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

Votre candidature pour un poste de Machine Learning Engineer chez Infosys part dans la boîte mail, puis plus rien. Le problème vient rarement de votre niveau technique. Il vient d'un CV qui ne parle pas le langage de l'offre, et d'une préparation d'entretien trop large.

Ce que fait réellement un ingénieur ML chez un intégrateur#

Infosys est une ESN à l'échelle mondiale. Une grande partie des missions se passe chez un client final : banque, assurance, industrie, distribution. On ne vous demande pas de chercher un article à publier. On vous demande de livrer un système qui tourne, dans un parc informatique qui existait avant vous.

Concrètement, cela veut dire beaucoup de connexion à des bases de données sales, de règles métier héritées, de validation avec des équipes métier. Le modèle n'est qu'une petite brique. Tout le reste est de l'ingénierie. Si votre CV ne montre que des notebooks, vous êtes mal classé.

Les mots-clés qui font passer le CV#

Les recruteurs et les outils de tri cherchent des termes précis. Reprenez ceux de l'annonce, pas votre vocabulaire personnel. Si l'offre dit "deployment", écrivez "deployment", pas "mise en ligne".

Les termes qui reviennent le plus souvent sur ce type de poste :

• Python, SQL, et un second langage si vous l'avez (Scala, Java, Go)
• TensorFlow ou PyTorch, avec la version si possible
• scikit-learn, pandas, feature engineering
• MLOps, CI/CD, Docker, Kubernetes
• AWS, Azure ou GCP, avec les services nommés (SageMaker, Azure ML, Vertex AI)
• MLflow, Kubeflow, Airflow, ou tout outil de suivi d'expériences
• monitoring de modèles, dérive des données, réentraînement
• API REST, FastAPI, Flask, mise à disposition de modèle
• tests unitaires, revue de code, Git

Vous doutez de la lecture automatique de votre document ? Passez-le dans notre vérificateur de CV ATS gratuit avant d'envoyer quoi que ce soit.

Exemple de reformulation d'une ligne de CV#

Version faible, que je vois tous les jours :

"Travaillé sur des modèles de prévision pour le service marketing."

Version retravaillée, pour un poste d'Infosys Machine Learning Engineer :

"Conçu et déployé en production un modèle de prévision de churn (XGBoost, puis API FastAPI sur AWS SageMaker), avec suivi de la dérive des métriques et réentraînement mensuel, utilisé par l'équipe marketing pour cibler les actions de rétention."

La seconde version dit trois choses : la technique, la mise en production, l'usage final. C'est exactement ce qu'on veut savoir. Une ligne faible promet une compétence. Une ligne forte prouve un résultat.

Adapter le CV à chaque annonce#

Un CV générique tombe au fond de la pile. Pour chaque offre, reprenez les cinq ou six exigences principales et placez-les dans votre résumé et vos expériences, sans copier-coller l'annonce entière.

Le plus simple : décodez l'offre d'emploi avec notre outil gratuit pour extraire les mots-clés réels, les exigences dures, et ce qui n'est que du décor. Ensuite, ajustez vos deux premières lignes. Le recruteur lit rarement plus bas quand le début ne colle pas.

Ce qui revient en entretien#

Je ne peux pas vous décrire le process interne d'Infosys. Il change selon les équipes, les pays et les clients, et prétendre le connaître serait mentir. Ce que je peux vous dire, c'est ce qui revient dans les retours de candidats pour ce type de poste.

Trois blocs reviennent : Python et SQL en exercice pratique, les fondamentaux du machine learning, puis un échange sur un projet que vous avez réellement mené. S'y ajoute souvent une discussion sur l'architecture d'un système ML, et parfois une question sur la façon dont vous travaillez avec des équipes non techniques.

Sur les fondamentaux, attendez-vous à un passage sur le surapprentissage, le choix d'une métrique, le déséquilibre des classes, la validation croisée, les fuites de données. On ne cherche pas une définition de mémoire. On cherche à savoir si vous savez quand un modèle est faux.

Exemple de réponse à "parlez-moi d'un modèle que vous avez mis en production"#

Voici un script réaliste que vous pouvez adapter à votre propre cas :

"J'ai travaillé sur un modèle de détection de fraude pour un client du secteur bancaire. Le vrai sujet n'était pas le modèle, c'était la donnée : les transactions arrivaient avec deux jours de retard, et les règles métier changeaient tous les trimestres.

J'ai commencé par clarifier la métrique avec l'équipe métier. On a choisi le rappel plutôt que la précision, parce qu'une fraude manquée coûtait plus cher qu'une alerte fausse. Ensuite j'ai construit un pipeline de features versionné, et j'ai mis le modèle en production derrière une API, avec un suivi du score moyen par jour.

Le résultat : l'équipe traitement a réduit le volume de dossiers à vérifier à la main. Ce que j'en retiens, c'est que j'aurais dû impliquer les équipes de conformité dès la deuxième semaine, pas à la fin."

Cette réponse fonctionne parce qu'elle admet une limite, donne un choix technique avec sa justification, et finit sur quelque chose que vous feriez autrement. Les recruteurs retiennent les candidats qui savent évaluer leur propre travail.

Les points de vigilance sur le marché français#

Côté salaire, les fourchettes varient fortement selon la région, l'expérience et la grille de l'entreprise. Les retours de terrain situent souvent un profil junior dans une ESN autour de 38 à 45 k€ brut annuel en Île-de-France, et plus haut avec de l'expérience en MLOps ou en NLP. Ces chiffres bougent. Vérifiez toujours les offres récentes et les sources officielles, plutôt qu'un article de blog, y compris le nôtre.

Un point que les candidats découvrent trop tard : en ESN, votre poste dépend beaucoup de la mission attribuée. Le titre sur le contrat dit Machine Learning Engineer, la mission peut être du feature engineering en soutien d'une équipe client. Posez la question en entretien : sur quelle mission je commence, avec quelle équipe, et quel est le taux d'occupation prévu.

Si vous n'avez pas la nationalité d'un pays de l'Union européenne, l'embauche passe par un titre de séjour. Les règles changent et dépendent du type de contrat. Consultez les sources officielles françaises en vigueur au moment de votre candidature. Aucun article ne peut vous garantir un visa.

Pour repérer les annonces ouvertes en France, le plus simple reste de consulter les offres d'emploi disponibles et de filtrer par intitulé exact, car "ML Engineer", "Data Scientist" et "AI Engineer" recouvrent parfois le même poste.

Checklist de préparation à envoyer#

• Vérifier que les mots-clés de l'annonce apparaissent dans les deux premières lignes du CV
• Transformer chaque mission en résultat, avec la technique, la mise en production et l'usage
• Préparer deux projets détaillés, dont un avec un problème de données réel
• Réviser les fondamentaux : métriques, déséquilibre des classes, fuites de données, validation
• Réviser SQL sur papier, jointures, fenêtres, agrégations
• Préparer trois questions à poser : mission initiale, équipe, outillage actuel
• Tester votre CV avec le vérificateur ATS et la lecture en PDF
• Lire un ou deux guides de cas pratiques sur nos autres articles de blog

Outils gratuits#

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

Questions fréquentes#

Quels mots-clés mettre dans un CV pour un poste d'Infosys Machine Learning Engineer ?

Reprenez le vocabulaire exact de l'annonce : Python, SQL, TensorFlow ou PyTorch, MLOps, Docker, Kubernetes, et le cloud nommé dans l'offre. Ajoutez les outils de suivi d'expériences et de déploiement que vous maîtrisez réellement. Évitez d'empiler des termes que vous ne pourriez pas défendre en entretien.

Faut-il un diplôme spécifique pour ce type de poste ?

Les offres demandent souvent un master en informatique, statistiques ou équivalent, mais l'expérience terrain compense fréquemment. Un profil autodidacte avec deux modèles réellement en production est plus solide qu'un diplôme sans projet concret. Lisez bien l'offre, certains clients imposent un niveau de diplôme précis.

Combien de temps faut-il préparer l'entretien technique ?

Comptez deux à trois semaines si vous travaillez déjà dans le domaine, avec une heure par jour sur SQL, Python et les fondamentaux. Si vous sortez d'une longue pause, doublez ce délai et ajoutez des exercices de coding pratiques. Le plus long à préparer, c'est le récit de vos projets, pas la théorie.

Comment parler d'un projet confidentiel en entretien ?

Ne citez jamais le nom du client si l'accord de confidentialité l'interdit. Décrivez le contexte en termes génériques : secteur, taille des données, type de problème, choix techniques, résultat mesurable. Les recruteurs sont habitués à cette prudence, et cela montre votre professionnalisme.

L'entretien se déroule-t-il en français ou en anglais ?

Cela dépend du client final et de l'équipe, et cela varie d'une mission à l'autre. Préparez un résumé de projet dans les deux langues, car la bascule vers l'anglais arrive souvent en cours d'entretien. Un niveau d'anglais technique correct est généralement attendu pour ce poste.