Sur FastAPI à fort trafic, la pratique est réelle sur un pic de rentrée et la conception d'API est soignée. Sur les microservices communiquant par Kafka, les principes sont justes mais appris hors production. Les analytics temps réel sont bien raisonnés, sans volume vécu. Les profils MongoDB sont abordés par un autre outil. L'API de recommandation est pensée avec un repli et une mesure. L'usage de l'IA est cadré.
La pièce à transmettrePart telle quelle chez votre client : sans score, sans verdict, sans signal.
Revelyum
Rapport d'entretien technique
Établi pour Nordlys Conseil
Développeur API Python, plateforme média streaming (H/F)
· Amandine Colas · 13/10/2026
Synthèse
Amandine conçoit des API FastAPI propres sur une plateforme d'e-learning, avec une bonne attention aux erreurs et à la mise en cache. Kafka reste un apprentissage sur projet personnel, sans exploitation en production. Elle raisonne juste sur les compromis, même quand l'expérience de volume lui manque.
Détail par exigence
FastAPI à fort trafic
indispensableSolide
Dimensionne les conteneurs selon la charge, parallélise les appels et soigne la limitation de débit et le cache.
Microservices communiquant par Kafka
indispensableSolide
Maîtrise les principes de Kafka par un projet personnel, sans exploitation en production.
Analytics temps réel
Solide
Raisonne juste sur le compteur rapide et le recalcul exact, sans l'avoir éprouvé à grande échelle.
Profils utilisateurs dans MongoDB
Solide
Connaît le modèle par document mais n'a pas pratiqué MongoDB en production.
API de recommandation
Solide
Prévoit une réponse de repli, une personnalisation par profil et un suivi du taux de clic.
Usage de l'IA
indispensableSolide
Utilise l'assistant pour les tests et l'exploration, par petites demandes, et relit tout avant de tester.
Points d'appui
API claires, avec schémas Pydantic et erreurs exploitables par l'appelant.
Limitation de débit et cache invalidé à la modification.
Raisonnement juste sur l'exactitude contre la rapidité des compteurs.
Relecture et découpage rigoureux avec l'assistant IA.
Points de vigilance
Kafka jamais exploité en production.
MongoDB connu par le modèle, pas par la pratique.
Compteurs en temps réel raisonnés mais pas éprouvés sur un grand volume.
Sujets abordés
FastAPI à fort trafic · Microservices communiquant par Kafka · Analytics temps réel · Profils utilisateurs dans MongoDB · API de recommandation · Usage de l'IA
Entretien conduit en autonomie par le candidat, réponses transcrites puis analysées.
L'évaluation finale appartient au recruteur : Revelyum n'émet aucune décision automatisée.
En clair
Oui, il peut faire ce job
Amandine construit des services web clairs et fiables, et elle a tenu un pic de trafic de rentrée. Elle a appris par elle-même la messagerie entre services sur un projet personnel, sans l'avoir encore exploitée en entreprise.
Ses points forts
Services web clairs et bien protégés
Gestion d'un pic de charge réel
Apprentissage autonome
À creuser en entretien
Messagerie entre services pas encore exploitée en production
Base de données du poste connue par la théorie
Savoir-être
Structurer sa réponse
Sépare clairement ce qu'elle a fait en production et ce qu'elle a appris.
Documente et explique, ce qui aide une équipe à reprendre son code.
Détail par exigence
FastAPI à fort trafic
indispensableSolide · 7,5/10
Nombre de workers Uvicorn · 7/10Workers adaptés à la machine.plusieurs workers selon la machineRéponse
R1
Appels concurrents avec asyncio · 7/10Appels concurrents bornés.j'utilisais asyncio.gather avec des délais d'attenteRéponse
R1
Mettre en cache une réponse de recommandation · 8/10Invalidation liée à la modification.on invalide quand un cours est modifiéRéponse
R2
Limiter un client trop bavard · 8/10Limite par utilisateur.on avait une limite par utilisateur avec un compteur dans RedisRéponse
R2
Microservices communiquant par Kafka
indispensableSolide · 7,7/10
Produire un événement de visionnage · 8/10Producteur construit sur un projet.envoie un événement par lecture avec l'identifiant de la vidéo et de l'utilisateurRéponse
R3
Groupes de consommateurs · 7/10Principe des groupes bien compris.Chaque groupe lit le topic à son rythmeRéponse
R4
Faire évoluer le format d'un événement · 8/10Évolution compatible envisagée.j'ajouterais des champs optionnels et je garderais une versionRéponse
R4
Analytics temps réel
Solide · 7,5/10
Compteurs de vues dans Redis · 8/10Compteur par tranche de temps.un compteur Redis incrémenté à chaque événementRéponse
R5
Exactitude ou rapidité des chiffres · 7/10Compromis argumenté.Pour l'affichage en direct je prendrais la rapiditéRéponse
R5
Profils utilisateurs dans MongoDB
Solide · 8/10
Document profil et historique · 8/10Compréhension sans pratique.je comprends le modèle par documentRéponse
R6
API de recommandation
Solide · 8/10
Réponse de repli si le moteur tarde · 8/10Repli prévu.prévoir une réponse de repli par défaut si le calcul tardeRéponse
R6
Personnaliser par profil · 8/10Personnalisation simple.personnaliser par profil avec les genres écoutésRéponse
R6
Mesurer l'effet d'une recommandation · 8/10Mesure d'effet envisagée.je suivrais le taux de clic sur les recommandationsRéponse
R6
Usage de l'IA
indispensableSolide · 7,3/10
S'il code avec un assistant IA (Copilot, Cursor, Claude Code, ChatGPT…) : quelles tâches de développement il lui confie, et lesquelles il garde · 7/10Tâches déléguées.pour écrire des tests, des modèles PydanticRéponse
R7
Son workflow avec l'assistant : découper la demande, lui donner le contexte (fichiers, conventions), tenir la taille du contexte et le coût en tokens, itérer · 8/10Méthode de contexte.Je découpe la demande, je donne les fichiers concernésRéponse
R7
Comment il relit, teste et corrige le code que l'assistant produit · 7/10Relecture puis tests.je relis chaque modification avant de lancer les testsRéponse
R7
Un cas vécu où un assistant IA a changé son code ou son délai, et ce qu'il en a retenu · 7/10Piège repéré.une dépendance qui n'était plus maintenueRéponse
R7