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

Votre candidature pour un poste de Machine Learning Engineer chez EY part dans le vide et vous ne savez pas si le problème vient du CV ou du niveau technique attendu. Les cabinets de conseil et d'audit recrutent des profils ML pour des missions très variées, et une candidature générique se noie dans la pile. Voici comment adapter votre CV et votre préparation à ce type de poste sans inventer de processus interne.

Comprendre ce que couvre le poste chez EY#

Chez un acteur comme EY, un Machine Learning Engineer n'est pas un chercheur isolé dans un labo. Le poste se situe souvent à la frontière entre la data science, l'ingénierie logicielle et la mise en production chez le client. Selon les équipes et les pays, vous pouvez travailler sur du POC, sur l'industrialisation de modèles, ou sur des pipelines de données dans un environnement cloud.

Le nom exact du poste varie. On trouve Data Scientist, ML Engineer, AI Engineer, Analytics Engineer, Consultant Data, ou MLOps Engineer. Les missions sont réparties entre les practices dédiées à la data, les équipes de transformation digitale et parfois des filières spécialisées. Les intitulés et les périmètres changent selon les années et les bureaux, donc lisez l'offre ligne par ligne plutôt que de vous fier au titre.

Le marché français ajoute ses contraintes. Les postes se concentrent sur Paris et la région parisienne, avec des opportunités à Lyon, Lille, Nantes ou Toulouse selon les équipes. Les recrutements se font en CDI, en contrat de mission, ou via des profils juniors en alternance. Les fourchettes de salaire annoncées pour des profils ML dans le conseil varient beaucoup selon l'expérience, la ville et la practice. Vérifiez les chiffres sur les offres en cours et sur les sources officielles plutôt que sur des moyennes de blogs.

Les mots-clés qui passent les filtres#

Un recruteur de cabinet scanne votre CV en quelques secondes, puis un logiciel de suivi des candidatures le trie avant lui. Votre CV doit donc contenir les termes exacts de l'offre. Repérez-les avec un outil de lecture d'offre d'emploi puis vérifiez votre document avec un vérificateur de compatibilité ATS gratuit avant d'envoyer.

Les termes reviennent souvent dans les offres françaises de ce type :

• Python, et dans une moindre mesure Scala, R ou Java
• PyTorch ou TensorFlow, avec la version utilisée si elle compte pour la mission
• Scikit-learn, Pandas, NumPy pour la partie manipulation de données
• SQL, et parfois Spark ou Databricks pour le traitement à l'échelle
• AWS, Azure ou GCP, avec le service précis si vous l'avez utilisé
• Docker, Kubernetes, CI/CD pour la mise en production
• MLOps, monitoring de modèles, drift, feature store
• LLM, RAG, NLP, computer vision, time series, selon la practice visée
• Git, tests unitaires, revue de code
• Français courant et anglais professionnel, souvent exigés côté client

Attention au piège du listage. Empiler vingt outils sans contexte donne l'impression d'un CV fourre-tout. Chaque technologie doit être rattachée à un usage, un périmètre ou un résultat.

Un exemple de reformulation#

Prenons une ligne que je vois souvent dans les CV de profils ML, et réécrivons-la.

Avant :

• Travail sur un modèle de prévision avec Python et machine learning

Après :

• Développement d'un modèle de prévision de la demande en Python (XGBoost, scikit-learn), réduction de l'erreur de prédiction de 18 % sur un jeu de données de trois ans, mise en production via une API FastAPI conteneurisée avec Docker et déployée sur AWS

La seconde version donne la stack, le périmètre et le résultat. Si vous n'avez pas de chiffre, remplacez-le par un fait vérifiable : nombre de lignes traitées, fréquence de rafraîchissement du modèle, nombre d'utilisateurs de l'outil, ou le fait que le modèle tourne encore en production. Ne gonflez jamais les résultats, un recruteur technique pose des questions dessus.

Pour les profils plus juniors, un projet d'école ou un projet personnel bien décrit vaut mieux qu'une liste d'outils. Dites le problème traité, la donnée disponible, le choix du modèle et la limite rencontrée.

Préparer l'entretien technique#

Le processus de recrutement diffère selon les équipes, les pays et les niveaux. Ne vous fiez pas à un témoignage daté. En général, attendez-vous à un premier échange RH, une étape technique, puis un entretien avec le manager ou le partenaire de la practice. La part de coding, de design de systèmes ou de questions métier varie.

Côté technique, préparez quatre blocs. Python et structures de données. Machine learning fondamental : biais, variance, overfitting, choix de métrique, validation croisée. Mise en production : API, conteneur, pipeline d'entraînement, monitoring. Enfin, le design d'une solution ML pour un cas client, avec les contraintes de coût, de latence et de confidentialité des données.

Côté comportemental, le format STAR reste le plus efficace : situation, tâche, action, résultat. Les cabinets interrogent beaucoup sur le travail en équipe, la gestion d'un client qui change d'avis, et une situation où vous avez livré sous contrainte de temps.

Voici une réponse type pour la question « Parlez-moi d'un modèle que vous avez mis en production » :

« Dans mon poste précédent, l'équipe marketing préparait ses prévisions dans un tableur, avec deux jours de retard chaque mois. J'ai repris la donnée disponible sur trois ans, comparé une régression linéaire, un gradient boosting et un LSTM, et retenu le gradient boosting parce qu'il était plus simple à maintenir et presque aussi précis. J'ai écrit l'entraînement sous forme de script reproductible, ajouté un test de non-régression sur la métrique, et servi le modèle par une API. Le pipeline tourne toutes les nuits et l'équipe a récupéré ses deux jours. Le point que je referais autrement : j'ai sous-estimé le nettoyage des données, qui a pris plus de temps que le modèle lui-même. »

Cette réponse donne un contexte, des choix assumés, un résultat, et un point faible assumé. C'est exactement ce qu'un manager cherche à entendre.

Le volet marché local à ne pas négliger#

En France, la question du contrat compte autant que la technique. Certains postes sont ouverts en portage, en prestation ou en contrat de mission pour des missions clients, d'autres en CDI interne. Demandez dès le premier échange le type de contrat, la part de déplacement client, et la politique de télétravail. Les cabinets ont souvent une part de déplacement, parfois hebdomadaire, selon les missions.

Si vous postulez depuis l'étranger, aucune garantie de visa n'est automatique. Le passeport talent et d'autres dispositifs existent, avec des conditions de salaire et de diplôme qui évoluent. Vérifiez toujours les critères actuels sur le site officiel de l'administration française avant de vous engager sur un calendrier.

Pour trouver des offres réelles et lire les formulations employées, parcourez les annonces en ligne sur notre moteur d'offres d'emploi et comparez les intitulés. Vous verrez vite les écarts de vocabulaire entre un ML Engineer côté industrie et un consultant data côté cabinet. D'autres guides de préparation sont disponibles dans nos articles de carrière si vous visez plusieurs types d'employeurs en parallèle.

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 un poste EY Machine Learning Engineer en France ?

Oui dans la majorité des cas, car les missions client se déroulent en français. L'anglais est souvent demandé en complément pour les équipes internationales et la documentation technique.

Quelles expériences mettre en avant si je viens d'un master de data science ?

Mettez en avant les projets où vous avez géré la chaîne complète, de la donnée brute jusqu'au déploiement, même sur des jeux de données académiques. Ajoutez un lien vers un dépôt Git lisible, avec un README qui explique le problème et les résultats.

Dois-je absolument connaître les LLM pour postuler ?

Non, tout dépend de la practice. Si l'offre mentionne du RAG, du NLP ou des modèles de langage, préparez alors un projet concret et sachez expliquer les coûts d'inférence et les enjeux de confidentialité des données.

Combien de temps dure un processus de recrutement dans ce type de cabinet ?

Cela varie selon le pays, le niveau du poste et la disponibilité des équipes. Comptez généralement plusieurs semaines entre le premier échange et la décision, et demandez un calendrier dès le départ.

Les fourchettes de salaire annoncées en ligne sont-elles fiables ?

Elles donnent un ordre de grandeur, pas un engagement. Les niveaux varient selon l'expérience, la ville, le type de contrat et la practice. Vérifiez les chiffres sur les offres en cours et sur les sources officielles, et négociez à partir de votre situation réelle.