Candidat confidentiel

Développeur API Python, plateforme média streaming (H/F) · test filmé du 11/10/2026 · 16 min

Hors document · non imprimé

Verdict Recommandé

Score du test 7,6/10 couverture 93 % Usage de l’IA : 7,8/10 Communication : 7,3/10 · 3 critères sur 4 · non prouvé : précision du vocabulaire

Signaux à regarder Aucun signal relevé Indicatifs, non décisionnels. Ils disent où regarder dans la vidéo, pas quoi décider.

Sur cette offre 6^e sur 30 testés ex aequo avec un autre testé Suivant : Quentin Hubert →

Prochaine étape proposée par l’analyse

Sur FastAPI à fort trafic, les workers, la concurrence et le cache sont argumentés. Sur les microservices et Kafka, l'usage est réel mais l'évolution du format reste fragile. Sur les analytics temps réel, l'arbitrage entre affichage rapide et chiffres complets est clair. Sur l'API de recommandation, le repli, la personnalisation et la mesure sont présents. L'usage de l'IA est prudent sur les droits et les secrets.

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) · Candidat confidentiel · 11/10/2026

Synthèse

Le candidat sert des modèles de tarification derrière FastAPI avec un délai maximum, un prix de repli et un test de charge qui fixe le nombre de workers. Sa stratégie de cache est juste et il sait comparer un nouveau modèle à un groupe témoin. L'évolution du format des événements Kafka est le point le plus mince.

Détail par exigence

FastAPI à fort trafic indispensable Solide: Décide du nombre de workers par un test de charge, parallélise les appels et met les recommandations en cache avec un verrou de recalcul.
Microservices communiquant par Kafka indispensable Solide: Utilise Kafka pour publier prédictions et retours, mais sans registre de schémas ni migration progressive de format.
Analytics temps réel Solide: Compte par minute dans Redis et distingue l'affichage opérationnel du jugement d'un modèle sur données complètes.
Profils utilisateurs dans MongoDB Non abordée: Les profils dans MongoDB n'ont pas été abordés : son stockage passait par un entrepôt de données.
API de recommandation Solide: Prévoit un prix de repli, personnalise par profil et mesure l'effet par un groupe témoin.
Usage de l'IA indispensable Solide: Délègue manifestes et scripts, teste dans un espace séparé et garde secrets et accès pour lui.

Points d'appui

Prix de repli après un délai maximum, avec une métrique qui compte les replis.
Workers choisis avec un test de charge, jusqu'à environ trois cents requêtes par seconde par pod.
Cache Redis avec préfixe de version et verrou de recalcul.
Mesure d'effet d'un modèle avec un groupe témoin sur quinze jours.

Points de vigilance

Pas de registre de schémas : un champ qui change de type a arrêté un consommateur.
Peu de recul sur les migrations de format à grande échelle.

Sujets abordés

FastAPI à fort trafic · Microservices communiquant par Kafka · Analytics temps réel · 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

Raphaël met des modèles en production derrière une API avec un prix de repli quand le modèle est trop lent. Il règle son serveur avec des mesures et compare un nouveau modèle à un groupe témoin. Les changements de format des messages entre services restent son point à renforcer.

Ses points forts

Prévoit toujours une réponse de repli
Décisions appuyées par des mesures
Méthode d'évaluation avec groupe témoin

À creuser en entretien

Changements de format des messages à mieux maîtriser
Peu de pratique de MongoDB

Savoir-être

Structurer sa réponse

Annonce le délai, le repli puis la métrique dans l'ordre.

réponse 1

Dire ce qu’on ne sait pas

Reconnaît qu'un champ modifié a arrêté un consommateur.

réponse 5

Autonomie

Valide chaque proposition de l'assistant dans un espace de test.

réponse 7

Dans une équipe

Ferait le lien entre l'équipe de données et celle des API, à condition de se renforcer sur Kafka.

Détail par exigence

FastAPI à fort trafic indispensable Solide · 7/10: Nombre de workers Uvicorn · 7/10 Choix lié aux ressources. on limitait le processeur à deux coeurs, donc deux workers Réponse R2; Appels concurrents avec asyncio · 7/10 Appels concurrents avec délais distincts. avec asyncio.gather, en utilisant un client asynchrone Réponse R3; Mettre en cache une réponse de recommandation · 7/10 Cache adapté à la tolérance. un cache Redis par profil avec une durée de vie courte Réponse R4
Microservices communiquant par Kafka indispensable Solide · 8/10: Produire un événement de visionnage · 8/10 Usage réel de Kafka. On y publiait les prédictions et les retours réels Réponse R5; Faire évoluer le format d'un événement · 8/10 Évolution du format fragile. on n'avait pas de registre de schémas Réponse R5
Analytics temps réel Solide · 7,5/10: Compteurs de vues dans Redis · 8/10 Compteurs par fenêtre. On comptait par modèle et par minute avec Redis Réponse R6; Exactitude ou rapidité des chiffres · 7/10 Exactitude pour la décision. pour juger un modèle on utilisait les données finales et complètes Réponse R6
Profils utilisateurs dans MongoDB Non évalué: Rien de démontré sur cette exigence pendant l'entretien.
API de recommandation Solide · 7,3/10: Réponse de repli si le moteur tarde · 7/10 Repli outillé. l'API renvoyait un prix de repli calculé par une grille simple Réponse R1; Mesurer l'effet d'une recommandation · 8/10 Mesure contre un groupe témoin. un test sur quinze jours Réponse R6; Personnaliser par profil · 7/10 Personnalisation par profil. un cache Redis par profil Réponse R4
Usage de l'IA indispensable Solide · 7,8/10: S'il code avec un assistant IA (Copilot, Cursor, Claude Code, ChatGPT…) : quelles tâches de développement il lui confie, et lesquelles il garde · 8/10 Tâches déléguées. Claude Code pour les manifestes Kubernetes, les Dockerfiles et les scripts d'export Réponse R7; Comment il relit, teste et corrige le code que l'assistant produit · 7/10 Contrôle par l'exécution. un déploiement dans un espace de test avant le moindre déploiement réel Réponse R7; Un cas vécu où un assistant IA a changé son code ou son délai, et ce qu'il en a retenu · 8/10 Erreur repérée. Il m'a une fois proposé des droits trop larges sur un compte de service Réponse R7; Ce qu'il ne confie jamais à l'assistant : données confidentielles, sécurité, décisions d'architecture, cas où il s'est trompé · 8/10 Limites claires. Je ne lui confie jamais les secrets ni les politiques d'accès Réponse R7

Afficher la transcription

Chargement…