ai-engineering-interview-questions : une table des matières, pas un manuel
Your Cheat Sheet for AI Engineering Interview – Questions and Answers.
En bref
- De quoi s’agit-il ?
- Le dépôt d'Amit Shekhar est un index de questions d'entretien en IA, où chaque réponse renvoie vers un article, une vidéo ou un billet. Utile comme plan de révision, insuffisant comme source unique.
- À qui s’adresse-t-il ?
- Ce dépôt convient à qui prépare un entretien d'AI Engineer, de LLM Engineer ou de Forward Deployed Engineer et veut une liste de sujets à couvrir, à condition d'accepter que la réponse se trouve ailleurs. Il ne convient pas à qui cherche un manuel autosuffisant ni un support hors ligne : la quasi-totalité des réponses est un lien, et plusieurs questions listées sous LLM Fundamentals ou Prompt Engineering n'ont aucune réponse attachée dans le README.
- Puis-je l’utiliser commercialement ?
- Oui. Apache-2.0 est une licence permissive : vous pouvez utiliser, modifier et vendre un logiciel qui en dépend, à condition de conserver les mentions de droit d’auteur et de licence.
- Est-il encore maintenu ?
- Oui. Les derniers commits datent d’il y a 1 jour.
- En quel langage est-il écrit ?
- Principalement Markdown, d’après les statistiques de langage de GitHub.
Ces réponses reposent sur les données GitHub du projet (dernière synchronisation le 15 septembre 2026) et sur notre analyse. Elles ne constituent pas un avis juridique.
ANALYSE OPEN SOURCE APPROFONDIE
Un index de questions, pas un recueil de réponses
Le README annonce la couleur : ces questions et réponses servent de cheat sheet pour des postes d'AI Engineer, Gen AI Engineer, LLM Engineer, Agentic AI Engineer, AI Agent Engineer, Forward Deployed Engineer, AI Solutions Architect, AI Platform Engineer, Applied AI Engineer, MLOps Engineer et LLMOps Engineer. Onze intitulés pour un seul fichier d'index. La liste des rôles est plus longue que la plupart des sections qui suivent.
Le problème résolu est réel : savoir quoi réviser. La table des matières couvre quinze thèmes, de LLM Fundamentals à Behavioral and Scenario-Based Questions, en passant par RAG, AI Agents and Agentic Systems, Fine-Tuning and Model Adaptation, Vector Databases and Embeddings, AI System Design, LLMOps and Production AI, Evaluation and Testing, AI Safety, Ethics, and Responsible AI, Multimodal AI, AI Infrastructure and Scalability et Coding and Practical Implementation. Pour un candidat qui ne sait pas par où commencer, cette découpe vaut à elle seule le détour.
Ce qu'il n'est pas : un manuel. La majorité des entrées suit le format d'une question suivie d'un renvoi. Le README précise d'ailleurs que le contenu sera mis à jour avec de nouvelles questions et réponses, ce qui indique un document en cours de constitution plutôt qu'un texte figé.
Le mécanisme : une question, un lien, parfois rien
Le fonctionnement tient en une ligne. Chaque question est un point de liste, et la réponse est un lien vers une ressource externe. Exemple parmi les plus directs : la question sur l'architecture Transformer renvoie vers un article de blog intitulé Decoding Transformer Architecture. Celle sur le tokenizer renvoie vers une vidéo YouTube sur la tokenization dans les LLM. Celle sur le Byte Pair Encoding renvoie vers un billet dédié au BPE. Celle sur le facteur d'échelle √dₖ en attention renvoie vers un article sur ce même facteur.
D'autres entrées sont plus courtes encore. La question sur la différence entre WordPiece et SentencePiece n'a, telle qu'elle apparaît dans le README, aucun lien associé. Même chose pour Top-p et Top-k sampling, pour la comparaison entre LLM open source et closed source, et pour la question sur l'architecture encoder-only, decoder-only et encoder-decoder : cette dernière renvoie vers un article Encoder vs Decoder in Transformers, mais les deux précédentes restent sans réponse dans le fichier fourni.
Le README contient aussi une section Must Know qui liste six termes : LLM, RAG, MCP, Agent, Fine-tuning, Quantization. Ces six entrées ne sont pas des questions mais des mots-clés, et elles pointent toutes vers une même vidéo intitulée AI Engineering Explained: LLM, RAG, MCP, Agent, Fine-Tuning, Quantization. Le chemin de lecture est donc : un index de questions, puis une poignée de ressources externes, dont une vidéo qui sert de porte d'entrée pour les six notions jugées indispensables.
Où vivent les réponses : Outcome School, YouTube, Substack, X et LinkedIn
Les cibles des liens sont dispersées sur au moins cinq plateformes. Des articles sur outcomeschool.com, des vidéos YouTube, des billets Substack (Inside ChatGPT: What Happens After You Hit Enter, Positional Embeddings in LLMs), des posts X et des publications LinkedIn. Une question sur le context window renvoie vers un post LinkedIn, une autre sur les logits vers un post X, une sur les skip connections vers un autre post LinkedIn.
Ce choix a une conséquence pratique : la qualité et la profondeur varient d'une cible à l'autre, et le lecteur n'a aucun moyen de le savoir depuis le README. Un article de blog structuré et un post de réseau social ne demandent pas le même effort de lecture, et ne se retrouvent pas de la même façon dans une recherche. Si vous révisez hors ligne ou derrière un filtre réseau, une partie du contenu devient inaccessible.
Le dépôt appartient par ailleurs à l'écosystème d'Outcome School : le README précise qu'il est préparé et maintenu par le fondateur de cette structure, et renvoie vers un programme payant intitulé AI and Machine Learning. C'est un point à garder en tête : le dépôt est un index gratuit qui alimente une offre de formation.
Ce que la licence Apache-2.0 autorise, et ce qu'elle ne règle pas
Le dépôt est publié sous Apache-2.0, une licence permissive qui autorise la réutilisation, la modification et la redistribution, y compris dans un cadre commercial, à condition de conserver les mentions de copyright et de licence et de signaler les fichiers modifiés. Elle inclut une concession de brevet explicite.
Cette licence couvre le contenu du dépôt, c'est-à-dire le fichier Markdown et sa structure. Elle ne couvre pas les ressources vers lesquelles les liens pointent : articles de blog, vidéos YouTube, billets Substack, posts X et LinkedIn restent soumis à leurs propres conditions. Vous pouvez reprendre la liste de questions, pas le texte des réponses situées ailleurs. Ce point n'est pas une subtilité théorique : si vous forkez le dépôt pour bâtir un support de formation interne, la licence vous laisse tranquille sur l'index et ne vous dit rien sur les cibles.
Le README ne contient aucune indication de version, aucun changelog et aucune release. Le suivi des modifications se fait donc par l'historique Git, pas par des tags.
Les sections qui tiennent debout toutes seules
Toutes les entrées ne sont pas des renvois. La section LLM Fundamentals est la plus dense du README fourni, avec des questions précises : pourquoi on met à l'échelle le produit scalaire par √dₖ, ce qu'est le causal masking, pourquoi plusieurs têtes d'attention plutôt qu'une, à quoi servent les réseaux feed-forward dans un LLM, pourquoi le premier token est plus lent que les suivants, ce qu'est le KV cache et comment il accélère l'inférence. Ce sont des questions de mécanique interne, et elles se répondent en comprenant le fonctionnement, pas en mémorisant une définition.
La question sur le KV cache mérite une remarque. Elle est formulée comme un problème d'ingénierie : comment le cache accélère l'inférence. C'est exactement le genre de sujet où un candidat peut montrer qu'il a déjà regardé une courbe de latence, et où une réponse de surface se repère vite.
À l'inverse, les sections plus appliquées, comme LLMOps and Production AI, Evaluation and Testing ou AI Safety, Ethics, and Responsible AI, apparaissent dans la table des matières mais le README fourni ne montre pas leur contenu. Impossible de dire depuis ce matériau si elles sont aussi détaillées que LLM Fundamentals ou si elles se limitent à quelques titres. C'est une réserve à vérifier avant de compter sur elles.
La limite structurelle : un index ne se substitue pas à une source
Le défaut principal n'est pas la qualité des questions, c'est la dépendance. Un index qui pointe vers une trentaine de ressources externes hérite de leur disponibilité, de leur mise à jour et de leur niveau de détail. Si une vidéo est retirée ou un article déplacé, la question reste et la réponse disparaît. Le README ne signale aucun mécanisme de vérification des liens.
Deuxième limite : l'absence de réponses rédigées dans le dépôt. Pour une révision rapide la veille d'un entretien, devoir ouvrir une vidéo de plusieurs minutes pour chaque question est un mauvais compromis. Le format convient à une préparation étalée sur plusieurs semaines, pas à une révision de dernière minute.
Troisième limite : le README fourni ne contient aucune indication sur la difficulté des questions, sur le niveau attendu, ni sur la façon dont les réponses sont structurées. Un candidat junior et un candidat senior liront la même liste sans savoir laquelle des questions est éliminatoire et laquelle est un bonus.
Ce dépôt est donc le mauvais outil si vous cherchez un texte que vous pouvez lire de bout en bout sans connexion, ou si vous voulez comparer plusieurs formulations d'une même réponse.
Face à quoi on le compare réellement
L'alternative la plus proche n'est pas un autre dépôt de questions, c'est la documentation officielle des briques que vous utilisez. Un guide de retrieval d'un framework de vector store, ou la documentation d'un serveur MCP, décrit le comportement réel d'un composant, avec ses paramètres et ses cas limites. Le dépôt d'Amit Shekhar fait l'inverse : il part des questions et vous envoie vers des explications générales.
La différence d'approche est nette. Ici, on construit une carte du domaine : quinze thèmes, des questions qui balaient du tokenizer au comportemental. Une documentation officielle, elle, ne couvre qu'un outil et ne vous dira jamais qu'il vous manque une notion sur l'évaluation ou sur la quantification. Pour préparer un entretien, la carte a de la valeur ; pour répondre à une question technique précise pendant l'entretien, la documentation est plus fiable.
Un dernier point sur la maintenance. Le dépôt n'est pas archivé et le dernier push indiqué est le 27 août 2026. Le README annonce des mises à jour continues, sans calendrier ni numéro de version. Le coût de suivi est faible si vous vous contentez de relire la table des matières ; il augmente si vous voulez savoir ce qui a changé entre deux révisions, puisque rien n'est tagué et qu'aucune release n'est publiée.
Conclusion éditoriale
Ce dépôt convient à qui prépare un entretien d'AI Engineer, de LLM Engineer ou de Forward Deployed Engineer et veut une liste de sujets à couvrir, à condition d'accepter que la réponse se trouve ailleurs. Il ne convient pas à qui cherche un manuel autosuffisant ni un support hors ligne : la quasi-totalité des réponses est un lien, et plusieurs questions listées sous LLM Fundamentals ou Prompt Engineering n'ont aucune réponse attachée dans le README. Avant de vous appuyer dessus, ouvrez une question de chaque section et vérifiez que la cible répond réellement à la question posée, puis notez la date du dernier push pour savoir si l'index a été revu depuis votre dernière révision.
Notes de la communauté