Questions d’entretien d’embauche pour ingénieurs en text analytics

Voici les questions d’entretien d’embauche les plus courantes pour un poste de Text Analytics Engineer, avec des exemples de réponses et des conseils de préparation basés sur ce que les recruteurs filtrent réellement. Seuls 3 % des candidats sont invités à un entretien, et les employeurs reçoivent en moyenne 180 candidatures par embauche [1]. Profitez de cet avantage pour créer un CV sur mesure qui vous fait entrer dans la salle d’entretien.

Questions d’entretien d’embauche les plus courantes pour un Text Analytics Engineer

Si vous préparez un entretien de Text Analytics Engineer, attendez-vous à un mélange de fondamentaux du NLP (TAL), d’ingénierie des données, d’évaluation de modèles, de réflexion « production » et de questions de communication. Ce rôle se situe entre la recherche et la mise en production, donc les recruteurs veulent des preuves que nous savons transformer du texte « sale » en valeur business fiable.

1. Parlez-moi de vous
2. Pourquoi voulez-vous ce poste de Text Analytics Engineer ?
3. Quelle expérience avez-vous avec les pipelines NLP et de text analytics ?
4. Comment abordez-vous le nettoyage et le prétraitement de données texte non structurées ?
5. Comment choisissez-vous entre des approches à base de règles, du ML classique et des approches basées sur des transformers pour un problème de texte ?
6. Quelles méthodes de représentation du texte avez-vous utilisées, et quand utiliseriez-vous chacune ?
7. Comment évaluez-vous les performances d’un modèle de text analytics ?
8. Parlez-moi d’un projet de text analytics que vous avez construit de bout en bout
9. Comment gérez-vous les classes déséquilibrées, les labels bruités ou la weak supervision dans des tâches NLP ?
10. Comment déployez-vous et surveillez-vous des modèles de text analytics en production ?
11. Parlez-moi d’une fois où vous avez amélioré les performances d’un modèle ou l’efficacité d’un pipeline
12. Comment travaillez-vous avec des product managers, des analystes ou des experts métier pour définir une solution de text analytics ?
13. Quels défis avez-vous rencontrés avec du texte multilingue, du langage spécifique à un domaine ou des données low-resource ?
14. Comment arbitrez-vous entre précision, latence et coût dans des systèmes NLP en production ?
15. Comment vous assurez-vous que votre travail de text analytics est explicable, éthique et respectueux de la vie privée ?
16. Comment utilisez-vous des outils d’IA dans votre travail de Text Analytics Engineer ?
17. Comment vérifiez-vous une sortie générée par IA avant de lui faire confiance ?
18. Parlez-moi d’une fois où l’IA vous a aidé à résoudre un problème plus vite ou mieux
19. Quelle est votre plus grande force en tant que Text Analytics Engineer ?
20. Avez-vous des questions pour nous ?

Adaptez vos réponses au poste visé. Une même question d’entretien peut nécessiter une réponse très différente selon le job. Un Text Analytics Engineer doit mettre en avant les systèmes NLP, l’expérimentation, la qualité des données, le déploiement et l’impact mesurable — pas seulement des compétences générales en logiciel ou en data. Il est aussi utile de s’entraîner à voix haute avec ce guide sur s’entraîner aux questions d’entretien de Text Analytics Engineer avec ChatGPT.

Questions et réponses d’entretien de Text Analytics Engineer (en détail)

1. Parlez-moi de vous

Les recruteurs posent cette question pour voir si nous savons résumer notre parcours d’une façon pertinente pour le poste. Ils ne demandent pas l’histoire de notre vie. Ils veulent un récit court : où nous avons travaillé, quels problèmes de texte nous avons résolus, et pourquoi cela nous rend pertinents aujourd’hui.

Exemple de réponse : Je suis ingénieur data et NLP, avec de l’expérience dans la construction de pipelines texte qui transforment du langage non structuré en signaux exploitables. Dans mes expériences récentes, je me suis concentré sur la classification de documents, l’extraction d’entités et la pertinence de recherche, avec des responsabilités allant du prétraitement à l’entraînement, l’évaluation et le déploiement. Ce qui m’intéresse dans ce poste, c’est l’opportunité de travailler plus près de la production et de construire des systèmes robustes à l’échelle, pas seulement des expérimentations dans des notebooks.

2. Pourquoi voulez-vous ce poste de Text Analytics Engineer ?

Cette question vérifie la motivation et l’adéquation. Les équipes de recrutement veulent savoir si nous comprenons le job réel, pas seulement l’intitulé. Une bonne réponse relie notre expérience à leur domaine, leur stack et leur problème business.

Exemple de réponse : Je veux ce poste parce qu’il se situe à l’intersection que j’aime le plus : données de langage, rigueur d’ingénierie et impact produit. D’après l’offre, vous avez besoin de quelqu’un capable de construire des pipelines NLP fiables, d’améliorer la qualité des modèles et de travailler en proximité avec les parties prenantes. C’est très cohérent avec mon parcours, et j’apprécie que le rôle aille au-delà de l’entraînement de modèles, jusqu’à la livraison en conditions réelles.

3. Quelle expérience avez-vous avec les pipelines NLP et de text analytics ?

Ils veulent savoir si nous avons déjà fait le job en entier : ingestion, prétraitement, labellisation, modélisation, évaluation, déploiement et monitoring. C’est un bon endroit pour montrer l’étendue, les outils et l’échelle.

Exemple de réponse : J’ai construit des pipelines NLP pour la classification, l’étiquetage par thèmes, l’analyse de sentiment et la reconnaissance d’entités nommées. Ma stack typique inclut Python, spaCy, pandas, scikit-learn, PyTorch, Hugging Face, ainsi que des outils d’orchestration pour des traitements planifiés. J’ai travaillé sur tout le flux, depuis l’ingestion de texte brut et des guidelines d’annotation jusqu’à l’évaluation, le serving d’API et la surveillance du drift en production.

4. Comment abordez-vous le nettoyage et le prétraitement de données texte non structurées ?

Cette question teste le jugement pratique. Les recruteurs savent que la qualité du texte compte souvent plus que la complexité du modèle. Ils veulent voir une approche structurée et spécifique au problème plutôt qu’une checklist générique.

Exemple de réponse : Je commence par la tâche et la source de données, car le prétraitement doit servir l’objectif plutôt que suivre des habitudes. Je vérifie d’abord les problèmes d’encodage, les doublons, le texte malformé, le boilerplate, les valeurs manquantes et la cohérence des labels. Ensuite je décide quoi normaliser — comme la casse, la ponctuation, les URLs, les emojis ou des tokens spécifiques au domaine — tout en protégeant les signaux qui peuvent compter pour la tâche. En général, je construis un pipeline de prétraitement reproductible avec des tests, pour que l’entraînement et l’inférence utilisent la même logique.

5. Comment choisissez-vous entre des approches à base de règles, du ML classique et des approches basées sur des transformers pour un problème de texte ?

Il s’agit de jugement d’ingénierie, pas de buzzwords. Les équipes veulent quelqu’un qui sait choisir l’approche la plus simple qui fonctionne, selon des contraintes comme la taille des données, la latence, l’explicabilité et la maintenance.

Exemple de réponse : Je choisis d’abord en fonction des contraintes business, puis des données. Si la tâche est étroite, les patterns sont stables et l’explicabilité compte, je commence par des règles. Si nous avons une quantité modérée de données labellisées et besoin d’un baseline solide, j’utilise souvent des modèles classiques avec TF-IDF ou des features similaires. Si la tâche dépend fortement du contexte ou de la sémantique et que nous avons assez de données (ou un bon chemin de transfer learning), j’utilise des transformers. Je compare les options sur la qualité, la latence, le coût et la maintenabilité avant de m’engager.

6. Quelles méthodes de représentation du texte avez-vous utilisées, et quand utiliseriez-vous chacune ?

Ils vérifient la profondeur technique. Nous devons montrer que nous comprenons les compromis entre représentations creuses (sparse) et denses, pas seulement énumérer des méthodes.

Exemple de réponse : J’ai utilisé bag-of-words et TF-IDF pour des baselines solides et interprétables en classification et en tâches de type recherche/retrieval. J’ai utilisé des embeddings statiques quand j’avais besoin d’une couche sémantique légère, et des embeddings contextualisés issus de transformers quand le sens dépend du contexte. En pratique, je choisis la représentation qui correspond à la tâche, au budget d’entraînement et aux contraintes de serving plutôt que de prendre par défaut la méthode la plus récente.

7. Comment évaluez-vous les performances d’un modèle de text analytics ?

Les recruteurs veulent savoir si nous comprenons que la qualité d’un modèle dépend du cas d’usage. La précision (accuracy) seule suffit rarement. Les bonnes réponses relient les métriques au risque business.

Exemple de réponse : Je commence par relier la tâche au coût des erreurs. Pour une classification équilibrée, je peux regarder l’accuracy, mais pour la plupart des tâches NLP je me concentre davantage sur la précision, le rappel, le F1, les courbes PR et les patterns de confusion. Pour le ranking ou le retrieval, j’utilise des métriques comme la precision@k ou le NDCG. Je regarde aussi les performances par sous-groupes (slices) selon les classes, les langues ou les types de documents, et j’inclus une analyse d’erreurs humaine, parce que des métriques agrégées peuvent masquer les vrais modes d’échec.

8. Parlez-moi d’un projet de text analytics que vous avez construit de bout en bout

C’est une question comportementale centrale. Ils veulent des preuves que nous pouvons porter un projet d’un problème flou à un système fonctionnel. La structure compte. Si vous avez besoin d’un cadre, utilisez la méthode STAR pour les entretiens de Text Analytics Engineer.

Exemple de réponse : J’ai construit un système de tri de tickets support qui classait le texte entrant et extrayait les entités clés pour le routage. J’ai réduit le temps de tri manuel de 42 %, mesuré via le temps moyen de traitement, en construisant un pipeline de prétraitement, en fine-tunant un modèle transformer et en déployant un service d’inférence avec des seuils de confiance et des règles de repli. J’ai aussi travaillé avec les responsables opérations pour affiner les labels et j’ai construit un dashboard pour suivre le drift et les cas à faible confiance après le lancement.

Exemple de réponse (si vous êtes junior) : Dans un projet de master, j’ai construit un classifieur de thèmes d’actualité, depuis le texte brut d’articles jusqu’au déploiement via une API simple. J’ai amélioré le F1 macro de 0,71 à 0,84, mesuré sur un jeu de validation séparé, en nettoyant du bruit de labellisation, en comparant des baselines TF-IDF avec des modèles transformers, et en ajustant le prétraitement et les seuils. Le projet m’a appris à quel point la qualité des données et la conception de l’évaluation influencent les résultats.

9. Comment gérez-vous les classes déséquilibrées, les labels bruités ou la weak supervision dans des tâches NLP ?

Ils posent cette question parce que les données texte réelles sont désordonnées. Ils veulent quelqu’un qui résout des problèmes sans supposer des labels parfaits. Une bonne réponse montre à la fois une réflexion côté modèle et une approche data-centric.

Exemple de réponse : Je traite d’abord ça comme un problème de données et d’évaluation. Pour le déséquilibre, je peux utiliser du class weighting, du rééchantillonnage, l’ajustement de seuils, ou choisir des métriques qui reflètent la performance sur la classe minoritaire. Pour les labels bruités, j’inspecte les schémas de désaccord, je passe en revue les cas limites et je renforce les guidelines d’annotation avant d’essayer de « sur-modéliser » le problème. Avec la weak supervision, je fais attention à la qualité des labels, à la couverture et à la propagation d’erreurs, et je valide avec un jeu plus propre annoté à la main.

10. Comment déployez-vous et surveillez-vous des modèles de text analytics en production ?

Cette question distingue l’expérimentation de la maturité d’ingénierie. Les équipes ont besoin de personnes qui pensent versioning, reproductibilité, latence, drift et rollback.

Exemple de réponse : J’emballe le prétraitement et la logique du modèle ensemble pour que l’entraînement et l’inférence restent alignés. En général, j’expose le modèle via un service ou un pipeline batch selon le cas d’usage, avec un versioning clair des données, du code et des artefacts. En production, je surveille la latence, le débit, les taux d’erreur, le drift des entrées, les distributions de prédiction et des indicateurs de qualité orientés métier. J’aime aussi mettre en place du shadow testing ou un comportement de fallback avant un déploiement complet.

11. Parlez-moi d’une fois où vous avez amélioré les performances d’un modèle ou l’efficacité d’un pipeline

C’est là que les recruteurs veulent un impact mesurable. Ne restez pas abstrait. Donnez des chiffres et montrez ce qui a changé grâce à votre travail.

Exemple de réponse : J’ai réduit le coût d’inférence de 35 %, mesuré via la dépense mensuelle de calcul, en remplaçant un chemin transformer lourd et toujours actif par un pipeline en deux étapes : les cas simples passaient par un classifieur plus léger, et seuls les cas ambigus étaient escaladés vers le plus gros modèle. On a ainsi gardé la qualité dans la plage cible tout en améliorant la latence et en rendant le système plus scalable.

Exemple de réponse : J’ai augmenté le rappel (recall) en extraction d’entités de 18 points, mesuré sur un jeu de test revu manuellement, en repensant les règles d’annotation, en ajoutant des dictionnaires spécifiques au domaine et en réentraînant avec des exemples négatifs plus difficiles, plutôt que de ne faire que du tuning d’hyperparamètres.

12. Comment travaillez-vous avec des product managers, des analystes ou des experts métier pour définir une solution de text analytics ?

Les Text Analytics Engineers travaillent rarement seuls. Les recruteurs veulent voir si nous savons traduire des problèmes business en systèmes techniques et gérer l’ambiguïté.

Exemple de réponse : Je commence par clarifier la décision que le modèle va soutenir, pas seulement la demande de modèle en elle-même. Ensuite, je travaille avec les parties prenantes pour définir le succès, le coût des échecs, les cas limites et ce que signifie « suffisamment bon » opérationnellement. Les experts métier sont particulièrement importants en text, car la taxonomie, les définitions de labels et les exceptions déterminent souvent plus la qualité du modèle que l’architecture. J’essaie de rendre les arbitrages visibles pour que les parties prenantes sachent ce qu’on gagne ou perd avec chaque approche.

13. Quels défis avez-vous rencontrés avec du texte multilingue, du langage spécifique à un domaine ou des données low-resource ?

Ils posent cette question parce que les données de langage sont rarement propres, standard ou abondantes. Elle nous permet de montrer du réalisme et notre capacité d’adaptation.

Exemple de réponse : Un défi récurrent est que le langage de domaine casse les hypothèses des modèles généralistes. Dans ces cas-là, je passe plus de temps sur la terminologie, la qualité d’annotation et l’analyse d’erreurs par sous-ensemble. Avec du texte multilingue, je vérifie si un modèle partagé est vraiment approprié ou si un traitement spécifique par langue est préférable. En contexte low-resource, je mise sur le transfer learning, l’augmentation de données quand elle est justifiée, et une sélection soignée de baselines pour ne pas sur-ingénier des données trop fines.

14. Comment arbitrez-vous entre précision, latence et coût dans des systèmes NLP en production ?

C’est une question pratique de systèmes. La meilleure réponse montre que nous pensons comme des ingénieurs, pas uniquement comme des « model builders ».

Exemple de réponse : Je traite ça comme un problème d’optimisation lié à l’exigence produit. Si le cas d’usage est en temps réel et côté client, la latence et la fiabilité peuvent compter plus que grappiller le dernier point de F1. En général, je benchmark plusieurs tailles et architectures de modèles, je teste des options de batching et de caching, et je cherche des changements de workflow comme des systèmes en deux étapes ou du traitement asynchrone. La bonne réponse est celle qui satisfait le besoin de service à un coût acceptable, pas celle qui a la plus belle métrique offline.

15. Comment vous assurez-vous que votre travail de text analytics est explicable, éthique et respectueux de la vie privée ?

Cette question vérifie la conscience des risques. Les équipes veulent des personnes capables de travailler de manière responsable avec du texte sensible, des données biaisées et des sorties critiques pour le business.

Exemple de réponse : Je commence par limiter la collecte de données non nécessaire et par m’assurer que le texte sensible est traité selon la politique. Pour l’explicabilité, je privilégie des artefacts d’évaluation et des exemples d’erreurs que les parties prenantes peuvent vraiment comprendre, pas seulement des graphiques techniques. Je teste aussi les écarts de performance sur des sous-groupes importants, surtout si la sortie impacte des utilisateurs ou des décisions business. Si le système comporte un risque matériel, j’intègre une revue humaine ou une escalade basée sur la confiance plutôt que de faire comme si le modèle devait tout décider seul.

16. Comment utilisez-vous des outils d’IA dans votre travail de Text Analytics Engineer ?

La maîtrise de l’IA est réaliste pour ce poste. Les interviewers ne cherchent pas du hype. Ils veulent savoir si nous utilisons l’IA de façon concrète pour améliorer la qualité ou la vitesse du travail. C’est encore plus vrai aujourd’hui, car les rôles proches du développement logiciel connaissent une transformation hybride par l’IA dans la plupart des familles de compétences, et les offres plus larges en développement logiciel étaient en baisse de 8,3 % sur un an début 2025 [2][3]. Cela signifie que la concurrence est plus forte, et que l’usage pragmatique de l’IA fait de plus en plus partie du niveau attendu.

Exemple de réponse : J’utilise des outils comme ChatGPT, Claude et GitHub Copilot pour accélérer des parties précises de mon workflow : rédiger des patterns regex, générer des cas de test pour le prétraitement, comparer des approches d’implémentation, et résumer des clusters d’erreurs à partir des sorties du modèle. Je les utilise aussi pour accélérer la documentation et brainstormer des cas limites pour l’évaluation. Je les considère comme des outils de productivité, pas comme des sources de vérité : je valide toujours le code, je relance les expériences et je vérifie chaque affirmation avec les données et le comportement du système.

17. Comment vérifiez-vous une sortie générée par IA avant de lui faire confiance ?

Cette question teste la maturité. N’importe qui peut dire qu’il utilise des outils d’IA. Les bons candidats montrent comment ils se protègent contre les hallucinations, le raisonnement superficiel et les erreurs subtiles.

Exemple de réponse : Je vérifie la sortie de l’IA de la même manière que je vérifierais la sortie d’un ingénieur junior : par rapport aux exigences, aux données et aux tests. Si elle génère du code, je lance des tests unitaires, j’inspecte les cas limites et je benchmark le comportement avant de l’utiliser. Si elle propose une approche NLP, je la compare à des baselines connues et aux contraintes de la tâche. Si elle résume des résultats, je remonte du résumé vers les exemples bruts ou les métriques. L’IA est utile, mais en text elle peut « sonner juste » tout en étant fausse, donc la vérification n’est pas négociable.

18. Parlez-moi d’une fois où l’IA vous a aidé à résoudre un problème plus vite ou mieux

C’est une version comportementale de la question sur l’IA. Les recruteurs veulent un exemple de workflow réel avec du jugement, pas seulement de l’enthousiasme.

Exemple de réponse : J’ai réduit le temps de mise en place des expérimentations d’environ 50 %, mesuré entre la définition de la tâche et le premier benchmark, en utilisant Copilot et ChatGPT pour amorcer un nouveau harness d’évaluation en classification de documents, générer des tests de cas limites et rédiger des scripts d’ablation. J’ai quand même revu chaque composant, remplacé les parties faibles et validé les sorties contre un benchmark vérifié manuellement avant que ce harness n’intègre le workflow de l’équipe.

19. Quelle est votre plus grande force en tant que Text Analytics Engineer ?

C’est une question de positionnement. Ils veulent savoir quel type de coéquipier nous sommes et quelle valeur nous apportons de manière fiable. Choisissez une force qui correspond au poste.

Exemple de réponse : Ma plus grande force, c’est de relier le travail de modélisation à la réalité de la production. Je suis à l’aise pour aller en profondeur dans les détails NLP, mais je pense aussi dès le départ à la qualité des données, au déploiement, au monitoring et aux besoins des parties prenantes. Ça m’aide à construire des systèmes qui ne sont pas seulement précis en expérimentation, mais réellement utilisables et maintenables.

20. Avez-vous des questions pour nous ?

Ce n’est pas une formalité. De bonnes questions montrent du jugement, du sérieux et de la séniorité. Nous devons demander des choses sur le travail, les contraintes et la manière dont la réussite est mesurée. Si vous voulez mieux comprendre l’intention derrière les entretiens, cet article sur ce que les recruteurs pensent vraiment lors des entretiens de Text Analytics Engineer mérite d’être lu avant l’échange.

Exemple de réponse : Oui — j’aimerais comprendre comment vous définissez la réussite pour ce poste sur les six premiers mois. Quels sont les principaux problèmes texte que l’équipe traite aujourd’hui, qu’est-ce qui est déjà en production versus encore expérimental, et où voyez-vous les plus gros goulots d’étranglement techniques : qualité des données, modélisation, infrastructure, ou alignement des parties prenantes ?

Est-ce difficile d’obtenir un entretien de Text Analytics Engineer ?

Le funnel est brutal, même avant d’arriver à l’entretien. Dans le rapport 2025 de CareerPlug sur les métriques de recrutement, basé sur plus de 10 millions de candidatures en 2024, les employeurs ont invité seulement 3 % des candidats à un entretien — soit environ 1 invitation pour 33 candidatures [1]. Cela nous indique à lui seul le vrai goulot d’étranglement : la plupart des candidats n’ont même jamais l’occasion de répondre à des questions d’entretien.

Pour les postes de Text Analytics Engineer, la pression est probablement encore plus forte, car ils se situent près des recrutements liés au logiciel et à l’IA. Indeed rapportait en février 2025 que les offres d’emploi en développement logiciel aux États-Unis étaient en baisse de 8,3 % sur un an [3]. Et le rapport 2025 d’Indeed sur l’IA au travail a constaté qu’une transformation hybride par l’IA dominait 9 des 10 principales familles de compétences en développement logiciel, tout en avertissant que les gains de productivité liés au GenAI peuvent signifier que moins de personnes sont nécessaires pour le même output si la demande n’augmente pas en parallèle [2]. Cela ne veut pas dire que le poste disparaît. Cela veut dire que le niveau attendu augmente.

Donc, si vous avez déjà un entretien, vous avez passé un filtre majeur. Ne le gâchez pas. Et si vous êtes encore en phase de candidatures, rappelez-vous où se produit la plus grande chute : avant l’entretien. Le premier filtre, c’est le CV. S’il ne rend pas l’adéquation évidente en 5–8 secondes, vous restez invisible, peu importe votre niveau. L’objectif est simple : moins de candidatures, plus d’entretiens. Et c’est possible en adaptant votre CV à chaque candidature.

Pourquoi vous devriez adapter votre CV à chaque candidature

Un CV qui rend l’adéquation évidente pendant le scan de 5–8 secondes d’un recruteur bat un CV générique à chaque fois. On le sait tous.

Le vrai problème, c’est l’effort. Réécrire un CV pour chaque candidature prend du temps, et c’est fastidieux, donc la plupart des gens ne le font pas régulièrement. C’était le blocage avant. Maintenant, l’IA peut aider.

Aujourd’hui, il est facile de créer un CV sur mesure pour chaque candidature avec Specific Resume. Cela nous aide à mettre les bonnes qualifications dès la première page, à aligner notre langage sur la description de poste, à garder une mise en page facile à parcourir, à rester compatible ATS, et à rédiger des réalisations orientées résultats. C’est mieux pour nous et mieux pour les recruteurs, car ils voient l’adéquation sans devoir creuser. Si vous avez aussi besoin de documents complémentaires, associez-le à une lettre de motivation Text Analytics Engineer ciblée.

Si vous voulez améliorer vos chances, créez un CV spécifique au poste pour le prochain rôle auquel vous postulez.

Créez un meilleur CV de Text Analytics Engineer pour votre prochaine candidature

Le funnel de recherche d’emploi est rude : beaucoup de candidatures, très peu d’entretiens, et encore moins d’offres. Votre préparation à l’entretien compte, mais c’est votre CV qui vous amène au suivant.

Bonne chance — et avant votre prochaine candidature, créez un CV spécifique au poste pour augmenter vos chances d’obtenir un entretien.

Sources

1. CareerPlug Rapport 2025 sur les métriques de recrutement, basé sur plus de 10 millions de candidatures en 2024 provenant de plus de 60 000 petites entreprises.
2. Indeed Hiring Lab Rapport 2025 « AI at Work » sur l’exposition à l’IA dans 53,5 millions d’offres d’emploi aux États-Unis.
3. Indeed Hiring Lab Analyse de février 2025 indiquant que les offres d’emploi en développement logiciel aux États-Unis ont baissé de 8,3 % sur un an.
4. Employ Rapport 2025 Employ Recruiter Nation sur les volumes de candidatures par poste.

Adam Sabla

Adam Sabla est un entrepreneur expérimenté dans la création de startups qui servent plus d’un million de clients, notamment Disney, Netflix et la BBC, avec une forte passion pour l’automatisation.