Les entretiens de conception de systèmes en apprentissage automatique (ML) sont une composante clé du processus de recrutement chez des entreprises comme Meta, Apple, Amazon, Google, Snap ou Reddit. Contrairement aux entretiens classiques en ingénierie logicielle, ces entretiens varient fortement selon les équipes : certains se concentrent sur l’architecture logicielle, d’autres sur la formulation de problèmes, le ranking ou la communication. L’objectif principal est d’évaluer non pas la connaissance de formules ou d’algorithmes, mais la capacité à traduire des objectifs métiers en solutions ML concrètes, à gérer l’ambiguïté, à prendre des décisions éclairées en tenant compte des contraintes réelles, et à mener la discussion de manière proactive. Ces entretiens testent plusieurs compétences essentielles. D’abord, la maîtrise du flux de la conversation : les candidats forts ne répondent pas passivement, mais structurent leur raisonnement dès le début, posent des questions pertinentes, et guident l’entretien. Leur niveau de questionnement révèle leur expérience : une bonne formulation de problèmes, une compréhension des contraintes de données, du volume de requêtes ou de l’impact produit. Ensuite, la capacité à jongler entre détails techniques et vue d’ensemble : expliquer un mécanisme d’optimisation tout en le reliant à la performance utilisateur ou à un objectif business. L’attitude face à l’imprévu est aussi cruciale : rester calme, s’adapter, justifier ses choix par des raisons logiques plutôt que par opinion, montre maturité et esprit collaboratif. Même si ce n’est pas un entretien de codage, les meilleurs candidats peuvent plonger dans des détails d’implémentation — pipelines de données, stratégie de déploiement, monitoring — quand on les interroge. Les attentes varient selon le niveau de seniorité. Pour les juniors, on attend une maîtrise technique des algorithmes proposés. Pour les ingénieurs intermédiaires, on cherche une pensée système : capacité à traduire une demande vague en formulation ML claire, à comparer des approches, à envisager les impacts sur la scalabilité, la latence ou l’expérimentation. La communication devient centrale. Pour les postes de Staff+ ou équivalents, on s’attend à une vision large : impact business, traçabilité en production, gestion des cycles de vie des modèles, et surtout, la capacité à mener l’entretien presque seul, en parlant 95 % du temps, en prenant des décisions éclairées sur des choix auxquels il n’y a pas de bonne réponse unique, mais des compromis. Un entretien typique dure 30 à 40 minutes. Il faut y aborder : la compréhension du problème, la formulation de la tâche ML, l’architecture globale, la collecte et préparation des données, la construction des features, le choix du modèle, l’A/B testing, le déploiement (MLOps), le monitoring. Une structure claire, comme un récit, améliore fortement la clarté. Il est essentiel de poser des questions initiales pour clarifier l’échelle, l’usage, les contraintes. L’entretien n’est pas une course à la solution parfaite, mais une démonstration de raisonnement structuré. Pour se préparer, il est crucial de maîtriser les fondamentaux du ML, de lire des cas concrets (blogs, études de cas), de regarder des vidéos d’entretiens, de faire des simulations, et de s’entraîner à dessiner des schémas (ex : Excalidraw). Prendre des notes personnelles, reformuler les idées à sa manière, et s’entraîner à expliquer un système comme à un collègue junior, renforce la clarté. En cas d’imprévus (manque de temps, blocage), la solution est de verbaliser, de résumer, de se recentrer, ou de demander de l’aide. L’important n’est pas de tout finir, mais de montrer une pensée structurée, curieuse, et adaptative. En somme, réussir ces entretiens, c’est développer une pensée systémique, curieuse, et connectée à la réalité du terrain. L’entraînement régulier, les retours, et la réflexion sur ses propres performances sont les clés d’un progrès durable.