Capgemini Machine Learning Engineer: mots-cles CV et preparation entretien

Votre candidature pour un poste de Machine Learning Engineer chez Capgemini reste sans réponse, et vous ignorez si le problème vient du CV ou du projet. En pratique, les deux jouent. Un CV qui ne reprend pas les mots de l'annonce passe rarement les premiers filtres, et un entretien sans préparation sur les bases fait tomber même des profils solides.

Je ne vais pas vous décrire les étapes internes de recrutement de Capgemini, elles changent selon les entités, les équipes et les clients. En revanche, je peux vous dire ce qui se joue réellement côté CV et côté entretien technique.

Ce que le poste recouvre dans une ESN#

Capgemini est une ESN, donc un cabinet de services. Le titre Machine Learning Engineer peut couvrir des choses très différentes d'une mission à l'autre : mise en production de modèles, construction de pipelines de données, accompagnement d'équipes clientes, parfois du conseil avec peu de code.

C'est le premier point à trancher avant de postuler. Listez ce que vous savez faire et ce que vous refusez de faire. Un poste orienté MLOps dans une équipe centrale n'a rien à voir avec une mission de data scientist en régie chez un client industriel.

Relisez l'annonce ligne par ligne. Si elle est rédigée en termes flous, le décodeur d'offres d'emploi sert à isoler les compétences réellement demandées derrière le jargon de cabinet.

Les mots-clés à faire figurer dans le CV#

Reprenez le vocabulaire exact de l'offre. Si l'annonce parle de deployment, écrivez deployment. Si elle parle de mise en production, écrivez mise en production. Ce détail paraît bête, mais c'est ce que regarde d'abord un tri automatisé ou un recruteur qui passe trente secondes sur chaque CV.

Les termes qui reviennent souvent sur ce type de poste : Python, PyTorch ou TensorFlow, scikit-learn, Docker, Kubernetes, CI/CD, MLflow, Airflow, Spark, AWS, Azure, GCP, API REST, tests unitaires, monitoring des modèles, Git, SQL. Ne mettez que ce que vous maîtrisez vraiment, on vous posera des questions dessus.

Pour contrôler la cohérence entre votre CV et l'annonce, le testeur ATS gratuit montre ce qui manque. C'est rapide et cela évite d'envoyer trente candidatures dans le vent.

Un exemple de reformulation#

Voici un CV que je vois souvent :

Responsable des modèles de machine learning dans un environnement Agile.

Cela ne veut rien dire. La même expérience, reformulée :

Mis en production deux modèles de prévision de churn sous FastAPI et Docker, avec suivi de la performance et tests automatisés à chaque livraison, en lien avec les équipes métier du client.

La version longue donne la stack, le périmètre et le fait que vous avez géré la chaîne jusqu'au bout. Si vous avez des chiffres réels sur vos propres résultats, ajoutez-les. Sinon, restez précis sur les outils plutôt que de gonfler des pourcentages au hasard.

La checklist avant d'envoyer#

• Votre CV reprend cinq à dix mots-clés exacts de l'annonce, dans leur formulation d'origine
• Chaque ligne décrit une action, un outil, un résultat vérifiable
• Votre projet principal est présenté de bout en bout : données, entraînement, déploiement, suivi
• Vous avez préparé deux exemples de problème résolu, avec contexte et résultat
• Vous savez expliquer la différence entre un notebook d'expérimentation et un service en production
• Votre dépôt Git montre du code lisible et documenté, pas seulement des notebooks
• Vous avez vérifié que le poste correspond à votre niveau d'expérience, pas au titre seul

Les sujets à réviser pour l'entretien technique#

Quatre blocs reviennent souvent sur les postes ML en France, quel que soit le cabinet.

Les bases d'abord : biais et variance, surapprentissage, validation croisée, choix des métriques, déséquilibre des classes. On vous demandera pourquoi vous avez choisi telle métrique plutôt qu'une autre, pas seulement laquelle.

Python ensuite. Compréhensions de listes, gestion de la mémoire sur de gros tableaux, vectorisation avec pandas et NumPy, profilage d'un script lent. Un exercice de code à blanc ou un test court est fréquent, entraînez-vous sans IDE.

Le MLOps : versioning des données et des modèles, pipeline CI/CD, tests unitaires et tests de données, monitoring de la dérive. Sachez décrire ce qui se passe quand un modèle dérive en production.

Enfin le système : API ou batch, latence acceptable, passage à l'échelle, coût. On attend que vous ayez une opinion argumentée, pas une recette unique.

Un exemple de réponse structurée#

Question type : « Parlez-moi d'un projet de machine learning que vous avez mené de bout en bout. »

Réponse possible :

Sur mon poste précédent, j'ai construit un modèle de prévision de churn pour un client de la grande distribution, afin de prioriser les clients à relancer. J'ai commencé par extraire et nettoyer les données d'achat sur deux ans. J'ai comparé une régression logistique et un gradient boosting, et j'ai gardé la régression comme référence lisible pour les équipes métier. Le modèle final est passé en production derrière une API FastAPI, conteneurisée sous Docker, avec un suivi de la performance hebdomadaire. Le point que j'ai amélioré ensuite, c'est la gestion des données manquantes, qui faisait dériver les prédictions au fil des mois.

Cette structure fonctionne parce qu'elle donne le contexte, la contrainte, votre choix technique, la mise en production et le retour d'expérience. Restez sur deux ou trois minutes, et laissez l'interlocuteur creuser le point qui l'intéresse.

Le marché français, avec ses limites#

Les rémunérations varient beaucoup selon la ville, l'expérience, la mission et le type d'employeur. Un poste en ESN et le même intitulé chez un grand compte ne se paient pas de la même manière, et la classification conventionnelle joue sur la grille. Vérifiez les fourchettes actuelles sur une source officielle à jour plutôt que sur des témoignages de forum, les écarts sont énormes.

Côté contrat, la plupart des ESN relèvent de la convention collective Syntec : lisez le coefficient et la classification mentionnés dans l'offre, cela dit beaucoup sur le niveau réel du poste.

Si vous venez de l'étranger, aucune entreprise ne garantit un titre de séjour à l'avance. L'autorisation de travail est une condition, pas un bonus négociable. Consultez les pages officielles de l'administration française pour connaître les règles en vigueur, elles évoluent régulièrement.

Pour repérer les postes ouverts en ce moment, les offres d'emploi du moment sont un bon point de départ, et les autres guides de préparation sur notre blog couvrent les cas particuliers.

Outils gratuits#

• jobrise.io/fr/free-ats-checker/
• jobrise.io/fr/free-jd-decoder/
• jobrise.io/fr/jobs/
• jobrise.io/fr/blog/

Questions fréquentes#

Faut-il parler français pour ce type de poste ?

Sur une mission chez un client français, le français est souvent demandé pour les échanges métier et la documentation. Pour des équipes internationales ou des projets transfrontaliers, l'anglais technique peut suffire, mais cela dépend de la mission : lisez l'annonce et posez la question dès le premier échange.

Combien de temps dure le processus de recrutement ?

Cela varie de deux semaines à plusieurs semaines, selon les disponibilités des équipes et le démarrage de la mission. Ne bloquez pas vos autres démarches en attendant une réponse, relancez poliment après dix jours si vous n'avez pas de nouvelles.

Quel salaire demander ?

Aucune fourchette fiable ne tient sans contexte de ville, d'expérience et de mission. Consultez les données récentes de l'APEC ou de l'INSEE, croisez-les avec les offres comparables, puis ajustez à votre situation.

Faut-il un diplôme d'ingénieur ?

Pas toujours. Les parcours universitaires, les masters spécialisés et l'expérience terrain sont acceptés sur beaucoup de postes, mais certains clients imposent des critères de diplôme pour leurs consultants. Si l'annonce le mentionne, c'est souvent une exigence du client final.

Je n'ai jamais mis de modèle en production, comment compenser ?

Montrez un projet personnel complet : données réelles, entraînement, conteneur, API, tests et monitoring basique. Décrivez-le exactement comme un projet professionnel, et assumez franchement ce que vous n'avez pas encore fait en environnement réel.