Les questions d'entretien d'un lead data scientist diffèrent de celles d'un data scientist confirmé. Le poste garde une part technique : relire un modèle avant sa mise en production, fixer les règles de validation, choisir entre un modèle maison et l'API d'un LLM. Il y ajoute l'encadrement d'une équipe, un portefeuille de projets à trier et des comptes à rendre à la direction. L'intitulé varie selon l'entreprise : head of data science, responsable IA, head of AI.
Deux profils posent problème. L'expert promu manager, qui garde pour lui les sujets les plus intéressants et laisse l'équipe sans cadre. Le manager venu de la gestion de projet, qui parle de valeur métier sans savoir lire une matrice de confusion ni repérer une fuite de données dans un jeu d'entraînement. Vos questions doivent couvrir les deux moitiés du poste, avec des cas tirés du quotidien.
Pour un poste encore très technique, faites relire au candidat un notebook court avec une fuite de données glissée dedans. Pour un poste de head of AI, insistez sur un projet arrêté et la façon dont la décision a été annoncée à la direction.
Ce qu'un manager data science pilote au quotidien
Revue de modèles
Avant qu'un modèle parte en production, le lead le relit : découpage des données, métrique choisie, comparaison avec une base simple, biais possibles. Dans beaucoup d'équipes, c'est le seul contrôle avant la mise en ligne. Demandez comment le candidat l'organise et ce qui l'a déjà conduit à refuser un modèle.
MLOps et mise en production
MLflow ou un équivalent, un registre de modèles, une CI qui relance les tests, un suivi de la dérive après le déploiement. Le manager n'écrit pas forcément ces pipelines, mais il décide du niveau d'outillage et du moment où un projet quitte le notebook. Un POC qui n'arrive jamais en production relève souvent du management.
IA générative et LLM
Les demandes d'assistants, de RAG et d'agents arrivent souvent dans l'équipe data science. Le manager choisit entre une API (Azure OpenAI, Amazon Bedrock, Gemini Enterprise Agent Platform, ex-Vertex AI) et un modèle open source hébergé, fixe la façon d'évaluer les réponses et suit le coût par requête.
Portefeuille de projets
Le lead reçoit plus de demandes que son équipe ne peut en traiter. Il les classe selon le gain attendu, l'état des données et l'effort, et il arrête les projets qui stagnent. Vérifiez qu'il sait chiffrer un gain avant de lancer un sujet.
Risque modèle et conformité
RGPD pour les données personnelles, AI Act pour les systèmes classés à haut risque comme le scoring de crédit ou le tri de candidatures (obligations au 2 décembre 2027), politique de risque modèle dans la banque et l'assurance. Le manager tient la documentation à jour et sait qui valide quoi.
Organisation et recrutement
Équilibre entre data scientists, ML engineers et analystes, équipe centrale ou répartie dans les métiers, parcours de progression. Le lead recrute lui-même, souvent avec un test qu'il a conçu. Ses réponses sur ce point disent beaucoup de ses standards.
Restitution aux dirigeants
Un comité de direction veut savoir ce qu'un modèle rapporte, ce qu'il risque et quand il sera prêt. Le manager traduit une précision ou un taux de faux positifs en euros, en heures gagnées ou en clients conservés.
Le poste change avec la taille de l'équipe. En start-up, le lead data scientist code encore une bonne partie de son temps et encadre une petite équipe. Dans un grand groupe, le head of data science dirige plusieurs équipes, gère un budget et négocie avec la DSI et les métiers. En ESN ou en cabinet, le manager IA suit des consultants placés chez plusieurs clients et participe à l'avant-vente. Dans la banque et l'assurance, une équipe de validation indépendante relit les modèles, et le manager doit savoir lui répondre. Fixez la part de technique attendue avant l'entretien : elle change les questions et la notation.
Les compétences à vérifier chez un lead data scientist
- Revue et validation de modèles
- Industrialisation et MLOps
- Choix et évaluation des LLM
- Priorisation par la valeur
- Encadrement et recrutement technique
- Risque modèle et restitution
Cinq questions pour un lead data scientist ou un head of AI
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 · senior
Un data scientist de votre équipe présente un modèle de churn à 0,94 d'AUC. Qu'est-ce que vous vérifiez avant de le laisser partir en production ?
Une bonne réponseD'abord la fuite de données : une variable connue seulement après le départ du client (résiliation saisie, appel au service clients) suffit à gonfler l'AUC. Ensuite le découpage, temporel plutôt qu'aléatoire quand le modèle prédit le futur, la comparaison avec une base simple, la stabilité sur plusieurs périodes et la métrique utile au métier, par exemple la précision sur les 5 % de clients que l'équipe marketing pourra appeler. Un bon manager demande aussi qui utilisera le score et comment.
Signal d'alerteFéliciter l'équipe pour le score, ou demander un modèle plus complexe pour gagner encore un point. Aucune question sur la façon dont les données ont été découpées.
Question 2 · senior
Votre équipe a livré six POC en un an, un seul tourne en production. Qu'est-ce que vous changez ?
Une bonne réponseIl cherche la cause projet par projet : données absentes en production, pas de propriétaire métier, pas de ML engineer, pas de budget de run. Il fixe des critères d'entrée avant tout POC (donnée accessible en production, sponsor, indicateur de succès chiffré, date de décision) et un socle commun : modèle de projet, registre de modèles, pipeline de déploiement, surveillance. Il accepte d'arrêter un POC qui ne remplit pas ses critères.
Signal d'alerte« Il faut plus de data scientists », ou accuser la DSI sans rien changer à la façon de lancer les projets.
Question 3 · senior
Un métier demande un assistant sur sa base documentaire. API d'un grand modèle ou modèle open source hébergé chez vous : comment décidez-vous ?
Une bonne réponseSelon la sensibilité des données et l'hébergement exigé, le volume de requêtes et le coût par requête, la qualité mesurée sur un jeu de questions du métier, la latence et la capacité de l'équipe à exploiter des GPU. Une API hébergée dans une région européenne, avec un contrat qui exclut la réutilisation des données, suffit souvent pour démarrer. Un modèle hébergé se justifie par un gros volume, une contrainte de souveraineté ou un besoin de fine-tuning. Il garde la possibilité de changer de modèle.
Signal d'alerteUn choix de principe (« toujours de l'open source », « le plus gros modèle »), sans jeu d'évaluation ni calcul de coût.
Question 4 · senior
Vous avez douze demandes métier et une équipe de cinq. Comment choisissez-vous les trois projets du trimestre ?
Une bonne réponseUne grille partagée avec les métiers : gain estimé en euros ou en heures, disponibilité et qualité des données, faisabilité technique, effort, risque réglementaire, présence d'un sponsor qui utilisera le résultat. Il mélange un ou deux sujets à gain rapide et un sujet plus long, publie les critères et explique les refus. Les gains annoncés sont revus après la livraison.
Signal d'alerteLe premier arrivé, le directeur qui insiste le plus, ou le sujet le plus intéressant techniquement.
Question 5 · confirmé
Vous recrutez un data scientist confirmé. Comment construisez-vous l'entretien technique ?
Une bonne réponseUn exercice proche du travail réel : un jeu de données imparfait et une question métier, ou la relecture d'un notebook qui contient des erreurs (fuite, mauvais découpage). Des critères écrits à l'avance et partagés par les intervieweurs, une grille commune, une durée limitée. Il évite les énigmes d'algorithmique sans rapport avec le poste et les longs devoirs à la maison.
Signal d'alerte« Je sens les gens », ou un QCM de définitions d'algorithmes.
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
Recruter un manager data science : questions fréquentes
Quelle différence entre un lead data scientist et un head of data science ?
Le lead data scientist reste proche du code : il encadre une petite équipe, relit les modèles et prend souvent les sujets les plus difficiles. Le head of data science, ou head of AI, gère plusieurs équipes, un budget, les recrutements et la relation avec la direction et la DSI. Les intitulés se recoupent d'une entreprise à l'autre. Fixez avant l'entretien la part de technique attendue, car elle change les questions et la grille.
Faut-il faire passer un test technique à un manager data science ?
Un test technique de codage classique apporte peu pour un poste de manager. Une relecture de modèle fonctionne mieux : un notebook avec une fuite de données, un découpage douteux et une métrique mal choisie. En vingt minutes, vous voyez si la personne repère les erreurs et comment elle les expliquerait à son équipe. Pour un lead qui code encore, ajoutez un court exercice sur du code de production.
Quelles questions poser sur le management d'une équipe data ?
Des situations précises plutôt que des questions sur le style de management : un expert seul à connaître un modèle, une revue de modèles contournée, un junior à faire progresser vers la mise en production, un recrutement à organiser. Demandez ce que la personne a fait, ce qui a marché et ce qu'elle changerait. Des réponses générales, sans nom de projet ni chiffre, signalent souvent un manager qui n'a pas encore eu d'équipe à sa charge.
Comment évaluer la maîtrise de l'IA générative chez un responsable IA ?
Demandez-lui comment il a choisi un modèle, évalué un assistant et suivi son coût. Un responsable IA solide parle d'un jeu de questions construit avec le métier, du contrôle des droits sur les documents, du coût par requête et de la possibilité de changer de fournisseur. La fiche PDF de Delectus AI consacre un axe entier à ces choix, avec cinq questions et les réponses attendues.
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.
