Le premier poste dépend du travail que votre produit permet d’engager
Supposons que vous souhaitiez ajouter une fonctionnalité d’intelligence artificielle (IA) à votre produit. Si son usage reste indéterminé, la priorité est de cadrer le problème et le résultat attendu. Si les données indispensables sont inexploitables, un data engineer peut être le premier renfort adapté. Lorsque le besoin est défini et qu’un modèle existant convient, vous pouvez envisager un AI engineer pour construire l’intégration applicative. Si l’incertitude concerne les résultats qu’un modèle peut obtenir, un data scientist peut conduire l’expérimentation. Enfin, un Machine learning engineer peut convenir lorsque le travail associe adaptation du modèle et intégration logicielle.
Ces choix supposent des contributions précises autour du poste. Google distingue le cadrage, l’expérimentation et la préparation des chaînes nécessaires à la production, sans réserver chaque phase à un seul métier. Nous proposons de partir du travail que vous pouvez réellement engager pour choisir le poste à pourvoir. Lorsque les prérequis de ce travail manquent, différer le recrutement spécialisé permet d’attribuer d’abord les travaux préalables nécessaires pour obtenir le résultat attendu du poste.
Examinez ce qui fonctionne déjà et ce qui bloque
Prenez un usage concret et demandez aux personnes responsables du produit et de la technique de décrire le fonctionnement actuel, le changement attendu et la manière de constater son utilité. Examinez ensuite les données accessibles, les essais déjà réalisés et les possibilités d’intégration. Une démonstration réussie mérite d’être examinée : sur quelles données fonctionne-t-elle, quelles erreurs révèle-t-elle et que reste-t-il à construire pour l’utiliser dans le produit ?
Cette démarche aide à localiser l’obstacle. Si personne ne peut expliquer quel résultat est utile à l’utilisateur, le besoin porte encore sur le cadrage. Si ce résultat dépend de données que vous ne pouvez pas obtenir ou réutiliser, leur préparation devient prioritaire. Si un modèle fournit déjà des réponses adaptées mais que leur utilisation exige une nouvelle fonctionnalité, le travail dominant peut être logiciel. Si les essais ne permettent pas encore de conclure à la pertinence d’une approche, il faut préciser l’expérimentation nécessaire.
Examinez aussi ce qui permettra de maintenir la fonctionnalité en service. Google identifie la journalisation, la surveillance, les alertes et le retour à un modèle antérieur parmi les éléments de préparation à la production. Demandez qui construira ces dispositifs et qui interviendra lorsqu’ils signaleront un problème. La personne chargée de livrer une fonctionnalité peut rester bloquée si personne ne prend en charge les accès dont elle a besoin, l’environnement de déploiement de la fonctionnalité ou l’exploitation de celle-ci.
Le cadrage et les données déterminent le travail possible
Pour le cadrage, nous proposons de produire un document qui relie le problème de l’utilisateur au résultat attendu, explique comment ce résultat sera évalué et expose les questions de faisabilité encore ouvertes. Vous pourrez alors décider si une réalisation technique est justifiée. Google prévoit un document de conception dans sa phase de cadrage et de faisabilité. Ses recommandations envisagent aussi le lancement d’un produit sans apprentissage automatique : ajouter de l’IA ne suffit donc pas à justifier le développement d’un modèle.
La personne responsable du produit doit organiser la prise de cette décision avec un appui technique. Le référentiel britannique Government Digital and Data attribue au Product manager les décisions de priorité et la formalisation d’une feuille de route. Un recrutement à ce poste peut se justifier si cette responsabilité durable reste sans titulaire. Si elle est déjà exercée, attribuez le cadrage aux personnes présentes et précisez l’appui technique nécessaire pour examiner la faisabilité.
Pour les données, le résultat attendu doit désigner ce qui deviendra utilisable : sources accessibles, correspondances documentées et flux reproductibles pour le besoin retenu. Le même référentiel britannique décrit ces responsabilités chez le data engineer. Le référentiel français EPSI, publié par France compétences, comprend également des chaînes de traitement et un rapport d’audit des données. Si ces travaux constituent le principal obstacle, envisagez un data engineer et vérifiez le niveau d’autonomie attendu. Le référentiel britannique prévoit notamment un niveau auquel le data engineer s’appuie sur des conceptions définies par des professionnels plus expérimentés.
Pour vérifier que ce travail débloque la suite, demandez comment les personnes chargées du modèle ou de l’application accéderont aux données et contrôleront leur qualité pour l’usage choisi. Un flux disponible ne suffit pas à établir que leur réutilisation est autorisée. La CNIL rappelle qu’un traitement de données personnelles destiné au développement d’un système IA doit poursuivre une finalité déterminée, explicite et légitime. Faites examiner l’utilisation envisagée par les responsables compétents, sans transférer cette décision au futur recruté.
Intégrer un modèle et en développer un appellent des responsabilités distinctes
Lorsque le besoin est défini et qu’un modèle existant peut y répondre, décrivez la fonctionnalité à construire autour de ce modèle. Le résultat attendu peut être une intégration applicative dont l’adéquation à l’usage retenu est évaluée, avec des conditions de déploiement et de surveillance explicites. Le guide d’architecture Microsoft recommande d’envisager les modèles déjà construits ou préentraînés et de définir des résultats mesurables.
Un AI engineer peut correspondre à ce besoin, à condition de vérifier ses contributions antérieures à l’intégration, à l’évaluation et à la mise en service. Microsoft décrit ces responsabilités dans son guide du rôle Azure AI engineer, qui comprend aussi l’ajustement de modèles génératifs. Ce guide concerne un examen qui n’est plus proposé et un environnement particulier. Il étaye une correspondance possible avec le poste, sans décrire les responsabilités de tous les AI engineers ni permettre de réduire leur métier à l’intégration.
Si vous devez d’abord déterminer ce que les données permettent de conclure ou quelle approche donne des résultats suffisants, envisagez un data scientist avec un livrable expérimental explicite. Demandez une analyse des résultats, des erreurs et des limites qui permettra de décider de poursuivre, de modifier l’approche ou d’arrêter. Le référentiel britannique associe le data scientist à l’exploration des données et à des résultats pouvant prendre la forme de rapports, de modèles ou de tableaux de bord. Il prévoit aussi sa collaboration avec des spécialistes pour livrer des produits : son travail ne se limite pas nécessairement à un prototype.
Lorsque vous devez adapter ou réentraîner un modèle puis l’intégrer au système, un Machine learning engineer peut être pertinent. Le référentiel britannique décrit ces activités pour un niveau senior, avec maintenance des modèles et collaboration à leur intégration. L’entraînement à partir de zéro n’est donc pas une condition nécessaire pour envisager ce profil. Vérifiez cependant l’expérience du candidat sur l’adaptation du modèle et sur les travaux logiciels attendus.
Les responsabilités de ces métiers se recouvrent en partie. Pour choisir, demandez au candidat d’expliquer un projet comparable : le travail qu’il a effectué lui-même, les résultats qu’il a évalués, les décisions qu’il a prises et les appuis dont il disposait. Une démonstration seule ne prouve pas sa capacité à assumer votre poste. Son explication doit permettre de comparer sa contribution réelle aux responsabilités que vous souhaitez lui confier.
Définissez le résultat du poste et les contributions dont il dépend
Rédigez la description du poste à partir d’un résultat observable et d’une responsabilité principale. Précisez les éléments disponibles, les décisions confiées au recruté et les travaux attribués à d’autres personnes. Si le besoin combine plusieurs responsabilités, indiquez celles que le poste doit réunir et celles pour lesquelles un appui est prévu. Cette description permettra de comparer les candidats sur le travail attendu, au-delà de leur intitulé.
Dans un cas hypothétique d’intégration, vous pourriez attendre une fonctionnalité évaluée sur des données autorisées, tandis que les personnes déjà chargées de l’application prépareraient l’environnement de déploiement et assureraient son exploitation. Il faudrait alors vérifier que le candidat sait construire et évaluer l’intégration dans ces conditions. Si vous attendez également qu’il prépare les données et définisse l’architecture, ces responsabilités doivent figurer dans la description du poste, et vous devez vérifier dans son expérience s’il les a déjà exercées.
Vérifiez séparément les décisions relatives aux données personnelles. Même lorsque le développement et le déploiement servent le même usage opérationnel, la CNIL demande d’analyser la conformité des traitements de ces phases séparément. La responsabilité technique du poste ne remplace pas cet examen par l’organisme.
Une fois le poste défini, vous pouvez envisager le recrutement par approche directe pour rechercher des candidats correspondant à ce poste. Conservez comme référence le résultat attendu, les contributions à vérifier et les appuis effectivement prévus : ils permettent de juger si l’expérience présentée correspond au travail à accomplir.
Ouvrez le poste lorsque son résultat devient réalisable
Le cadrage doit permettre de décider quel travail engager. La préparation des données doit rendre ce travail possible. L’intégration doit aboutir à une fonctionnalité évaluée et exploitable, tandis que l’expérimentation ou l’adaptation d’un modèle doit produire les éléments nécessaires à son utilisation ou à une décision d’arrêt.
Avant d’ouvrir le poste retenu, faites confirmer son résultat attendu et les contributions dont il dépend par les personnes responsables. Si l’usage, les données nécessaires ou les appuis d’intégration et d’exploitation restent indéterminés, attribuez d’abord le travail manquant ou intégrez-le explicitement au poste avec les ressources adaptées. Les référentiels décrivent des responsabilités possibles, sans déterminer quel profil serait le meilleur à recruter en premier pour toutes les entreprises. Votre décision reste conditionnée par le travail réel et par une expérience du candidat qui corresponde à ce travail.
Sources
Government Digital and Data : Product manager
Government Digital and Data : Data engineer
Government Digital and Data : Data scientist
Government Digital and Data : Machine learning engineer
France compétences : Expert en ingénierie des données
Microsoft Learn : Application Design for AI Workloads on Azure
Google for Developers : ML development phases
Google for Developers : Rules of Machine Learning
