Il y a l'IA dont on parle et l'IA qu'on arrive à faire tourner sur une machine. Les candidats affinent un modèle et montent un pipeline de recherche dans un environnement cloud isolé, et ce qui revient, c'est si ça marche, pas la qualité de la description.
$ docker compose up -d
3 services démarrés
$ systemctl status api
active (running)
$ curl -s localhost:8080/health
{"status":"ok"}
Environnement actif
En cours2 h 12 restantes dans le créneau
Sans Scalyz
Avec Scalyz
Ce qui est en jeu
Le difficile, dans un poste IA, c'est rarement l'idée. C'est de la faire tourner, et de la maintenir, sur une infrastructure qui résiste.
Où ça casse
Entre le notebook et le serveur
Beaucoup de candidats font marcher quelque chose dans un notebook. Le métier, c'est ce qui se passe quand ça doit tourner ailleurs.
Ce qu'un entretien rate
La moitié opérationnelle
L'intuition modèle est facile à raconter et difficile à vérifier. Faire tourner la chose est facile à vérifier et difficile à feindre.
Ce que vous recrutez
Ça tourne lundi
Vous ne recrutez pas la description d'un pipeline. Vous recrutez la personne qui le met en route et le maintient.
Trois étapes, de l'annonce à une shortlist que vous pouvez défendre, sans un seul appel de présélection.
Recrutement backend, juillet
Ouverte
6 invités · 4 terminés
Clôture vendredi, 18:00
Vous choisissez le lab et la date limite, puis envoyez toute la liste de candidatures en une fois, par email, par import CSV ou via un lien partageable.
Environnement actif
En cours2 h 12 restantes dans le créneau
Chaque candidat reçoit sa propre machine, une vraie, avec une vraie mission déjà en place.
Camille Durand
Évaluation DevOps
Aucune alerte d'intégrité
La notation s'exécute automatiquement par rapport à la mission, donc le classement se construit au fil des sessions terminées.
$ docker compose up -d
3 services démarrés
$ systemctl status api
active (running)
$ curl -s localhost:8080/health
{"status":"ok"}
Mission
Créneau de 3 hLe déployer derrière un load balancer
Configurer le serveur webDéployer le service API2 sur 4 terminés
Les missions publiées ici sont opérationnelles : affiner un modèle, et construire un pipeline de recherche avec LangChain. Les deux tournent dans un vrai environnement, sur la propre machine du candidat, et les deux sont notées sur ce que le système fait à la fin. Nous ne notons ni la recherche ni la théorie des modèles : nous notons si ça marche.
Les missions publiées pour ce poste
Des réponses directes sur le fonctionnement réel des tests, de la notation et des crédits.
Une vraie machine virtuelle avec une vraie mission, pas un QCM. Le candidat travaille avec les mêmes outils qu'au quotidien, et toute la session est enregistrée pour que vous puissiez en revoir les preuves ensuite.
Automatiquement. Les vérifications s'exécutent sur ce que le candidat a livré, et vous obtenez un rapport détaillé compétence par compétence, donc personne dans votre équipe n'a rien à corriger à la main.
Un chatbot peut suggérer des commandes, mais il ne peut pas piloter un système en marche à la place du candidat. La mission doit être accomplie sur la machine elle-même, et chaque signal de triche du rapport arrive avec son contexte pour que vous jugiez vous-même.
En crédits, un par candidat. Un crédit est réservé quand vous envoyez une invitation et libéré si elle expire sans être utilisée. Vous payez par candidat testé, jamais par utilisateur.
Oui. Importez vos fichiers au format .zip, renommez la mission pour correspondre à votre poste, et passez-la vous-même pour un crédit d'abord. Ce que vous avez testé est exactement ce que les candidats recevront.
À leur rythme. Ils démarrent le test au moment qui leur convient, travaillent avec de vrais outils sur une vraie machine, et terminent en une seule fois. Le tout en anglais et en français.
Réservez une démo : on fait tourner une de ces missions sur votre poste ouvert.
1 crédit par candidat, réservé à l'envoi, libéré à l'expiration
