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

Votre candidature pour un poste de Machine Learning Engineer chez PwC part sans retour et vous ne savez pas quels mots-clés ajouter au CV. Vous ignorez aussi comment se déroule l'entretien côté technique. Voici les termes qui reviennent dans ce type de poste, un exemple de phrase de CV réécrite, et un plan de préparation réaliste.

Comprendre le poste avant de toucher au CV#

PwC est un réseau de cabinets membres, pas une entreprise unique. Le poste de Machine Learning Engineer varie donc selon le pays, la ville et l'équipe qui recrute. Un bureau peut chercher quelqu'un pour du conseil data auprès de clients, un autre pour construire des plateformes et des livrables internes.

Lisez l'offre ligne par ligne avant de modifier votre CV. Elle vous dit si le poste penche vers la modélisation, l'ingénierie MLOps ou l'accompagnement client. Si l'offre est rédigée en anglais avec beaucoup de jargon, un outil comme le décodeur d'offres d'emploi peut vous aider à extraire les compétences réellement demandées.

Deux conséquences pratiques. Premièrement, votre CV doit refléter la part conseil ou la part technique selon l'offre. Deuxièmement, vous devez être prêt à expliquer votre travail à quelqu'un qui n'est pas data scientist.

Les mots-clés qui reviennent dans ces offres#

Les offres de ce type s'articulent souvent autour de trois blocs: modélisation, mise en production, contexte client.

Côté modélisation, on voit régulièrement Python, SQL, scikit-learn, PyTorch ou TensorFlow, XGBoost, feature engineering, NLP, LLM, RAG, embeddings, bases vectorielles, évaluation de modèles, statistiques.

Côté mise en production, les termes habituels sont MLOps, Docker, Kubernetes, CI/CD, tests unitaires, monitoring de dérive, MLflow, DVC, Airflow, Spark, Terraform, Git, Azure, AWS ou GCP.

Côté contexte client: gouvernance des données, RGPD, documentation, revue de code, méthodes agiles, ateliers avec les métiers, anglais professionnel.

La règle est simple. Reprenez les termes exacts de l'offre quand ils correspondent à votre expérience réelle. Placez-les dans votre bloc compétences et à l'intérieur de vos phrases d'expérience. Un CV qui répète "Python" dix fois sans contexte se fait recaler par un recruteur, même s'il passe le filtre logiciel.

Un exemple de phrase de CV réécrite#

Beaucoup de CV data ressemblent à ça: "Responsable des modèles de machine learning au sein de l'équipe data."

Cela ne veut rien dire. On ne sait ni ce que vous avez construit, ni avec quels outils, ni quel en a été l'effet.

Version réécrite: "Conçu et mis en production un modèle de détection de fraude (Python, XGBoost, MLflow, Docker) sur un flux quotidien de transactions, avec suivi de la dérive et réentraînement mensuel. Faux positifs réduits de 15 % après trois mois."

Les chiffres sont illustratifs. Remplacez-les par vos vrais résultats. Si vous n'avez pas de métrique chiffrée, donnez l'échelle et la fréquence: nombre d'utilisateurs, volume de données, rythme de déploiement, durée du projet. Une phrase sans chiffre mais avec un périmètre clair vaut mieux qu'un pourcentage inventé.

Passez votre CV final dans le vérificateur de compatibilité ATS pour voir si les termes importants apparaissent dans les bonnes sections. C'est gratuit et ça prend deux minutes.

Préparer l'entretien technique#

Je ne vais pas vous décrire le process interne de PwC: il diffère selon les cabinets membres et les équipes. Ce que je peux dire, c'est que sur ce type de poste, une étape technique est quasi certaine.

Travaillez quatre axes. Les fondamentaux du machine learning, avec les cas où un modèle simple bat un modèle complexe. La programmation Python, sur des exercices courts mais propres, tests compris. L'architecture d'un système ML, de l'ingestion des données au monitoring en production. Les questions de données réelles, valeurs manquantes, déséquilibre des classes, fuite de données.

Préparez aussi une réponse courte sur un choix technique que vous regrettez. Les cabinets de conseil posent ce genre de question pour voir si vous savez travailler en équipe quand ça coince.

Voici un exemple de réponse à "Parlez-moi d'un modèle que vous avez mis en production", structure en quatre temps, à adapter avec votre propre cas:

"Le problème était de détecter des transactions frauduleuses en temps réel, avec beaucoup de faux positifs côté équipe métier. J'ai comparé une régression logistique à un gradient boosting, sur une validation temporelle pour éviter la fuite de données. J'ai retenu le gradient boosting parce qu'il gagnait en rappel sans dégrader la précision, et je l'ai packagé dans un conteneur avec un suivi de dérive. En production, l'équipe métier a revu 30 % de cas en moins, ce qui nous a permis de traiter plus vite les alertes réelles."

Cette réponse marche parce qu'elle donne le problème, la décision, le compromis accepté et le résultat. Elle ne marche pas si vous inventez les chiffres. Recruteurs techniques comme managers repèrent vite quelqu'un qui raconte un projet qu'il n'a pas mené.

Préparer les questions comportementales et le cas client#

Sur les postes de conseil, la partie technique ne suffit pas. On vous demandera comment vous gérez un désaccord avec un client, comment vous expliquez un résultat à un public non technique, comment vous travaillez sous contrainte de délai.

Préparez trois à cinq exemples réels, tirés de vos projets, avec une situation, votre action, le résultat. Gardez chacun sous deux minutes à l'oral.

La confidentialité des données revient souvent dans ce secteur. Préparez un exemple concret de façon dont vous avez protégé des données sensibles: anonymisation, cloisonnement des accès, documentation des traitements.

Enfin, renseignez-vous sur le cabinet et le bureau qui vous recrutent, à partir des pages publiques du cabinet et de l'offre elle-même. Réciter des valeurs d'entreprise sans exemple personnel sonne creux.

S'adapter au marché francophone#

Les conditions varient beaucoup entre la France, la Belgique, la Suisse et le Luxembourg. Salaire, niveau d'anglais, déplacements chez le client et délais de recrutement ne sont pas les mêmes. Ne vous fiez pas à une moyenne trouvée en ligne: vérifiez sur l'offre publiée, sur les pages carrières officielles du cabinet et, pour le cadre légal, sur le site de l'administration concernée.

Côté salaire, les fourchettes annoncées pour un profil ML expérimenté en France s'échelonnent largement selon la ville et l'expérience, et elles évoluent chaque année. Demandez toujours la fourchette au premier échange plutôt que de partir d'un chiffre trouvé sur un forum.

Si vous postulez hors de votre pays de résidence, renseignez-vous tôt sur les autorisations de travail. Aucun cabinet ne garantit un visa: seul l'organisme officiel du pays concerné peut vous donner la règle en vigueur.

Vous pouvez suivre les offres actuelles dans le moteur d'offres d'emploi et filtrer par intitulé de poste et pays.

Checklist de préparation#

• Repérer dans l'offre les 10 à 15 termes techniques récurrents et les reprendre tels quels dans votre CV
• Réécrire chaque phrase d'expérience avec un périmètre, des outils et un résultat
• Vérifier que le CV passe le filtre logiciel avec un outil de contrôle ATS
• Préparer un exemple de mise en production, un exemple de collaboration client et un exemple de problème difficile
• S'entraîner à coder en Python sans IDE, à voix haute
• Réviser les concepts clés: fuite de données, déséquilibre des classes, dérive, validation temporele
• Lister vos questions pour le recruteur: périmètre du poste, stack, fréquence de mise en production, équipe
• Vérifier la fourchette de salaire et les conditions sur les sources officielles du pays visé

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 faut-il mettre sur un CV pour un poste de Machine Learning Engineer chez PwC ?

Reprenez les termes exacts de l'offre, en général Python, SQL, MLOps, Docker, cloud, tests, monitoring et gouvernance des données. Ajoutez-les dans votre bloc compétences et dans vos phrases d'expérience, jamais en liste isolée sans contexte.

Faut-il un CV d'une page ou deux pages ?

Une page pour moins de huit ans d'expérience, deux pages si vous avez des projets techniques nombreux à détailler. L'essentiel est que les informations recherchées par le recruteur soient visibles en haut de page.

Comment se déroule l'entretien technique pour ce type de poste ?

Attendez-vous à au moins une étape technique: questions de fondamentaux, exercice de code ou étude d'un cas ML. Le format exact dépend du bureau et de l'équipe, donc demandez-le au recruteur dès le premier contact.

Dois-je absolument connaître le cloud pour postuler ?

Pas toujours, mais un déploiement même simple sur Azure, AWS ou GCP vous distingue. Si vous n'en avez pas fait, montrez que vous maîtrisez le chemin complet jusqu'au conteneur et au suivi en production.

Combien de temps faut-il préparer l'entretien ?

Deux à trois semaines en travaillant une heure par jour suffisent pour réviser les fondamentaux et structurer vos exemples. Si vous reprenez le code après une longue pause, prévoyez plutôt un mois.