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

Vous postulez sur une offre KPMG Machine Learning Engineer et vous ne savez pas quelles expériences mettre en avant. C'est le problème classique des profils ML : trop de projets perso, pas assez de mise en production, et un CV qui parle d'algorithmes quand le recruteur cherche de la livraison client.

Ce que couvre un poste ML dans un cabinet comme KPMG#

Un cabinet d'audit et de conseil ne recrute pas un ML Engineer pour faire de la recherche. Il le recrute pour livrer des modèles dans des missions clients, souvent sur des problèmes de détection d'anomalie, de prévision, de classification documentaire ou d'automatisation de contrôles.

Attendez-vous à deux types de travail : des missions en clientèle avec des délais serrés, et des développements réutilisables sur les offres du cabinet. Le poste mélange modélisation, mise en production, et une part de communication écrite envers des interlocuteurs qui ne sont pas des data scientists.

Relisez l'offre à laquelle vous répondez, mot pour mot. Les intitulés varient beaucoup d'une entité à l'autre, et un poste « Machine Learning Engineer » chez un cabinet ressemble rarement au même intitulé dans une scale-up. Un outil de lecture de l'annonce comme le décodeur d'offre d'emploi gratuit peut vous aider à trier ce qui est vraiment attendu.

Choisir les bons mots-clés pour le CV#

Les cabinets utilisent des ATS, comme presque tout le monde. Le CV doit contenir les termes exacts de l'annonce, pas leurs équivalents que vous trouvez plus élégants. Si l'offre écrit « MLOps » et que vous écrivez « industrialisation de modèles », vous prenez un risque inutile.

Trois blocs de mots-clés reviennent souvent. Le premier concerne le code et les données : Python, SQL, Spark, pandas, Spark ML, scikit-learn. Le deuxième concerne la mise en production : Docker, Kubernetes, CI/CD, MLflow, Airflow, monitoring de dérive. Le troisième concerne le cloud et la gouvernance : AWS, Azure, GCP, sécurité des données, RGPD, traçabilité des modèles.

Ne faites pas de liste de compétences de trois pages. Gardez les mots-clés qui apparaissent dans l'annonce ou dans des offres comparables sur le marché français, et retirez le reste. Vous pouvez vérifier la cohérence de votre document avec un vérificateur de compatibilité ATS gratuit avant d'envoyer.

Exemple de bullet reformulé#

Un bullet faible dit ce que vous avez touché. Un bullet utile dit ce que vous avez livré, sur quel volume, avec quel suivi.

Version faible : « J'ai travaillé sur des modèles de prévision de la demande pour un client retail. »

Version retravaillée : « Développé et mis en production un modèle de prévision de la demande à 4 semaines sur 2 ans de données de ventes, validation croisée temporelle, conteneurisé avec Docker et orchestré via Airflow, avec un suivi mensuel de la dérive des prédictions. »

La seconde version ne promet rien de spectaculaire. Elle donne une fenêtre de prévision, une durée de données, une méthode de validation, un mode de déploiement, et une preuve que le modèle vit après la livraison. C'est exactement le genre de détail qui déclenche des questions d'entretien auxquelles vous savez répondre.

Préparer l'entretien technique#

Préparez trois projets de bout en bout : le problème métier, les données disponibles, le choix du modèle, la validation, le déploiement, la maintenance. Les questions viennent rarement sur la théorie seule. Elles viennent de vos choix.

Sachez défendre un point précis : pourquoi pas une régression linéaire, pourquoi une validation temporelle plutôt que k-fold, comment vous détectez une dérive, que faites-vous quand les données manquent. Entraînez-vous à répondre à voix haute, pas seulement dans votre tête.

Exemple de réponse à la question « Parlez-moi d'un modèle que vous avez mis en production » :

« Le besoin était de réduire le temps de contrôle manuel sur des factures fournisseurs. Les données historiques couvraient environ deux ans, avec des formats très hétérogènes. J'ai commencé par extraire les champs structurés, puis entraîné un classifieur de conformité avec scikit-learn, en validation croisée stratifiée par mois pour éviter la fuite temporelle. Le modèle a été déployé en batch quotidien dans un conteneur Docker, avec des logs et un seuil de rejet : en dessous de la confiance demandée, l'humain reprend la main. J'ai suivi la performance pendant les premières semaines et réentraîné une fois, quand un nouveau fournisseur a modifié ses formats. »

Cette réponse suit une logique simple : problème, données, choix, déploiement, garde-fou, suivi. Réutilisez la structure sur vos propres projets, avec vos vrais chiffres.

Ne négligez pas la partie comportementale. Un cabinet vend du temps d'expertise à des clients. On vous demandera comment vous gérez une demande floue, un délai court, un désaccord avec un collègue, ou une donnée que personne ne comprend. Préparez des réponses courtes, avec un exemple réel pour chacune.

Ce qu'on peut dire du recrutement sans inventer#

Je ne vais pas vous décrire les étapes internes de KPMG. Elles diffèrent selon le pays, l'entité, le niveau du poste et l'équipe qui recrute, et inventer un processus précis vous ferait perdre du temps. Ce que je peux dire : préparez chaque entretien à partir de l'annonce réelle, de votre CV, et du périmètre du poste.

Demandez explicitement au recruteur, en début de processus, le déroulé prévu, le nombre d'étapes, le format de l'évaluation technique et les délais. C'est une question normale, elle ne dessert jamais. Notez la réponse, puis préparez en conséquence.

Les spécificités du marché français#

Quelques points à garder en tête, surtout si vous arrivez de l'étranger ou si vous sortez d'école. Les intitulés de poste varient beaucoup : Data Scientist, ML Engineer, AI Engineer et Data Engineer se recouvrent parfois sur les mêmes missions. Lisez le contenu, pas le titre.

Les rémunérations varient fortement selon l'expérience, la ville et le périmètre. On observe des fourchettes très différentes entre un junior basé à Lyon et un profil senior sur Paris, avec un écart encore plus grand pour les profils spécialisés en MLOps ou en LLM. Ne vous basez pas sur des chiffres glanés en ligne : vérifiez sur les sources officielles et les fourchettes annoncées dans l'offre à laquelle vous postulez.

Si vous n'avez pas la nationalité d'un pays de l'Union européenne, la question du titre de séjour se pose. Les cabinets recrutent des profils internationaux, mais les conditions dépendent du poste et de votre situation. Aucun cabinet ne garantit un visa à l'avance, et une promesse verbale ne vaut rien : vérifiez toujours sur les sources officielles françaises.

Enfin, le bilinguisme compte. La rédaction de livrables clients se fait souvent en français, les environnements techniques en anglais. Mettez les deux niveaux de langue sur le CV de façon explicite.

Checklist de candidature#

• Vérifier que chaque compétence citée figure dans l'annonce ou dans une offre similaire du marché français
• Réécrire trois bullets avec un contexte, une action, un résultat vérifiable
• Remplacer les verbes vagues par des verbes d'action : conçu, entraîné, déployé, monitoré, réentraîné
• Faire relire le CV pour l'orthographe, une faute sur un nom technique élimine plus vite qu'un détail manquant
• Préparer trois projets racontables de bout en bout, avec les choix techniques justifiés
• S'entraîner à coder à voix haute sur un exercice de manipulation de données, pas seulement sur un algorithme
• Préparer quatre questions à poser au recruteur sur le périmètre, l'équipe, la stack et les délais
• Noter les réponses du recruteur sur le déroulé des entretiens

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 absolument avoir un doctorat pour postuler ?

Non. La majorité des postes de ML Engineer demandent un master ou une expérience équivalente, et ce qui compte c'est la capacité à livrer un modèle en production. Un doctorat aide surtout sur les postes orientés recherche appliquée, que ce type de poste n'est pas toujours.

Quels mots-clés doivent figurer en premier sur le CV ?

Ceux de l'annonce, dans l'ordre où elle les présente pour les blocs techniques. Si elle insiste sur Python, MLOps et cloud, mettez-les en haut de votre section compétences et dans vos bullets récents, pas dans une liste en bas de page.

Comment parler d'un projet personnel sans faire amateur ?

Donnez-lui le même cadre qu'un projet professionnel : problème, données, validation, déploiement, suivi. Un projet personnel documenté et déployé, même modeste, vaut mieux qu'un notebook GitHub sans contexte.

Que faire si l'offre demande une technologie que je ne maîtrise pas ?

Ne mentez pas. Mentionnez la compétence la plus proche que vous avez, et dites clairement ce que vous avez déjà appris seul en un temps court. Les recruteurs testent plus la capacité d'apprentissage que la case cochée à cent pour cent.

Combien de temps préparer un entretien ML dans un cabinet ?

Comptez deux à trois semaines si vous partez de zéro sur les projets et la mise en production, moins si vous avez déjà des livrables solides. Concentrez-vous sur trois projets bien racontés plutôt que sur dix sujets survolés, et testez votre CV sur l'analyseur ATS gratuit avant d'envoyer.