AI engineer (ingénieur en intelligence artificielle)

L’AI engineer, ou ingénieur en intelligence artificielle, conçoit et développe des solutions IA, puis les intègre aux applications de l’entreprise. Son travail peut comprendre la préparation des données, le choix des modèles, leur évaluation, le déploiement et la maintenance. Il transforme un besoin d’utilisateur en une fonctionnalité dont les résultats et les limites peuvent être examinés.

Le métier dépasse l’IA générative. Selon le projet, il porte sur la prédiction, la vision par ordinateur, le traitement du langage ou la robotique. Ces domaines sont des spécialisations possibles : un poste ne suppose pas de les maîtriser tous. Le contenu du travail dépend aussi de ce que l’entreprise souhaite développer elle-même et des services qu’elle peut intégrer.

L’ingénieur travaille avec les architectes, les spécialistes des données et les développeurs. La maintenance peut faire partie du poste ou être partagée avec des spécialistes de l’exploitation.

Ingénieur IA, ingénieur machine learning et ingénieur données : qui fait quoi ?

• L’ingénieur IA relie le besoin, la solution technique et son intégration. Son poste peut couvrir plusieurs étapes, depuis les premiers essais jusqu’au suivi de l’application.
• Le ML engineer travaille également sur la modélisation, l’intégration et la production. Les deux intitulés se recouvrent : ils ne suffisent pas à déterminer qui entraîne les modèles ou qui les exploite.
• L’ingénieur données intervient sur les chaînes d’ingestion et la mise à disposition des données. La préparation nécessaire à un modèle doit être répartie avec lui, sans confier implicitement toute la plateforme de données à l’ingénieur IA.

Un intitulé identique peut correspondre à des responsabilités techniques différentes.

Une fonctionnalité IA doit être évaluée sur l’usage auquel elle est destinée. Un résultat convaincant lors d’une démonstration ne renseigne pas, à lui seul, sur sa robustesse dans d’autres situations. Le travail de l’ingénieur consiste notamment à choisir des données de validation, des mesures de performance et des tests qui rendent les limites visibles.

Relier les résultats aux contraintes du produit

Le choix d’un modèle engage aussi les ressources nécessaires à son fonctionnement. La qualité obtenue, le temps de réponse et les moyens de calcul doivent être examinés ensemble. Pour l’entreprise, ces compromis déterminent les conditions de fonctionnement du produit et les décisions à faire valider par les responsables du produit ou de l’infrastructure.

Exemple fictif : une entreprise teste un système qui repère des défauts sur des images. Avant de retenir une approche, demandez quels défauts le système détecte et lesquels lui échappent. Demandez aussi en quoi les images utilisées pour les essais sont représentatives des images que le système devra traiter. Un score global ne remplace pas cette lecture des erreurs.

Organiser les dépendances techniques

La préparation des données comprend le traitement des lacunes, la normalisation et l’examen des anomalies. Si la mise à disposition des données pose problème, clarifiez la répartition des travaux avec le data engineer. Le recrutement d’un spécialiste IA ne dispense pas de déterminer qui fournit les données et qui corrige leurs défauts.

Après le déploiement, le suivi des performances et les mises à jour reproductibles permettent d’examiner l’évolution des résultats. Il faut donc prévoir les responsabilités de maintenance dès le cadrage du poste.

Dans le cas génératif, un autre risque doit être explicite : une réponse plausible peut être inexacte. L’évaluation doit tenir compte de l’usage qui sera fait de cette réponse. La CNIL souligne ce risque, sans qu’un test ou un choix d’outil permette de promettre sa disparition.

• Traduire les besoins des utilisateurs en objectifs techniques et en critères de réussite vérifiables.
• Choisir une architecture IA compatible avec les applications, les données et les ressources disponibles.
• Préparer les données nécessaires aux modèles en traitant les lacunes, les anomalies et les différences de représentation.
• Développer ou intégrer les modèles et services nécessaires à la fonctionnalité attendue.
• Comparer les approches sur des données de validation et justifier les compromis retenus.
• Tester la robustesse de la solution dans des situations représentatives de son utilisation.
• Intégrer la fonctionnalité aux applications avec les développeurs et les architectes concernés.
• Suivre les performances après déploiement et préparer des mises à jour reproductibles avec les responsables de l’exploitation.
• Documenter les choix techniques, les résultats et les limites pour les équipes qui utilisent ou maintiennent la solution.

Les parcours utiles associent des bases techniques et des réalisations concrètes. L’étude de l’Apec et du CESI décrit des formations en informatique ou en mathématiques appliquées, complétées par la pratique, l’autoapprentissage ou la recherche. Ces parcours donnent des points de repère, sans établir un diplôme obligatoire pour chaque poste d’AI engineer.

Les acquis utiles dépendent du travail qui sera confié. Un poste de modélisation mobilise une compréhension des données, des statistiques et des méthodes d’évaluation. Un poste principalement consacré à l’intégration fait aussi appel à la programmation et à la capacité à faire fonctionner un service dans une application. La profondeur mathématique attendue doit correspondre aux décisions que la personne devra prendre.

Un candidat issu du développement logiciel peut présenter des bases solides en programmation et avoir besoin de compléter sa compréhension des modèles et de leur validation. Un parcours davantage orienté données ou recherche peut nécessiter un apprentissage complémentaire de l’intégration et de la maintenance. Les acquis et les besoins d’accompagnement varient selon les expériences : le seul intitulé de formation ne permet pas de déduire l’autonomie.

Une spécialisation constitue une autre voie. Le Mastère Spécialisé en intelligence artificielle recensé par France compétences prévoit des conditions d’admission propres et une validation des acquis de l’expérience. Cet exemple ne représente ni un passage obligé ni une promesse de reconversion rapide.

Une veille en lien avec les projets contribue à entretenir les compétences.

La méthode GetPro repose sur une grille de critères, des questions ouvertes étayées par des exemples et une prise de références ; les conseils ci-dessous permettent d’adapter ce socle au métier d’AI engineer.

1. Définir les critères qui serviront à décider

GetPro distingue les éléments vérifiables sur le parcours des compétences à examiner en entretien. Une modalité d’évaluation est associée à chaque critère, puis la grille guide les échanges.

Pour votre poste, retenez les capacités qui correspondent aux décisions confiées : préparer les données, intégrer une solution, évaluer ses résultats ou suivre son fonctionnement. Précisez ce qui exige de l’autonomie et ce qui peut être accompagné.

Associez chaque capacité à une preuve accessible. Une explication d’architecture, une analyse d’erreurs ou un exercice peuvent renseigner des dimensions différentes. Évitez une liste d’outils qui ne dit pas ce que le candidat devra réaliser.

2. Examiner une réalisation et la contribution personnelle

Les entretiens GetPro utilisent des questions ouvertes et des exemples concrets pour approfondir les critères clés.

Demandez au candidat de présenter un projet depuis le besoin initial jusqu’au résultat obtenu. Faites préciser ses décisions, les travaux réalisés par ses collègues et les contraintes auxquelles il a dû répondre.

Si le code du projet ne peut pas être partagé, demandez au candidat de présenter sa contribution personnelle dans les limites de ce qu’il peut divulguer. Vous pouvez lui demander un schéma simplifié ou une explication de ses arbitrages, ou lui proposer un exercice sur des données autorisées. Recherchez la cohérence entre le besoin, les décisions et les résultats décrits. Ces modalités sont des conseils pour adapter l’évaluation : elles ne supposent pas d’obtenir le code ni les données confidentielles d’un ancien employeur.

Interrogez ensuite un choix : pourquoi ce modèle, ces données de validation ou cette métrique ? Recherchez une explication qui relie le choix à l’usage. Une liste de technologies sans raisonnement mérite un approfondissement.

Un signal favorable est la capacité à décrire une limite et la manière dont elle a influencé le travail. Une réponse qui attribue tout le résultat au candidat sans préciser les contributions appelle des questions complémentaires.

3. Proposer un exercice proche du travail attendu

Exemple fictif : fournissez des données d’essai autorisées et demandez de comparer deux approches pour une tâche de classification. Faites expliquer les erreurs observées, le choix des mesures et les vérifications encore nécessaires.

Adaptez la tâche au poste. Pour une mission d’intégration, vous pouvez privilégier un schéma d’application et une stratégie de tests. Pour une mission de modélisation, approfondissez la préparation des données et la validation.

Examinez autant la démarche que le résultat. Une personne qui identifie les limites de l’exercice fournit une information utile. Un score présenté sans explication des données ni des erreurs ne suffit pas.

Si votre entreprise ne dispose pas de l’expertise nécessaire, faites examiner les choix techniques par un spécialiste capable de les discuter. Les responsables concernés conservent la décision sur les attentes métier, tandis que le spécialiste examine les choix techniques.

4. Apprécier la communication et la coordination

Demandez une restitution destinée à un interlocuteur non technique. Le candidat doit pouvoir expliquer ce que le système fait, ce qui reste incertain et quelle décision les résultats permettent d’éclairer.

Pour un poste comprenant de la coordination, approfondissez la répartition des travaux et les désaccords techniques. Si le poste comporte de l’encadrement, demandez un exemple de clarification des objectifs et d’accompagnement d’un collaborateur.

Distinguez la précision de l’explication de l’aisance orale. Une formulation simple qui conserve les limites du résultat est un signal utile.

5. Confronter les observations aux références

La prise de références GetPro replace les compétences dans le contexte de la collaboration et recherche des exemples précis. Elle complète l’appréciation des points forts et des points d’attention issus des entretiens, sans les valider automatiquement.

Pour ce rôle, faites préciser la contribution à la solution et la qualité des échanges avec les autres équipes. Recoupez les observations avec votre grille. Une appréciation générale sans exemple laisse une question ouverte, plutôt qu’elle ne confirme une compétence.