ML Engineer (Machine Learning Engineer)

Le Machine Learning Engineer (ML Engineer), ou ingénieur machine learning, est un spécialiste du développement logiciel et de l’apprentissage automatique. Il conçoit, entraîne et adapte des modèles pour les rendre utilisables dans des produits et services. Son travail relie le comportement du modèle au fonctionnement du logiciel qui en exploite les résultats.

Il sélectionne les données nécessaires, choisit une approche adaptée au problème et évalue les performances obtenues. Il développe aussi le code qui permet de reproduire les traitements et collabore à l’intégration du modèle dans les systèmes existants. Le poste associe donc des décisions de modélisation à des exigences de conception, de test et de documentation logicielle.

ML Engineer, Data Scientist et Data Engineer : qui fait quoi ?

• Avec le Data Scientist, clarifiez la répartition de l’expérimentation, du choix des modèles et de leur transformation en composants logiciels utilisables.
• Avec le Data Engineer, délimitez les travaux sur les flux de données et la préparation des jeux nécessaires à l’entraînement.
• Avec le MLOps Engineer, précisez les responsabilités liées à la plateforme, au déploiement et au suivi en exploitation.

Ces interfaces peuvent se recouvrir selon l’organisation. La présence de compétences voisines dans un poste ne rend pas les métiers interchangeables et ne confie pas automatiquement toute la plateforme au ML Engineer. Cette fiche couvre l’ingénierie logicielle spécialisée en machine learning. Elle ne décrit pas un poste de recherche ni un rôle consacré à l’exploitation des grands modèles de langage.

L’enjeu est de transformer un modèle entraîné en une fonction dont le comportement répond aux attentes de l’entreprise. La qualité du modèle doit être évaluée au regard du problème à résoudre. Son intégration demande également du code maintenable, des tests et une coordination avec les personnes responsables du système existant.

Avant de recruter, précisez les résultats que l’application doit produire et les critères qui permettront de les juger. Un candidat capable d’améliorer une métrique doit aussi pouvoir expliquer ce que cette amélioration apporte à l’usage prévu. À l’inverse, une solide expérience logicielle ne renseigne pas, à elle seule, sur sa capacité à choisir et à évaluer un modèle.

Exemple fictif : une équipe dispose d’un modèle scikit-learn dont les résultats expérimentaux répondent à son objectif. Des différences entre les versions des dépendances utilisées à l’entraînement et en production peuvent toutefois provoquer des erreurs ou des comportements inattendus. Avant d’intégrer le modèle à une application, l’équipe doit donc retrouver les versions utilisées et vérifier son fonctionnement dans l’environnement prévu. Confier uniquement une nouvelle phase d’entraînement à la personne recrutée laisserait cette difficulté d’intégration sans responsable désigné.

• Traduire le besoin métier en objectif de modélisation et en critères d’évaluation avec les interlocuteurs concernés.
• Sélectionner et préparer les données nécessaires à l’entraînement du modèle.
• Concevoir, entraîner ou adapter un modèle en fonction du problème et des données disponibles.
• Évaluer les résultats du modèle au regard des performances attendues.
• Développer un code réutilisable, testé et documenté pour les traitements liés au modèle.
• Collaborer à l’intégration du modèle dans les systèmes existants.
• Participer au suivi, au réentraînement et à l’amélioration des modèles avec les équipes responsables.

Les diplômes d’ingénieur et les masters en informatique spécialisés en intelligence artificielle figurent parmi les voies présentées par l’Onisep. Ils donnent un cadre pour examiner les acquis du candidat, sans constituer une obligation de recrutement ni une garantie d’autonomie sur un système en production.

Les acquis logiciels utiles comprennent la conception de programmes, la structuration de code réutilisable et les tests. En mathématiques, les statistiques appliquées permettent de relier les caractéristiques des données à la méthode d’apprentissage et à l’objectif poursuivi. Le choix du modèle et l’interprétation des métriques mobilisent des connaissances distinctes de la maîtrise d’une bibliothèque.

Des cours spécialisés et des travaux pratiques peuvent compléter le parcours. Google propose notamment des cours et des laboratoires de préparation à sa certification. Une certification ne remplace toutefois pas l’examen d’une réalisation logicielle et ne suffit pas à établir la capacité à programmer.

GetPro structure l’évaluation à partir d’une grille de critères priorisés. Cette méthode distingue les éléments vérifiables dans le parcours de ceux à approfondir en entretien, avec une modalité d’évaluation pour chaque critère. Les questions ouvertes appellent des exemples concrets. La prise de références permet de recouper les responsabilités exercées et les compétences examinées.

Les applications au métier de ML Engineer proposées ci-dessous sont des conseils à adapter au poste et à l’expertise disponible dans votre équipe. Elles ne décrivent pas un protocole spécifique pratiqué par GetPro.

1. Définir les critères et les évaluateurs

Construisez une grille autour du choix des données, de la modélisation, de la qualité logicielle et de l’intégration. Pour chaque critère, précisez les décisions attendues en autonomie et celles qui bénéficieront d’un appui.

Associez un interlocuteur métier à l’examen du besoin et un spécialiste ML à l’analyse technique. Si cette expertise manque dans votre entreprise, sollicitez un expert capable d’examiner le code et les choix de modèle.

Approfondissez les réponses qui citent des outils sans expliquer leur utilité face aux contraintes du poste.

2. Examiner une réalisation passée

Choisissez avec le candidat un projet dont il peut décrire précisément sa contribution. Demandez-lui de présenter l’objectif, les données utilisées, les essais effectués et les résultats évalués.

Examinez le passage du modèle au logiciel : code réutilisable, tests, documentation et collaboration avec les responsables du système. Distinguez sa contribution de ce qui était déjà disponible. Invitez-le à expliquer les limites du résultat et les difficultés rencontrées.

3. Proposer un cas proche du poste

Préparez un exercice limité aux décisions réellement attendues. Fournissez les informations nécessaires et précisez les points qui demandent une explication plutôt qu’une réalisation complète.

Exemple fictif : vous présentez un modèle existant et une application à laquelle l’intégrer. Demandez au candidat de préciser les données à examiner, les évaluations nécessaires et les éléments logiciels à tester.

Invitez-le à justifier le choix de conserver, d’adapter ou de réentraîner le modèle. Évaluez la cohérence du raisonnement et sa capacité à identifier les informations manquantes. Une conclusion définitive sans examen des données disponibles ou des performances attendues mérite d’être approfondie.

4. Observer la communication et la coordination

Demandez au candidat d’expliquer un choix technique à l’interlocuteur métier. Observez s’il rend compréhensibles ses conséquences et les limites de l’évaluation.

Explorez la répartition des travaux avec les autres spécialistes, notamment lorsqu’une responsabilité d’intégration ou de réentraînement est partagée.

Pour un rôle lead, examinez une situation de coordination technique ou d’accompagnement d’autres ingénieurs. Si le poste comprend un encadrement hiérarchique, évaluez séparément cette responsabilité.

5. Recouper les responsabilités exercées

Avec l’accord du candidat, demandez à un ancien interlocuteur de préciser sa contribution, les décisions prises et la collaboration observée. Appuyez l’échange sur les responsabilités du futur poste et demandez des exemples concrets.

Comparez ces éléments au récit du projet et aux observations de l’exercice. Examinez les écarts avant de conclure. Distinguez un manque d’exposition à une situation d’une difficulté à l’expliquer.

Rassemblez les observations par critère en précisant les points établis, les incertitudes et l’accompagnement nécessaire.