aimlinterviews

Ce dépôt sert de guide pratique pour préparer les entretiens techniques en intelligence artificielle et apprentissage automatique, en particulier pour les postes dans les grandes entreprises technologiques comme FAANG. Il est compilé à partir de l'expérience personnelle de l'auteur, qui a notamment reçu plusieurs offres de Meta, Google, Amazon, Apple et Roku. Le guide est structuré en plusieurs chapitres, chacun se concentrant sur un élément clé de l'entretien : - **Chapter 1: General Coding (DSA)** – Couvre les structures de données et les algorithmes, un écran technique courant de première étape. - **Chapter 2: ML Coding** – Se concentre sur l'implémentation d'algorithmes d'apprentissage automatique à partir de zéro, souvent dans un environnement de codage. - **Chapter 3: ML Fundamentals** – Passe en revue les concepts clés du ML, notamment l'apprentissage automatique classique, les grands modèles de langage (LLM) et l'IA multimodale, pour tester l'étendue des connaissances. - **Chapter 4: ML/GenAI/LLM System Design** – Traite de la conception de systèmes ML évolutifs, y compris les architectures basées sur l'IA générative et les LLM. - **Chapter 5: Agentic AI Systems** – Renvoie à un dépôt séparé sur la construction de systèmes d'IA agentique, un domaine en pleine croissance dans les entretiens. - **Chapter 6: Behavioral Interviews** – Fournit des conseils et un modèle de feuille de travail pour les questions comportementales et de leadership. - **Resources** – Liste des supports d'apprentissage pour l'IA générative. - **AI Tutor** – Propose un serveur MCP (`aimlinterviews-mcp`) qui peut transformer n'importe quel assistant IA compatible MCP en coach d'entretien, fournissant des problèmes de programme, des indices et des révisions de réponses. Le contenu est mis à jour pour 2026, avec des sections élargies sur les LLM, l'IA multimodale, le post-entraînement et la conception de systèmes GenAI. Il s'adresse principalement aux rôles d'ingénierie IA/ML, de science appliquée et de responsable technique (Tech Lead), bien que certains modules puissent être utiles pour des postes de data science ou de chercheur scientifique. L'auteur note que les structures d'entretien varient selon l'entreprise, mais que les composants sont similaires chez FAANG, tandis que les startups adaptent souvent leurs entretiens à leurs cas d'utilisation spécifiques. Les contributions sont les bienvenues via des pull requests. Le dépôt est disponible en anglais, en chinois simplifié et en persan.