Réussir un entretien d'ingénieur IA : le guide complet

Objectif : vérifier l'alignement poste / parcours / disponibilité / package avant d'engager du temps technique.

Questions fréquentes :

• Pourquoi ce poste et cette entreprise maintenant ?
• Rappel de votre parcours en 2 minutes (pitch, pas le CV lu mot à mot).
• Fourchette salariale et disponibilité (CDI, préavis, remote).
• Visa / mobilité si applicable.

Comment réussir :

• Reliez 1 projet concret à la mission de l'offre Expira que vous visez.
• Préparez 2–3 questions sur l'équipe IA, la stack prod et les métriques de succès du rôle.
• Si le salaire est affiché sur l'annonce, ancrez votre fourchette dans cette fourchette + preuves d'impact.

Ressource : Guide négociation salaire IA · Simulateur salaire.

Durée typique : 45–90 min. Moins de LeetCode pur sur les postes IA confirmés ; plus de Python data, SQL, debugging notebook, ou petit exercice ML.

Exemples de demandes :

• Manipuler un DataFrame (pandas) : agrégations, jointures, gestion des missing values.
• Expliquer train/validation/test, overfitting, régularisation.
• Implémenter une métrique (precision/recall, F1) ou interpréter une courbe ROC.
• Lire un extrait de code PyTorch / scikit-learn et identifier un bug.

Pistes de réponse :

• Pensez à voix haute : hypothèses, complexité, tests edge cases.
• Si vous bloquez, proposez un plan B (approximation, heuristique) plutôt que le silence.

Entraînement : Tests techniques LLM & GenAI (RAG, prompts, chunking — proche des entretiens 2026).

Postes visés : ingénieur LLM, ML engineer senior, architecte IA.

On vous demande souvent de concevoir de bout en bout :

• Ingestion documents → chunking → embeddings → vector DB → retrieval → LLM → garde-fous.
• Latence P95, coût par requête, fallback si API down.
• Evaluation offline (faithfulness, relevance) vs monitoring online.

Structure de réponse recommandée :

1. Clarifier le use case (volume, SLA, langues, données sensibles).

2. Schéma des composants (API, queue, cache, observabilité).

3. Trade-offs (modèle local vs API, taille de contexte, reranking).

4. Risques : prompt injection, fuite de données, hallucinations — mitigations.

Questions types :

• « Concevez un assistant support interne sur 50k PDF. »
• « Comment évaluez-vous un RAG avant mise en prod ? »
• « Comment versionner prompts et embeddings ? »

Aller plus loin : Fiche métier ingénieur LLM · Blog entretien LLM.

Fréquent en scale-up et chez les product managers IA : on vous donne un scénario business (churn, fraude, recommandation, automatisation support).

Attendu :

• Reformuler le problème en termes de métrique (revenue, coût, NPS, délai).
• Proposer une approche ML/IA réaliste (baseline simple → modèle → déploiement).
• Discuter données disponibles, biais, et plan de test A/B.

Exemple de plan :

• Baseline : règles métier ou modèle simple (logistic regression).
• V2 : modèle plus riche + feature engineering.
• Déploiement : shadow mode → canary → rollback si drift.

Montrez que vous parlez aux équipes non techniques : une phrase d'impact business vaut trois lignes de jargon.

Objectif : fit équipe, leadership, priorisation, éthique IA si réglementé (finance, santé).

Méthode STAR (Situation, Tâche, Action, Résultat) pour le comportemental :

• Conflit technique (choix de stack, dette ML).
• Projet en retard : comment vous avez rescopé.
• Mentorat ou revue de code sur un sujet GenAI.

Questions à poser au manager :

• Quelle part du temps en prod vs recherche / POC ?
• Comment est mesurée la réussite du rôle à 6 mois ?
• Stack actuelle et dette MLOps connue ?

Après l'entretien : relance courte sous 48 h (remerciement + 1 point technique discuté + disponibilités). Suivez vos candidatures dans l'espace candidat Expira.

Ingénieur LLM / GenAI

• Q : « Comment réduisez-vous les hallucinations ? » → R : grounding RAG, citations, seuils de confiance, human-in-the-loop, eval sets golden.
• Q : « Chunk size pour un corpus juridique ? » → R : dépend du modèle et du reranker ; tester 256–512 tokens, overlap, métriques retrieval recall@k.

MLOps

• Q : « Pipeline CI/CD pour un modèle sklearn ? » → R : tests data + modèle, build Docker, registry MLflow, déploiement K8s, health checks, rollback.
• Q : « Drift : comment réagissez-vous ? » → R : monitoring PSI/KS, alertes, réentraînement planifié, feature store versionné.

Data scientist

• Q : « Différence precision et recall sur un cas déséquilibré ? » → R : exemple fraude ou churn ; choix selon coût faux positif/négatif.
• Q : « Feature leakage ? » → R : split temporel, pas de stats calculées sur le test, validation croisée groupée.

Computer vision

• Q : « Augmentations pour peu de données ? » → R : rotations, color jitter, mixup ; attention au domain shift industriel.
• Q : « Métriques segmentation ? » → R : IoU, Dice ; coût inférence edge vs cloud.

Fiches métiers : MLOps · Data scientist · Ingénieur LLM.

• Parler théorie sans projet — Les recruteurs Expira filtrent sur projets livrés ; préparez 2 histoires prod ou POC solides.
• Ignorer le coût et la latence — Un beau modèle trop cher en inférence est un échec produit.
• Oublier l'évaluation — « On verra en prod » sans métrique offline ni plan de monitoring.
• Copier des réponses LLM — Les interviewers senior détectent le discours générique ; restez ancré dans votre code et vos chiffres.
• Ne pas poser de questions — Passif = manque de curiosité produit.
• Sous-estimer le screening RH — Incohérence salaire/disponibilité = stop avant le technique.
• Négliger la sécurité — Prompt injection et données PII : mentionnez au moins les bonnes pratiques sur un poste GenAI.

Partagez ce guide avec un pair en reconversion — section la plus relayée sur les réseaux car elle évite les faux pas coûteux.