Sonia Ferreira

Développeur API Python, plateforme média streaming (H/F) · test filmé du 20/10/2026 · 14 min

Hors document · non imprimé

Verdict Recommandé

Score du test 7,4/10 couverture 93 % Usage de l’IA : 7/10 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 9^e sur 30 testés ex aequo avec un autre testé Suivant : Candidat confidentiel →

Prochaine étape proposée par l’analyse

Sur FastAPI à fort trafic, le réglage par la mesure et la limitation par client sont solides. Sur les microservices et Kafka, le contenu d'un événement et les groupes sont justes, mais la pratique vient de RabbitMQ. Sur les analytics temps réel, les fenêtres et l'arbitrage sont excellents. Sur l'API de recommandation, le repli et la mesure sont présents. L'usage de l'IA est encadré et sécurisé.

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) · Sonia Ferreira · 20/10/2026

Synthèse

La candidate argumente bien les fenêtres de temps et l'arbitrage entre exactitude et vitesse, à partir de son API d'ouverture de comptes. Elle a appris à régler Uvicorn en migrant un service, par la mesure et non par réflexe. Ses connaissances de Kafka viennent plus de la théorie que de la pratique.

Détail par exigence

FastAPI à fort trafic indispensable Solide: Règle les workers par la mesure après une première tentative coûteuse et limite chaque client par sa clé d'API.
Microservices communiquant par Kafka indispensable Solide: Définit un bon événement de visionnage et un groupe par service, avec une pratique surtout issue de RabbitMQ.
Analytics temps réel Solide: Choisit sa fenêtre en pesant clés et précision, puis arbitre exactitude et vitesse selon l'usage.
Profils utilisateurs dans MongoDB Non abordée: MongoDB n'a pas été abordé au-delà d'une lecture de la documentation : ses profils vivaient dans une base relationnelle.
API de recommandation Solide: Prévoit des contenus populaires en repli et mesure par taux de clics et test A/B stable par profil.
Usage de l'IA indispensable Solide: Génère des serializers et des tests avec l'assistant, relit et teste, et réserve le contrôle des droits à son propre code.

Points d'appui

Fenêtre d'une minute justifiée et nettoyage des clés fines après quarante-huit heures.
Arbitrage exactitude et vitesse selon l'usage, avec un recalcul nocturne des chiffres réglementaires.
Limitation par clé d'API avec 429 et quotas différents selon les contrats.
Relecture et refus de déléguer le contrôle des droits d'accès.

Points de vigilance

Pratique de Kafka limitée : surtout RabbitMQ, les partitions restent théoriques.
Réglage fin d'Uvicorn encore en apprentissage.
Pas de pratique de MongoDB décrite.

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

Sonia explique clairement comment compter des vues par fenêtre de temps et quand préférer un chiffre exact à un chiffre rapide. Elle a appris à régler un serveur Python par la mesure. Elle connaît Kafka surtout par la théorie.

Ses points forts

Choisit exact ou rapide selon l'usage
Règle un serveur par la mesure
Protège les accès contre les erreurs de l'assistant

À creuser en entretien

Pratique de Kafka limitée
Réglage fin du serveur encore en apprentissage

Savoir-être

Expliquer

Explique pourquoi une fenêtre trop fine ou trop large pose problème.

réponse 1

Structurer sa réponse

Distingue chaque fois l'usage affiché de l'usage réglementaire.

réponse 2

Dire ce qu’on ne sait pas

Précise que sa connaissance des partitions Kafka est surtout théorique.

réponse 5

Dans une équipe

S'intégrerait bien à l'équipe, avec un temps de montée en charge sur Kafka.

Détail par exigence

FastAPI à fort trafic indispensable Solide · 7,5/10: Nombre de workers Uvicorn · 8/10 Réglage issu de la mesure. on est descendu à trois workers Réponse R3; Limiter un client trop bavard · 7/10 Limitation par clé. un compteur par clé d'API dans Redis avec une fenêtre d'une minute Réponse R4
Microservices communiquant par Kafka indispensable Solide · 7,7/10: Produire un événement de visionnage · 8/10 Contenu d'événement complet. un identifiant unique, l'horodatage, l'identifiant du profil et du contenu Réponse R5; Groupes de consommateurs · 8/10 Un groupe par service. Chaque service aurait son groupe de consommateurs Réponse R5; Faire évoluer le format d'un événement · 7/10 Évolution compatible. j'ajouterais des champs optionnels et je garderais l'ancien un temps Réponse R5
Analytics temps réel Solide · 7,7/10: Agrégation par fenêtre de temps · 8/10 Fenêtre justifiée. des fenêtres glissantes d'une minute Réponse R1; Compteurs de vues dans Redis · 7/10 Compteurs datés. une clé par contenu et par minute Réponse R1; Exactitude ou rapidité des chiffres · 8/10 Recalcul pour les chiffres qui comptent. je recalcule depuis les événements bruts Réponse R2
Profils utilisateurs dans MongoDB Non évalué: Rien de démontré sur cette exigence pendant l'entretien.
API de recommandation Solide · 7,5/10: Réponse de repli si le moteur tarde · 8/10 Repli prévu. je renverrais les contenus populaires du moment, mis en cache Réponse R6; Mesurer l'effet d'une recommandation · 7/10 Mesure par comparaison. un test A/B avec un tirage stable par profil Réponse R6
Usage de l'IA indispensable Solide · 7/10: S'il code avec un assistant IA (Copilot, Cursor, Claude Code, ChatGPT…) : quelles tâches de développement il lui confie, et lesquelles il garde · 7/10 Tâches déléguées. générer des serializers et des tests à partir d'un modèle Django existant Réponse 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 · 7/10 Contexte donné. Je précise toujours la version du framework et je donne un exemple du style du projet Réponse R7; Ce qu'il ne confie jamais à l'assistant : données confidentielles, sécurité, décisions d'architecture, cas où il s'est trompé · 7/10 Limite sur la sécurité. Je ne lui demande jamais d'écrire le contrôle des droits d'accès Réponse R7

Afficher la transcription

Chargement…