Votre client ou votre équipe a choisi AWS, et le projet d'IA générative suit la même voie : Amazon Bedrock pour les modèles, les Knowledge Bases pour la recherche dans les documents, les Guardrails pour filtrer, AgentCore ou les agents Bedrock pour agir dans les outils internes. Le profil recherché est un AI engineer AWS Bedrock, souvent développeur Python passé par Lambda et IAM. Les ESN le placent chez des grands comptes déjà engagés avec AWS. Chez un client final, il reprend un prototype qui doit tenir face aux vrais utilisateurs.
Sur un CV, la mention AWS Bedrock dit peu de chose. Un assistant monté en une après-midi depuis la console et un service en production affichent les mêmes mots. L'écart apparaît quand la personne parle de ThrottlingException, de profils d'inférence européens, de filtrage par métadonnées ou de la collection OpenSearch qui coûte même la nuit. La certification AWS Certified Generative AI Developer, de niveau Professional, atteste la connaissance des services, sans remplacer ces exemples.
Si vous n'avez que trente minutes, gardez les questions sur les quotas et sur les droits des agents, qui séparent vite les profils. Le PDF contient 30 questions sur six axes, un cas de 20 minutes sur un assistant de service après-vente et une grille de 1 à 4.
Amazon Bedrock et son entourage AWS, expliqués sans jargon
Amazon Bedrock (modèles et API)
Le service d'AWS qui donne accès par API à des modèles de plusieurs fournisseurs, dont Anthropic (Claude), OpenAI, Amazon (Nova) et d'autres, sans gérer de serveur. L'API Converse offre une même interface pour tous ces modèles, appels d'outils compris. Chaque modèle a ses quotas par région et son prix au token, ce qui oriente beaucoup de choix techniques.
Knowledge Bases
Le RAG géré de Bedrock. On pointe des sources (S3, SharePoint, Confluence, un site web), Bedrock extrait le texte, découpe, calcule les embeddings et remplit une base vectorielle. L'API Retrieve renvoie les passages, RetrieveAndGenerate rédige la réponse avec ses sources. Le réglage du découpage et du parsing fait la qualité des réponses.
Bases vectorielles sur AWS
Une Knowledge Base stocke ses vecteurs dans OpenSearch Serverless, Aurora PostgreSQL avec pgvector, Amazon S3 Vectors, Neptune Analytics pour le GraphRAG, ou des services tiers comme Pinecone et MongoDB Atlas. Le choix pèse sur le coût, la recherche hybride et le filtrage. S3 Vectors coûte peu pour des requêtes peu fréquentes, OpenSearch Serverless facture un socle de capacité même au repos.
Guardrails
Des filtres appliqués à l'entrée et à la sortie du modèle : contenus nuisibles, attaques par prompt, sujets refusés, mots interdits, données personnelles masquées ou bloquées, vérification que la réponse s'appuie sur les sources. L'API ApplyGuardrail les applique aussi à un modèle hébergé ailleurs. Ils réduisent les risques sans remplacer les droits d'accès.
Agents Bedrock et AgentCore
Les agents Bedrock enchaînent raisonnement et appels d'outils décrits par un schéma et exécutés par des Lambda. AgentCore est la plateforme plus récente pour faire tourner des agents écrits avec n'importe quel framework (Strands Agents, LangGraph, CrewAI). Elle regroupe un environnement d'exécution, une mémoire, une passerelle d'outils compatible MCP, la gestion d'identité, des politiques d'appel et l'observabilité.
Inférence : profils, cache et débit
Les profils d'inférence inter-régions répartissent les appels entre régions, soit dans une zone (EU par exemple) soit dans le monde entier, avec des conséquences sur la résidence des données. Le prompt caching évite de refacturer la partie fixe d'un prompt. Le débit provisionné et le traitement par lots complètent l'appel à la demande.
Lambda, IAM et réseau
Autour de Bedrock, le reste est du développement AWS classique : des fonctions Lambda ou des conteneurs pour la logique, IAM pour limiter qui appelle quel modèle, des points de terminaison VPC pour garder le trafic privé, CloudTrail et CloudWatch pour la trace. Un AI engineer Bedrock qui ne maîtrise pas IAM aura du mal en production.
Évaluation et personnalisation
Bedrock propose des évaluations de modèles et de RAG, avec un modèle juge, pour comparer deux configurations sur le même jeu de questions. Il permet aussi d'adapter certains modèles par fine-tuning ou distillation. Ce chemin coûte plus cher à maintenir qu'un RAG bien réglé, demandez quand la personne l'a jugé utile.
En ESN, l'AI engineer AWS Bedrock arrive souvent chez un client qui a déjà un compte AWS structuré, avec ses règles IAM, ses SCP et un RSSI attentif : il doit livrer vite sans contourner ces règles. Chez un client final, il fait vivre l'assistant ou l'agent sur la durée, change de modèle quand AWS en retire un et surveille la facture. Chez un éditeur, Bedrock sert une fonctionnalité vendue à plusieurs clients et l'isolation des données entre clients devient le premier sujet. Les offres publiées en France associent Bedrock à LangGraph, MCP, Lambda, CDK ou Terraform, parfois à AgentCore. La certification AWS Certified Generative AI Developer, de niveau Professional, et la certification AI Practitioner, plus générale, attestent la connaissance des services. Le savoir-faire de production se vérifie en entretien.
Le périmètre technique d'un AI engineer Bedrock
- Knowledge Bases et qualité du RAG
- API Bedrock, quotas et inférence
- Agents, AgentCore et outils
- Guardrails et sécurité applicative
- IAM, réseau et résidence des données
- Coûts, évaluation et industrialisation
Cinq cas tirés d'un projet Bedrock en production
Chaque question vient avec ce qu'une bonne réponse contient et le signal qui doit vous alerter. Pas besoin d'être technique pour les poser : écoutez si le candidat raconte du vécu.
Question 1 · confirmé
Votre Knowledge Base répond à côté sur des contrats pourtant bien indexés. Comment savez-vous si le problème vient de la recherche ou de la génération ?
Une bonne réponseOn isole les deux étapes. D'abord l'API Retrieve seule, sur une liste de questions dont on connaît le bon passage : si le passage n'est pas dans les premiers résultats, la génération n'y est pour rien. Les causes habituelles sont un tableau mal extrait au parsing, une stratégie de découpage inadaptée (fixe, hiérarchique, sémantique), l'absence de recherche hybride pour les numéros de contrat, trop peu de résultats ou pas de reranking. Si le bon passage remonte, on regarde le prompt de génération et le modèle. Un profil solide mesure avant et après chaque réglage, avec son propre jeu de questions ou l'évaluation RAG de Bedrock.
Signal d'alerte« On passe à un modèle plus gros » sans avoir regardé les passages retrouvés. Ou réindexer en changeant trois réglages à la fois, sans mesure.
Question 2 · confirmé
En pleine démonstration, l'application renvoie des ThrottlingException. Que faites-vous tout de suite, puis avant la mise en production ?
Une bonne réponseTout de suite : des relances avec attente exponentielle et un peu d'aléa, que les SDK AWS savent faire. Ensuite, regarder dans Service Quotas les limites de requêtes et de tokens par minute du modèle dans la région, et demander une hausse avec une estimation de charge. Pour la production : un profil d'inférence inter-régions qui répartit les appels, le prompt caching sur les parties fixes du prompt, un modèle de secours plus léger, le traitement par lots (batch inference) pour ce qui n'est pas interactif, et du débit provisionné si la charge est forte et régulière.
Signal d'alerteUne boucle qui relance immédiatement sans délai, ce qui aggrave la limitation. Ou ignorer que les quotas dépendent du modèle et de la région.
Question 3 · confirmé
Un assistant RH construit sur Bedrock ne doit jamais afficher un numéro de sécurité sociale ni parler du salaire d'une personne nommée. Comment configurez-vous cette protection ?
Une bonne réponseUn guardrail Bedrock avec plusieurs filtres : filtre d'informations sensibles en blocage ou en masquage, complété par une expression régulière pour le format du NIR français, sujets refusés pour la rémunération individuelle, filtres de contenu dont la détection d'attaque par prompt sur l'entrée utilisateur. Le guardrail est versionné et testé sur une liste de cas. Le point qui distingue un bon profil : si un salarié ne doit pas voir une donnée, elle ne doit pas lui être accessible dans la Knowledge Base, grâce à un filtrage par métadonnées selon ses droits. Le guardrail est un filet de sécurité, il ne remplace pas le contrôle d'accès.
Signal d'alerte« J'écris dans le prompt système de ne pas le faire. » Ou un guardrail présenté comme une garantie absolue, sans test ni contrôle d'accès en amont.
Question 4 · senior
Votre agent Bedrock doit créer des tickets Jira et lire des commandes dans une base interne. Comment lui donnez-vous accès à ces outils sans lui accorder trop de droits ?
Une bonne réponseChaque outil passe par une fonction Lambda décrite par un schéma (action group d'un agent Bedrock) ou par AgentCore Gateway, qui expose les API et les Lambda comme outils MCP. Chaque fonction a son propre rôle IAM limité à ce qu'elle fait : lecture seule sur les commandes, création de ticket seulement. Les paramètres sont revalidés côté serveur, puisque le modèle peut les inventer. Pour agir au nom de l'utilisateur, AgentCore Identity gère le jeton OAuth au lieu d'un compte technique tout-puissant. Les actions d'écriture demandent une confirmation, et AgentCore Policy peut bloquer un appel d'outil hors des règles fixées. Tout est tracé.
Signal d'alerteUne seule Lambda avec un rôle administrateur pour tous les outils, ou des identifiants Jira écrits dans le prompt.
Question 5 · confirmé
La facture Bedrock a triplé en un mois. Comment retrouvez-vous ce qui coûte, et que changez-vous ?
Une bonne réponseIl part des chiffres : métriques CloudWatch de tokens en entrée et en sortie par modèle, journaux d'invocation, Cost Explorer. Pour savoir quelle application consomme, des profils d'inférence applicatifs étiquetés par équipe ou par projet. Les causes fréquentes : un historique de conversation renvoyé en entier à chaque tour, des documents complets collés dans le prompt, un gros modèle utilisé pour des tâches simples, une collection OpenSearch Serverless qui facture un socle de capacité même sans trafic. Les corrections suivent : prompt caching sur la partie fixe, modèle plus léger pour le tri, limite de tokens en sortie, batch inference pour le différé.
Signal d'alerte« On change de modèle » sans avoir mesuré, ou une réponse qui ne parle que du prix unitaire du token sans regarder les volumes.
Recevez la fiche d'entretien complète en PDF
La fiche pour mener l'entretien de bout en bout, prête à imprimer ou à partager avec le manager.
- 30 questions sur 6 axes, avec la bonne réponse, le signal d'alerte et la relance
- Le niveau visé pour chaque question
- Une mise en situation de 20 minutes et ce qu'on attend du candidat
- La grille d'évaluation de 1 à 4, axe par axe
Bedrock, AgentCore, souveraineté : les doutes avant d'embaucher
Que vaut une expérience Azure OpenAI pour un poste sur Bedrock ?
Oui, si son socle tient : RAG, évaluation, appels d'outils, sécurité des prompts. Ces notions se transposent d'un cloud à l'autre. Ce qui demande du temps, c'est l'environnement AWS autour du modèle : IAM, Lambda, VPC, Service Quotas, CloudTrail. Un profil Azure sans pratique d'AWS peut buter sur ces sujets pendant ses premières semaines. Posez-lui les questions sur les quotas et sur les droits des agents, elles montrent vite s'il raisonne en architecte cloud ou seulement en développeur d'application.
AgentCore absent du CV : est-ce rédhibitoire ?
Pas forcément. AgentCore est récent et beaucoup de projets tournent encore avec les agents Bedrock classiques ou un framework hébergé sur Lambda ou ECS. Exigez-le si votre plateforme l'utilise déjà. Sinon, cherchez les compétences qu'il suppose : séparer les droits de chaque outil, gérer une mémoire de conversation, tracer les appels d'un agent, exposer des outils via MCP. Un développeur qui a fait cela avec LangGraph prend en main AgentCore rapidement.
Sur quel exercice évaluer un AI engineer AWS Bedrock ?
Pour le test technique, un exercice d'une heure en entretien vaut mieux qu'un projet à rendre. Donnez une Knowledge Base qui répond mal sur quelques documents, ou un extrait de code qui appelle Bedrock sans gestion des erreurs ni des quotas, et demandez un diagnostic à voix haute. Vous entendrez s'il isole la recherche de la génération, s'il pense aux relances et aux droits IAM. Un compte AWS de test n'est pas indispensable, des journaux et des captures suffisent.
Bedrock suffit-il pour un projet soumis à des contraintes de souveraineté ?
Cela dépend du niveau d'exigence. Bedrock propose des régions européennes, dont Paris pour une partie des modèles, et des profils d'inférence limités à l'Union européenne. Les données restent alors traitées en Europe, sur un service d'un fournisseur américain. Si le cahier des charges impose un cloud qualifié SecNumCloud ou un hébergement sur site, il faut plutôt un profil qui sait servir des modèles open source. Posez la question au client avant d'ouvrir le recrutement.
Pour structurer vos autres entretiens, consultez aussi nos pages sur les questions d'entretien de recrutement, la méthode de l'entretien structuré et la grille d'évaluation d'entretien.
