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

Votre CV de Machine Learning Engineer part dans le vide chez Uber alors que le poste correspond à votre profil. C'est le problème classique : le poste existe, vos compétences aussi, mais rien dans votre dossier ne parle le langage du recruteur qui lit trente CV par heure. On va corriger ça en deux temps : ce qu'il faut faire apparaître dans votre CV, et comment préparer les entretiens sans inventer de processus internes que vous ne connaissez pas.

Comprendre ce que le poste demande vraiment#

Un poste de Machine Learning Engineer chez Uber, c'est d'abord de l'ingénierie. Pas de la modélisation en notebook le vendredi après-midi. Les équipes qui recrutent cherchent quelqu'un qui sait mettre un modèle en production, le surveiller, et le réparer quand il dérive.

Lisez l'offre d'emploi mot pour mot avant d'écrire quoi que ce soit. Repérez les termes récurrents : mise en production, pipelines de données, feature store, monitoring, latence, A/B testing, MLOps. Ces mots ne sont pas du remplissage. Ce sont des filtres de recherche et des critères de lecture.

Pour décoder une offre dense et en extraire les compétences exactes demandées, l'outil de décodage d'offre d'emploi de jobrise vous fait gagner du temps. Vous collez le texte, il sort les thèmes à couvrir. C'est plus fiable que de deviner.

Les mots-clés qui doivent figurer dans votre CV#

Oubliez les listes de compétences génériques. "Python, TensorFlow, SQL" ne dit rien de votre niveau. Ce qui compte, c'est le contexte : quelle échelle, quel résultat, quel rôle exact.

Voici les familles de mots-clés à intégrer, à adapter à votre expérience réelle :

• Modèles en production : déploiement, mise en production, serving, latence d'inférence, batch et temps réel
• Données : pipeline de données, ingénierie des features, feature store, qualité des données, données manquantes
• MLOps : CI/CD pour modèles, versioning de modèles, monitoring de dérive, réentraînement
• Évaluation : A/B test, métriques hors ligne, métriques en ligne, validation, drift
• Infrastructure : Docker, Kubernetes, cloud (GCP, AWS ou Azure), orchestration, Spark, Airflow
• Domaine : pricing, matching, estimation de temps de trajet, détection de fraude, recommandation

Choisissez ceux qui correspondent à votre parcours. Un CV qui liste tout sans expérience réelle se retourne contre vous en entretien.

Un exemple de ligne de CV réécrite#

Voici comment transformer une ligne vague en quelque chose de lisible par un recruteur Uber.

Avant :

"Responsable des modèles de prévision de la demande."

Après :

"Conçu et déployé un modèle de prévision de la demande (gradient boosting, entraîné sur Spark) servant 2 millions de prédictions par jour, avec monitoring de la dérive et réentraînement automatique hebdomadaire ; réduction de 18 % de l'erreur de prévision sur six mois."

Pourquoi ça marche : le rôle est explicite (conçu et déployé), la stack est nommée, l'échelle est donnée, et le résultat est chiffré. Si vous n'avez pas de chiffre exact, donnez un ordre de grandeur honnête et dites-le en entretien. Ne fabriquez rien : un recruteur technique creuse toujours.

Adapter votre CV au poste sans le dénaturer#

Résistez à l'envie de réécrire votre CV pour chaque entreprise à partir de zéro. Gardez un CV de base solide, puis ajustez l'ordre des sections et le vocabulaire.

Priorité à l'expérience pertinente. Si vous postulez sur un poste orienté mise en production, remontez vos projets de déploiement et réduisez la partie recherche académique. Si l'offre insiste sur la modélisation, faites l'inverse.

Utilisez les mêmes termes que l'offre quand ils correspondent à votre travail. Si l'annonce dit "monitoring de modèles" et que vous avez fait du suivi de dérive, écrivez "monitoring de modèles (suivi de dérive, alertes)". Même concept, même vocabulaire. Le recruteur lit plus vite.

Vérifiez que votre CV passe les filtres automatiques avant de l'envoyer. Un contrôle gratuit de compatibilité ATS sur jobrise vous dit si votre mise en page pose problème. C'est cinq minutes bien investies quand vous postulez à des postes très demandés.

La préparation des entretiens : ce que vous pouvez raisonnablement attendre#

Je ne vais pas vous raconter le processus interne d'Uber. Il varie selon les équipes, les pays et les niveaux, et quiconque vous donne le détail exact ment ou répète des rumeurs. En revanche, la nature des épreuves chez les grandes entreprises tech est connue et stable : coding, system design orienté ML, questions de fond sur le machine learning, et un volet comportemental.

Préparez quatre blocs.

Coding et algorithmes. Révisez les structures de données classiques, la complexité, la manipulation de tableaux et de graphes. Entraînez-vous à coder à voix haute. Un exercice par jour vaut mieux que dix le week-end.

ML fondations. Soyez prêt à expliquer le biais-variance, le surapprentissage, la régularisation, le choix d'une métrique, et pourquoi votre modèle se dégrade en production. Les questions portent souvent sur un projet que vous avez réellement mené.

System design pour ML. On vous demandera de concevoir un système : ingestion de données, entraînement, serving, monitoring. Pensez à la latence, au volume, aux pannes, et aux données qui arrivent en retard.

Comportemental. Préparez des histoires concrètes avec la méthode STAR : situation, tâche, action, résultat. Choisissez des exemples où vous avez tranché un arbitrage difficile, pas des succès faciles.

Un exemple de réponse structurée#

Question : "Parlez-moi d'un modèle qui a mal performé en production."

Réponse :

"En 2023, j'ai déployé un modèle de churn qui passait de 0,82 à 0,71 d'AUC après deux mois en production. J'ai d'abord vérifié la qualité des données d'entrée, et j'ai trouvé que trois features dépendaient d'un pipeline qui avait changé de format. J'ai corrigé le pipeline, ajouté des tests de validation sur le schéma des données, et mis en place une alerte sur la distribution des features. Le modèle est revenu à son niveau initial, et surtout le même problème ne s'est plus reproduit parce que le monitoring l'aurait détecté en une journée."

Cette réponse fonctionne parce qu'elle donne un chiffre, une cause, une action, et une amélioration durable. Elle montre aussi que vous pensez au système, pas seulement au modèle.

Les erreurs qui coûtent des entretiens#

Un CV qui liste des outils sans contexte. Un recruteur ne sait pas si vous avez lu la doc de Kubernetes ou si vous l'avez fait tourner en production.

Des projets GitHub morts. Trois dépôts à jour et bien documentés valent mieux que vingt clones de tutoriels. Ajoutez un README qui explique le problème, la solution, et les limites.

Le jargon sans explication. Si vous écrivez "optimisation du serving", dites en une ligne ce que ça veut dire concrètement : latence réduite, coût inférieur, ou montée en charge.

Une préparation bâclée sur le volet métier. Uber est une entreprise de produit. On vous demandera comment vous traduisez un problème business en problème ML. Préparez cet angle.

Checklist de préparation en deux semaines#

• Relire votre CV et aligner le vocabulaire sur l'offre visée
• Vérifier la compatibilité de votre CV avec les filtres automatiques
• Repérer cinq offres correspondant à votre profil sur les offres d'emploi de jobrise
• Réviser les fondamentaux ML une heure par jour
• S'entraîner au coding trois fois par semaine, à voix haute
• Préparer trois histoires comportementales avec la méthode STAR
• Concevoir un système ML de bout en bout sur le papier
• Lire les articles techniques du blog de jobrise sur les entretiens data
• Préparer cinq questions à poser à votre interlocuteur
• Faire une simulation d'entretien avec un collègue ou un mentor

Le marché local : ce qu'il faut savoir avant de postuler#

Si vous postulez depuis la France, sachez que les postes de MLE chez Uber sont souvent basés dans d'autres pays, et que les équipes françaises recrutent surtout sur des profils data, produit ou opérations. Les offres disponibles varient fortement selon les périodes et les bureaux.

Les niveaux de salaire signalés pour un MLE dans les grandes entreprises tech européennes varient beaucoup selon le pays, l'expérience et la part de rémunération variable. Je ne donne pas de chiffre ici parce qu'il serait faux dans six mois. Consultez les grilles officielles et les témoignages récents, et vérifiez la source avant toute négociation.

Si vous visez un poste à l'étranger, la question du visa se pose. Les procédures et les délais dépendent du pays et de votre nationalité. Renseignez-vous uniquement sur les sites officiels de l'État concerné, jamais sur un forum.

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 travaillé sur des millions d'utilisateurs pour postuler ?

Non. Ce qui compte, c'est votre compréhension des problèmes d'échelle, pas le chiffre exact. Un projet à plus petite échelle mais bien expliqué, avec ses limites et ses arbitrages, convaincra mieux qu'un gros chiffre sans contexte.

Combien de temps faut-il préparer un entretien MLE ?

Comptez deux à six semaines selon votre point de départ. Si vous codez déjà régulièrement et que vous maîtrisez les bases ML, deux semaines intensives suffisent. Si vous venez d'un parcours plus académique, prévoyez davantage pour le coding et le system design.

Dois-je personnaliser mon CV pour chaque offre ?

Pas entièrement. Ajustez l'ordre des expériences et le vocabulaire pour refléter ce que l'offre demande, mais gardez un CV de base cohérent. Trop de variations finissent par créer des incohérences que le recruteur remarque.

Que faire si je n'ai pas d'expérience de mise en production ?

Mettez en avant les projets où vous avez livré un modèle utilisable par d'autres, même en interne. Expliquez comment vous gérez les données, la version du modèle, et sa maintenance. L'absence de production à grande échelle se compense par une pensée claire sur le cycle de vie du modèle.

Les questions comportementales sont-elles vraiment importantes ?

Oui, et beaucoup de candidats les négligent. Chez les grandes entreprises tech, un refus vient souvent du volet comportemental alors que le technique était bon. Préparez vos histoires avec la même sérieux que vos algorithmes.