#036 ML Борис Шарчилев. Как пройти собеседование в ML-команду

#036 ML Борис Шарчилев. Как пройти собеседование в ML-команду

#036 ML Boris Sharchilev. Comment réussir un entretien pour une équipe ML

par Борис Шарчилев (Boris Sharchilev) · Voir la chaîne sur PSI

Sciences humaines, sociales & pensée IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Борис Шарчилев (Boris Sharchilev) 👥 5K 📅 28 décembre 2021 ⏱ 51 min 👁 9K 📄 revue d'actualité 🧭 2026-10-09
Disponible en : Français (actuel) English

Mots-clés

entretien MLcompétencespréparationpipeline de recrutementsoft skills

Résumé

Dans cet épisode du podcast Machine Learning Podcast, l’hôte discute avec Boris Sharchilev, responsable ML chez Yandex Fintech, du processus d’entretien pour les postes de ML engineer. Boris partage son expérience de plus de 114 entretiens menés. Il décrit les étapes typiques : le sourcing des candidats (via recruteurs, recommandations internes), la phase de screening technique (entretiens d’algorithmique et de conception ML), puis l’entretien final avec le manager. Il souligne l’importance de tester des compétences pratiques plutôt que des questions théoriques, en proposant des cas concrets comme la construction d’un classificateur d’articles. Il discute également de la distinction entre data scientist, ML engineer et data engineer, et insiste sur la valeur des compétences en ingénierie logicielle. Il aborde la question des outils et technologies, affirmant qu’il n’y a pas de liste obligatoire, mais plutôt la capacité à s’adapter et à raisonner sur les architectures. Enfin, il évoque les soft skills et la motivation comme facteurs clés pour réussir dans une équipe ML.

162 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur principale réside dans l’expérience directe de l’intervenant, qui a mené plus de 100 entretiens. Il propose des conseils concrets : privilégier des discussions sur des cas réels plutôt que des questions théoriques, évaluer la capacité à raisonner de bout en bout sur un problème, et vérifier les compétences en programmation. L’argumentation est cohérente et structurée, basée sur des exemples pratiques. La discussion sur la différence entre data scientist et ML engineer est éclairante. Cependant, certaines affirmations restent générales et non chiffrées, et la vidéo ne fournit pas de références scientifiques ou d’études pour étayer les propos.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est limitée car il s’agit d’un récit d’expérience personnelle et non d’une étude systématique. Les sources citées dans la description sont principalement des plateformes d’entraînement (Codeforces, HackerRank, LeetCode) et des liens vers le podcast lui-même. Aucune source académique n’est mentionnée. L’adéquation entre le titre et le contenu est parfaite, la discussion couvre explicitement le sujet annoncé.

172 mots

Adéquation titre / contenu

Le titre correspond exactement au contenu : une discussion sur la préparation et le déroulement des entretiens dans les équipes ML.

Qualité & fiabilité

7/10

L'interview repose sur l'expérience personnelle du responsable ML de Yandex (plus de 100 entretiens menés). Les propos sont concrets, sans données chiffrées précises ni références formelles, mais l'expertise est directement pertinente pour le sujet.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • Codeforces — Recommandé pour la préparation algorithmique.
  • HackerRank — Recommandé pour la préparation technique.
  • LeetCode — Recommandé pour les problèmes d'algorithmique.

Apport & nouveautés

L’apport principal est une perspective pratique sur le recrutement ML, basée sur une expérience significative. L’interview fournit des conseils concrets pour les candidats et les recruteurs, en mettant l’accent sur l’évaluation de compétences de résolution de problèmes réels. La distinction entre différents rôles (data scientist, ML engineer, data engineer) est utile.

Pour aller plus loin :

  • Machine learning – Wikipédia — Article de référence pour les bases du ML.
  • Entretien d’embauche – Wikipédia — Contexte général sur les entretiens, pertinent pour les aspects soft skills.
  • Kaggle — Plateforme de compétitions ML pour s’entraîner sur des cas concrets.
  • LeetCode — Plateforme d’exercices algorithmiques, mentionnée dans la vidéo comme outil de préparation.

110 mots

Profil radar

Le profil radar montre une bonne quantité d'informations pratiques, une qualité moyenne reflétant le caractère empirique, un niveau technique modéré (sans approfondissement théorique) et une fiabilité globalement acceptable basée sur l'expérience. La vidéo est utile pour un public cherchant des conseils de carrière, mais ne fournit pas de données objectives ou de références académiques.

Fiabilité 6/10