utiliser par erreur des données obtenues plus tard s’appelle une fuite de données. Cela fait paraître le modèle meilleur qu’il ne l’est.
• Comment divisons-nous les données pour les tests? Pour tout ce qui change dans le temps, vous entraînez sur le passé et testez sur une période ultérieure. Une division aléatoire mélange le futur aux données d’entraînement.
• Quelle mesure correspond au coût réel d’une erreur?

L’offre dit seulement « bonne compréhension de l’apprentissage automatique ». Aux entrevues, cette ligne devient de nombreuses questions.

3. Vous savez fournir les prédictions d’un modèle rapidement et de façon sûre. L’offre mentionne un « service de prédiction à faible latence », sans donner de chiffre. Pensez à l’endroit où l’estimation apparaît : sur la page de paiement, chaque fois que quelqu’un l’ouvre. Le modèle doit donc répondre en quelques dizaines de millisecondes, plusieurs fois par seconde, toute la journée. Vous devez savoir ce qui ralentit une prédiction : souvent la lecture des caractéristiques, pas le modèle. Vous devez aussi savoir lancer un nouveau modèle sans perturber le paiement.

4. Vous savez maintenir le bon fonctionnement d’un modèle après son lancement. L’offre dit « surveiller les modèles en production ». Ces mots cachent un vaste sujet. Les données changent : de nouveaux magasins ouvrent, la météo change, un pipeline de caractéristiques tombe en panne sans signe évident. Vous devez savoir quoi surveiller, quand réentraîner et comment remarquer un problème avant les clients.

5. Vous savez travailler avec les personnes qui gèrent les opérations sur le terrain. L’offre mentionne les opérations en dernier, mais elles comptent beaucoup dans une entreprise de livraison. Le personnel des opérations organise le travail des livreurs, parle aux magasins et reçoit les plaintes des clients. Il sait souvent pourquoi l’estimation était mauvaise vendredi dernier avant que les données le montrent. Vous devez lui poser de bonnes questions et expliquer les compromis sans jargon.

Ce qui est probablement un souhait

Le diplôme. « Maîtrise ou doctorat de préférence » est un souhait. La même offre accepte « plus de 4 ans » de travail à la place d’un doctorat. Pour cette équipe, un travail solide en production compte plus qu’un diplôme. Si vous avez un doctorat sans travail en production, le diplôme ne remplace pas non plus cette expérience. Nous y revenons dans La chercheuse.

PyTorch ou TensorFlow, « expérience approfondie ». Vous l’avez vu à la page précédente. Les produits de l’offre concernent les temps de livraison et les prévisions de demande à partir de données tabulaires. Pour cela, les arbres à gradient boosting (renforcement par gradient) sont le premier choix habituel, et souvent aussi le dernier. Attendez-vous davantage à une question comme « Pourquoi choisir un modèle d’arbres ici, et quand un réseau de neurones en vaudrait-il la peine? » qu’à une question sur les détails de PyTorch. Si vous n’avez pas utilisé PyTorch, dites-le et parlez des modèles que vous avez utilisés.

La longue liste d’outils. Kubeflow, Airflow, MLflow, SageMaker, Feast, Tecton, Docker, Kubernetes, Terraform. Une petite équipe en utilise quelques-uns, pas tous. Ce que l’équipe veut vraiment : vous avez déployé des modèles avec certains outils de ce genre. Vous comprenez le rôle de chaque type d’outil et pouvez apprendre à utiliser sa configuration. Demandez à la personne responsable du recrutement quels outils l’équipe utilise aujourd’hui. N’essayez pas d’apprendre neuf outils en une semaine.

Spark, Ray ou Dask. À environ 85 000 commandes par jour, une année d’historique représente environ 31 millions de lignes. C’est beaucoup, mais une seule machine puissante suffit souvent avec du code bien conçu. Ce n’est probablement pas le cœur du poste.

Les LLM et l’IA générative. Environ la moitié des offres réelles que nous avons lues contenaient une ligne de ce genre. Elle détermine rarement qui obtient un poste d’ingénieur en apprentissage automatique. Attendez-vous à une question comme « Où un LLM pourrait-il aider cette équipe, et où ne serait-il pas utile? » Une réponse calme et honnête suffit.

Les outils d’IA pour programmer. Cette ligne était rare en 2024; en 2026, certaines offres en font une exigence. Lisez-la ainsi : « Nous attendons que vous travailliez bien avec les outils modernes et vérifiiez ce qu’ils écrivent. » Elle ne précise pas ce qui est permis aux entrevues, alors posez la question.

Ce qui manque et qui compte

La qualité des données et les écarts entre l’entraînement et la production. L’offre ne mentionne jamais la « qualité des données ». Pourtant, un modèle utilise de nombreuses caractéristiques provenant de tables traitées par lots et de flux en temps réel. Cela crée de nombreux risques d’erreur. Un problème courant est l’écart entre l’entraînement et la production. Une caractéristique est calculée d’une façon pour les données d’entraînement, puis d’une autre en production. Le modèle semble bon pendant les tests, mais fonctionne moins bien avec de vrais clients, sans que personne comprenne pourquoi. Pour cette équipe, supposez que la qualité des données occupe une grande partie du travail.

La façon de tester le modèle avec de vrais clients. « Concevoir et mener des expériences (tests A/B) » semble simple. Dans une entreprise de livraison, ce ne l’est pas. Les clients du groupe test et du groupe témoin partagent les mêmes livreurs et magasins. Un changement pour un groupe peut donc toucher l’autre. Cela s’appelle l’interférence. Vous n’avez pas besoin de connaître toutes les méthodes pour la gérer. Mais « je répartirais les utilisateurs à 50/50 » n’est pas une réponse complète ici.

La garde. Elle n’est pas mentionnée, comme dans presque toutes les offres réelles. Mais si le service du modèle tombe en panne un vendredi soir, quelqu’un doit le réparer. Demandez à quelle fréquence vous seriez de garde et quels problèmes surviennent habituellement.

Le volume et la vitesse. L’offre dit « faible latence » et « capable de passer à l’échelle », sans chiffres. Combien de prédictions par jour? Quel est le délai maximal pour une prédiction? Posez ces questions. Les réponses changent beaucoup la conception.

Ce que la plateforme fait déjà. Une équipe de plateforme gère-t-elle l’entraînement et le déploiement? Comment le réentraînement fonctionne-t-il aujourd’hui, et combien de personnes le comprennent? Les réponses indiquent quelle part de votre semaine va à la modélisation et quelle part au fonctionnement des machines.

Les mots qui décrivent la culture

Certains mots de l’offre décrivent la culture, pas le travail : « centré sur le client », « guidé par les données », « agit vite », « assume les résultats », « privilégie la simplicité ». Ils peuvent signaler de la confiance et un travail dont les clients profitent rapidement. Ils peuvent aussi indiquer que l’équipe est trop petite, ou qu’« assumer » signifie « vous êtes seul à vous en occuper ».

« Privilégie la simplicité » est la plus utile de ces expressions. Elle indique qu’un modèle simple qui fonctionne, avec des raisons claires, est une bonne réponse aux entrevues. Fiez-vous davantage à cette ligne qu’à la liste d’outils.

Pour découvrir la vraie culture, demandez : « Racontez-moi la dernière fois qu’un changement de modèle a mal tourné. Qu’est-il arrivé ensuite? » Une équipe saine répond avec un exemple réel, sans chercher de coupable.

Qui devrait postuler

Personne ne correspond à chaque ligne de cette offre, et personne ne s’y attend. Utilisez les cinq exigences ci-dessus, pas la liste complète. Dans la partie 3, vous suivez une candidature pour chaque situation ci-dessous.

• Vous êtes ingénieur backend et avez construit les systèmes autour d’un modèle, comme les tâches d’entraînement, le service de prédiction et le cache : postulez. L’exigence 3 est votre point fort. Préparez soigneusement l’exigence 2, car ce sera votre lacune. Consultez L’ingénieur logiciel.
• Vous avez un doctorat ou une expérience en recherche, sans travail en production : postulez si la production vous intéresse, et soyez honnête à ce sujet. Exercez-vous avec des modèles simples et la latence, pas seulement avec les méthodes les plus récentes. Consultez La chercheuse.
• Vous êtes scientifique des données et avez déployé un modèle, puis surveillé son fonctionnement en production : postulez. Vous êtes peut-être plus proche de ce poste que votre titre le laisse croire. Préparez-vous au service de prédiction en temps réel et aux tests en ligne. Consultez Le scientifique des données.
• Vous êtes ingénieur de plateforme ou MLOps et déployez des modèles conçus par d’autres : ce poste exige des décisions sur le modèle lui-même. Si vous pouvez expliquer pourquoi un modèle et une mesure ont été choisis, postulez. Sinon, préparez d’abord cet aspect, ou cherchez des postes en plateforme d’apprentissage automatique. Consultez L’ingénieur de plateforme.
• Vous avez travaillé comme ingénieur en apprentissage automatique avant une pause professionnelle et avez actualisé vos compétences : postulez. Vos bases comptent toujours, et vous n’avez pas à vous excuser pour une période sans emploi dans votre CV. Consultez Le retour au travail.

Transformer l’offre en plan de préparation

Reliez maintenant chaque exigence aux questions probables des intervieweurs et aux preuves que vous pouvez présenter. Le tableau couvre les cinq exigences et deux éléments manquants.

Dans l’offre	Ce qu’on vous demandera probablement	Les preuves nécessaires
Responsable d’un modèle en production	« Parlez-moi d’un modèle que vous avez mis en production. Qu’est-il arrivé après le lancement? »	Un modèle que vous pouvez expliquer pendant 20 minutes : cible, données, division, mesure, service de prédiction, problèmes
Décisions avec des données tabulaires	« Pourquoi cette cible? Comment avez-vous divisé les données? Pourquoi cette mesure? »	Des raisons claires pour chaque décision et une erreur trouvée, comme une fuite de données
Service de prédiction rapide et sûr	« La page appelle le modèle à chaque affichage. Comment maintenez-vous sa rapidité? Comment lancez-vous une nouvelle version? »	Un service que vous avez créé ou auquel vous avez contribué, avec ses vrais temps de réponse
Bon fonctionnement après le lancement	« Comment saviez-vous qu’il fonctionnait encore un mois plus tard? Que surveilliez-vous? »	Une vérification de surveillance que vous avez mise en place et une alerte ou un problème qu’elle a détecté
Travail avec les opérations	« Les opérations disent que les estimations sont mauvaises le vendredi. Que faites-vous? »	Un récit où des personnes hors de l’ingénierie ont amené un changement à votre modèle
Qualité des données et écarts (manquant)	« Le modèle est bon hors ligne et moins bon en production. Où cherchez-vous? »	Une façon de comparer les caractéristiques d’entraînement avec celles de production
Tests en ligne (manquant)	« Comment testeriez-vous un nouveau modèle avec de vrais clients ici? »	Une conception de base de test A/B et une idée des problèmes possibles dans une place de marché

Si vous ne pouvez pas remplir la colonne de droite d’une ligne, ce sera votre préparation pour les prochaines semaines. Notre leçon Se préparer aux candidatures montre la même méthode pour toute offre.

Questions à poser à l’équipe

Une entrevue fonctionne dans les deux sens (nos conseils). Ces questions transforment nos hypothèses en faits. Posez chacune au moment le plus approprié. Fennick a six étapes; nous les décrivons à la page suivante.

• Recruteuse (Chantal Roy) : « Quelles sont les étapes des entrevues, et un assistant d’IA est-il permis à certaines étapes? » « Quels outils l’équipe utilise-t-elle aujourd’hui? » « Ce poste comporte-t-il de la garde, et à quelle fréquence? » « À quel endroit de la fourchette les offres commencent-elles habituellement? »
• Gestionnaire responsable de l’embauche (Ravi Subramaniam) : « Sur quoi travaillerais-je pendant mes trois premiers mois? » « Comment l’équipe décide-t-elle qu’un nouveau modèle est assez bon pour le lancer? » « Comment le réentraînement fonctionne-t-il aujourd’hui, et qui le comprend? »
• Entrevue de programmation : « Cela ressemble-t-il au code que l’équipe écrit chaque jour? » « Quelles bibliothèques puis-je utiliser? »
• Entrevue approfondie en apprentissage automatique (Ioana Petrescu) : « Quel a été le problème de production le plus difficile avec le modèle ETA jusqu’ici? » « À quelles caractéristiques faites-vous le moins confiance? »
• Conception de systèmes (Ben Adler) : « Quelle est la limite de latence pour l’estimation aujourd’hui, et où le temps est-il passé? » « Quel est le prochain grand changement de la plateforme? »
• Discussion sur les valeurs (Laura Fitzgerald) : « Quand l’estimation est mauvaise, comment les opérations et l’équipe du modèle l’apprennent-elles, et qui décide quoi changer? »

Écoutez comment les personnes répondent. Une réponse claire avec un exemple est un bon signe. Une réponse vague à une question simple vous renseigne aussi.

À vous de jouer : lire une offre qui vous intéresse

Trouvez une vraie offre d’ingénieur en apprentissage automatique pour un poste qui vous intéresse. Faites ensuite ces quatre choses.

1. Décrivez le problème derrière l’offre en une phrase, sans nommer d’outils.
2. Classez ses lignes dans les trois groupes : vraiment exigé, un souhait, manquant.
3. Trouvez la ligne qui montre à quoi sert la sortie du modèle. Si vous n’en trouvez pas, ce sera votre première question à la personne responsable du recrutement.
4. Faites le tableau de préparation pour les principales exigences et écrivez une question pour chaque étape des entrevues.

Si vous hésitez entre une exigence et un souhait, formulez la ligne en question pour la personne responsable du recrutement. C’est une question normale, et la réponse vous aide à vous préparer.

La suite

À la page suivante, nous examinons les six étapes des entrevues de Fennick : qui les mène et ce qu’elles vérifient. Nous verrons aussi comment un intervieweur rigoureux part de vos réponses pour explorer les limites de vos connaissances.