Missions principales
Le quotidien et les responsabilités.
- Industrialiser un modèle : entraînement reproductible, versionnement, déploiement
- Concevoir la chaîne d'inférence et tenir les contraintes de latence et de coût
- Mettre en place l'évaluation : jeux de référence, mesure de la qualité, détection des régressions
- Surveiller le comportement en production et traiter la dérive des données
- Intégrer les composants d'IA dans les produits, avec les équipes de développement
- Documenter les limites du système et les demandes à lui épargner
Compétences
Ce qu'il faut maîtriser.
- Ingénierie logicielle solide : tests, versionnement, revue de code, industrialisation
- Python, et maîtrise d'au moins un environnement d'apprentissage automatique
- Conteneurisation et déploiement, en lien étroit avec les pratiques d'infrastructure
- Conception d'évaluations : savoir prouver qu'une version est meilleure qu'une autre
- Maîtrise des coûts d'inférence, qui deviennent vite le premier poste de dépense
- Compréhension des limites des modèles et des risques associés à leurs réponses
- Anglais technique courant
Formation
Le parcours type.
École d'ingénieur ou master en informatique, souvent complété par une spécialisation en apprentissage automatique. Beaucoup de bons profils viennent du développement logiciel et se sont spécialisés : c'est un chemin solide, parce que la partie la plus difficile du métier reste l'ingénierie, bien plus que la modélisation.
Étudiant ou jeune diplômé ? Entourage Club est notre accompagnement gratuit vers un premier poste en Finance ou en Tech.
Évolutions
Les évolutions possibles.
- Lead ou responsable d'une équipe d'ingénierie IA
- Ingénieur MLOps, vers la plateforme et l'exploitation
- Architecte des systèmes de données et d'IA
- Product engineer sur un produit à forte composante IA
- Direction technique dans une structure où l'IA est le cœur du produit
Conseils Entourage : Recruter
Recruter un Machine Learning Engineer.
Nous faisons d'abord choisir lequel des deux métiers vous recrutez, et nous l'écrivons : entraîner des modèles, ou construire des applications au-dessus de modèles existants. Une annonce qui demande les deux attire deux populations de candidats, et le poste convient imparfaitement à chacune. En entretien, nous testons l'évaluation plutôt que l'algorithmique : le candidat explique comment il prouverait qu'une nouvelle version est meilleure que celle en production. La réponse distingue ceux qui ont vraiment exploité un système d'IA de ceux qui ont surtout expérimenté, et elle résiste à toute préparation.
Conseils Entourage : Candidater
Postuler pour un poste de Machine Learning Engineer.
Les candidats retenus disent en une phrase de quel côté ils sont, entraînement ou intégration, plutôt que de laisser deviner : l'ambiguïté fait passer à côté des deux postes. Ils racontent ensuite une mise en production avec ses chiffres : latence, coût, ce qui s'est dégradé et comment ils l'ont vu. Un incident bien expliqué convainc davantage qu'un projet présenté comme parfait. Les listes d'outils portent peu : les employeurs cherchent quelqu'un capable de tenir un système dans la durée, plus que quelqu'un qui a essayé beaucoup de bibliothèques.
Ce que nous proposons aux candidats
- À télécharger : Préparer un entretien (fonctions Tech)
