Démo Voir côté candidat

Inès Lacombe

Développeur API Python, plateforme média streaming (H/F) · test filmé du 09/10/2026 · 16 min
Hors document · non imprimé
Verdict Fortement recommandé
Score du test 9,3/10 couverture 100 % Usage de l’IA : 9/10 Communication : 10,0/10 · 3 critères sur 4 · non prouvé : structure
Signaux à regarder Aucun signal relevé Indicatifs, non décisionnels. Ils disent où regarder dans la vidéo, pas quoi décider.
Sur cette offre 2e sur 30 testés Suivant : Jade Moulin →
Prochaine étape proposée par l’analyse

Sur FastAPI à fort trafic, chaque angle est étayé par un chiffre et une décision justifiée. Sur les microservices et Kafka, la clé de partition, les groupes et l'évolution du format sont décrits avec leurs limites. Sur les analytics temps réel, l'arbitrage entre vitesse et exactitude est clair. Sur les profils dans MongoDB, l'historique et l'index sont maîtrisés. Sur l'API de recommandation, le cache et la personnalisation par profil sont présents. L'usage de l'IA est rigoureux.

Offre : 47 000 – 55 000 € brut / an PythonFastAPIMongoDBRedisKafka
La pièce à transmettre Part 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) · Inès Lacombe · 09/10/2026

Synthèse

La candidate a dimensionné FastAPI avec un test de charge et placé asyncio.gather sur les appels en aval, avec des gains chiffrés. Elle maîtrise le cache avec verrou, la limitation par clé et le découpage de l'historique dans MongoDB. Son usage de l'IA est cadré par des tests de latence.

Détail par exigence

FastAPI à fort trafic indispensable Solide
Chiffre le nombre de workers, parallélise les appels en aval, met la réponse en cache et limite un client trop bavard par clé.
Microservices communiquant par Kafka indispensable Solide
Publie des événements partitionnés par profil, donne à chaque service son groupe et fait évoluer le format sans casser les anciens consommateurs.
Analytics temps réel Solide
Compte avec des incréments Redis par minute, consolide chaque heure et distingue l'affichage rapide du comptage exact.
Profils utilisateurs dans MongoDB Solide
Borne l'historique dans le document du profil, déporte le reste dans une collection et indexe la requête d'ouverture.
API de recommandation Solide
Met en cache la réponse par profil et tolère un service en panne, sans aborder la mesure de l'effet.
Usage de l'IA indispensable Solide
Confie à l'assistant les tests de charge et les modèles de données, donne un contexte court et vérifie par des tests de latence.

Points d'appui

  • Dimensionnement des workers Uvicorn issu d'un test de charge, pas d'une règle approximative.
  • Appels concurrents avec délai maximum et gestion des services en panne, latence divisée par plus de deux.
  • Limitation par clé avec seau à jetons et rafale, sans pénaliser les autres clients.
  • Découpage de l'historique : derniers visionnages dans le profil, le reste dans une collection.

Points de vigilance

  • Kafka décrit surtout côté production et groupes, la gestion d'un incident de retard n'est pas racontée.
  • Mesure de l'effet d'une recommandation non abordée.

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.

Afficher la transcription

Chargement…