Un CV de data scientist échoue généralement de l’une de deux façons. Soit il aligne quarante bibliothèques sans montrer que quoi que ce soit soit jamais sorti d’un notebook, soit il décrit une analyse alors que le lecteur attendait un modèle déployé : ce qu’il prédit, comment il est évalué et ce qui a changé après sa mise en production.
Collez le prompt dans Claude, ChatGPT, Gemini ou Copilot, indiquez quels modèles sont arrivés en production, sur quel volume de données vous avez travaillé et ce que vos expérimentations ont changé. Il demande le reste, puis renvoie un CV présentant les compétences techniques et comportementales : Python, pandas, scikit-learn, PyTorch, SQL, Spark, ingénierie des caractéristiques, tests A/B et inférence causale, MLflow, Airflow, SageMaker et Databricks, ainsi que la formulation du problème, l’explication d’un modèle à un responsable produit et la capacité à savoir quand une métrique n’évoluera pas. Les publications et les classements en compétitions trouvent aussi leur place.
Payez une seule fois, conservez le fichier et utilisez-le pour chaque poste auquel vous candidatez. Aucun compte à créer, aucune date de renouvellement.