TikTok AI Engineer: mots-cles CV et preparation entretien

Votre CV pour un poste TikTok AI Engineer part à la poubelle avant qu'un humain ne l'ouvre, et la raison est presque toujours la même : vos mots ne ressemblent pas à ceux de l'offre. TikTok recrute des profils capables de faire passer des modèles en production, pas des profils qui écrivent « passionné par l'IA ». Ce guide vous donne les termes qui comptent, un exemple de ligne de CV retravaillée, une réponse d'entretien prête à adapter, et les réserves à connaître pour le marché français.

Ce que recouvre réellement un poste AI Engineer chez TikTok#

La société publie des intitulés variés : AI Engineer, Applied Scientist, Machine Learning Engineer, Research Engineer, LLM Engineer. Les intitulés diffèrent, le fond est souvent proche : entraînement ou fine-tuning de modèles, mise en production, évaluation, optimisation des coûts d'inférence.

Lisez toujours l'annonce avant d'écrire quoi que ce soit. Une annonce qui parle de recouvrement de contexte, de RAG, d'agents et de serving attend un autre CV qu'une annonce centrée sur la recommandation, la vision ou le multimodal. Ne devinez pas. Prenez le texte exact et travaillez dessus.

Les mots-clés qui font la différence#

Un ATS compare le vocabulaire de votre CV à celui de l'offre. Le plus simple est d'extraire le vocabulaire de l'annonce avant de réécrire quoi que ce soit. Vous pouvez décoder une offre technique en quelques secondes avec l'outil de lecture d'offre, puis vérifier la correspondance avec le vérificateur ATS gratuit. Ces deux outils sont gratuits sur jobrise : le décodeur d'annonces et le test de compatibilité ATS.

La règle : reprenez le terme de l'annonce quand il décrit votre travail. Si l'annonce écrit « distributed training » et que vous avez fait de l'entraînement multi-GPU, écrivez les deux. Si vous n'avez pas fait, n'écrivez pas. Un entretien technique découvre tout en vingt minutes.

Termes qu'on retrouve souvent dans ce type de poste :

• fine-tuning, LoRA, QLoRA, PEFT, instruction tuning, RLHF ou DPO
• PyTorch, DeepSpeed, FSDP, Megatron, Ray
• CUDA, Triton, kernel optimization, quantization, FP8, INT4
• vLLM, TensorRT, Triton Inference Server, ONNX, serving, batching
• RAG, vector databases, embedding models, reranking, evaluation, hallucination
• MLOps, Kubernetes, model monitoring, data pipeline, feature store
• multimodal, vision-language, ASR, recommendation, ranking

Distinguez bien recherche et ingénierie. Un poste de Research Engineer attend des publications, des expériences d'ablation, une maîtrise de la littérature. Un poste d'Applied ou de ML Engineer attend du code de production, de la latence, du débit, de la stabilité. Adaptez l'ordre de vos puces en conséquence.

La réserve pour le marché français#

Deux points à garder en tête. D'abord, les intitulés français sont parfois trompeurs : « data scientist » chez vous peut correspondre à « machine learning engineer » ailleurs, et l'inverse existe. Reformulez en décrivant ce que vous avez livré, pas votre titre officiel.

Ensuite, les postes TikTok se concentrent sur quelques sites, et l'Europe en offre peu par rapport à l'Asie ou aux États-Unis. Si vous visez une localisation précise, filtrez sur les offres d'ingénieur IA pour voir ce qui est réellement ouvert, et surveillez les intitulés qui reviennent. Pour la rémunération, les fourchettes varient fortement selon le site, le niveau et le package d'actions : consultez les chiffres actuels sur la source officielle de l'employeur ou les offres en cours, ne vous fiez pas à un montant entendu il y a deux ans. Aucun recruteur ne vous garantit un visa : renseignez-vous sur les conditions officielles d'autorisation de travail pour le pays concerné.

Retravailler une puce de CV#

Voici une puce telle qu'on la reçoit souvent : « J'ai travaillé sur des modèles de langage pour un chatbot interne. »

Elle est vraie. Elle ne dit rien d'utile. Pas de taille, pas de rôle, pas de résultat, pas de mot-clé.

Version retravaillée :

Fine-tuning d'un modèle de langage 7B (PyTorch, LoRA, 4xA100) pour un assistant interne de 200 utilisateurs ; réduction de 40 % du temps de réponse par quantisation INT8 et batching dynamique (vLLM), évaluation humaine sur 500 paires de réponses.

Ce qui change : la tâche précise, la taille du modèle, l'outillage, le contexte d'usage, et un chiffre que vous pourrez défendre en entretien. Si vous n'avez pas de chiffre, remplacez-le par un fait vérifiable : volumétrie de données, contrainte de latence, nombre de requêtes par jour. Jamais de pourcentage inventé.

Checklist avant d'envoyer :

• Reprise des 5 à 8 termes techniques de l'annonce dans votre CV, avec vos vrais mots
• Une puce par rôle, écrite tâche, outil, contexte, résultat
• Suppression des adjectifs vides : innovant, passionné, dynamique
• Ordre des sections adapté : projets et publications avant formations si le poste est senior
• Fichier en PDF, texte sélectionnable, pas de colonnes à deux niveaux
• Vérification du passage des filtres avec le test ATS gratuit
• Version anglaise du CV si l'annonce est en anglais, traduction fidèle des intitulés d'entreprise

Préparer l'entretien technique#

Les entretiens pour ce type de poste suivent souvent un schéma qu'on peut préparer sans connaître le processus interne. Attendez-vous à du code, à des questions de fond sur le deep learning, et à un échange sur un projet que vous avez mené. Le reste varie selon l'équipe.

Travaillez quatre blocs. Le code d'abord : Python, structures de données, complexité, et un peu de calcul matriciel ou de parallélisme si le poste est orienté systèmes. Le fond ensuite : rétropropagation, normalisation, optimiseurs, attention, tokenisation, fenêtre de contexte, évaluation d'un modèle génératif. La conception puis : comment servir un LLM à forte charge, comment réduire le coût d'inférence, comment construire un pipeline RAG, comment surveiller la dérive. Votre projet enfin, raconté avec des chiffres que vous maîtrisez.

Un exemple de réponse à préparer#

Question type : « Parlez-moi d'un modèle que vous avez amené en production et des compromis que vous avez faits. »

Réponse :

Sur mon poste précédent, j'ai mis en production un modèle de classification pour trier des tickets support, environ 50 000 par jour. Le besoin initial était un modèle le plus précis possible, mais la contrainte réelle était une latence inférieure à 200 ms par requête sur un budget GPU limité. J'ai commencé par un modèle de 350 M de paramètres, qui atteignait la précision visée mais dépassait 600 ms. J'ai fait deux choses : distillation vers un modèle de 80 M, puis quantisation INT8 avec calibration sur un échantillon de production. Nous sommes passés sous 150 ms avec une perte d'exactitude de 1,2 point, que le métier a acceptée. Le suivi en production repose sur un échantillon mensuel annoté à la main pour détecter la dérive. Ce que j'ai appris : le meilleur modèle n'est pas celui qui gagne le benchmark, c'est celui qui tient la contrainte.

Cette réponse fonctionne parce qu'elle nomme une contrainte, un arbitrage, un résultat et une limite. Remplacez les détails par les vôtres. Si vous sortez d'école, racontez un projet de recherche ou un projet personnel avec la même structure.

Le volet « fit » et les questions à poser#

Préparez une réponse courte sur pourquoi cette entreprise et cette équipe, appuyée sur le produit ou le domaine de l'annonce, pas sur la réputation de la marque. Gardez-la sous deux minutes. Puis préparez trois questions pour vos interlocuteurs : sur la stack d'entraînement, sur la manière dont l'équipe évalue ses modèles, sur la répartition entre recherche et mise en production. Des questions précises montrent que vous avez lu l'annonce.

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 TikTok AI Engineer ?

Reprenez le vocabulaire exact de l'annonce : frameworks, méthodes d'entraînement, outils de serving, domaines comme le multimodal ou la recommandation. Placez-les dans vos puces d'expérience, pas dans une section « compétences » seule, car c'est là qu'un lecteur humain les cherche.

Faut-il un CV en anglais pour postuler ?

Si l'annonce est rédigée en anglais, oui, envoyez une version anglaise. Préparez les deux pour ne pas perdre de temps entre deux processus.

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

Comptez deux à trois semaines de préparation sérieuse si vous travaillez déjà : une heure de code par jour, un sujet de deep learning par semaine, et la répétition de votre récit de projet à voix haute.

Est-ce que le salaire est négociable en France pour ce type de poste ?

Les packages varient selon le niveau, le site et la part variable, souvent incluant des actions. Demandez la fourchette au premier échange et vérifiez les chiffres actuels auprès des offres en cours ou des sources officielles de l'employeur, car les montants publiés en ligne sont souvent périmés.

Dois-je mentionner des projets personnels sur GitHub ?

Oui si le code est propre, documenté et lié au poste. Un dépôt abandonné ou un fork non modifié dessert plus qu'il n'aide : triez avant de partager.