AI engineer
Celui qui met au travail un modèle qu’il n’a pas entraîné
Un AI engineer construit un produit autour d’un modèle qu’il n’a pas entraîné et ne cherche pas à entraîner, comme un ébéniste qui achète son bois au lieu de planter la forêt.
- Étage 2Le Harnais
- P2Écrit l’application
- Titre établiOn le trouve dans les annonces depuis assez longtemps pour qu’il veuille dire quelque chose.
Ce dont il répond
Le livrableUne fonctionnalité qui répond à des utilisateurs réels, avec son coût par appel et sa mesure de qualité. S’il part, c’est le produit qui cesse d’évoluer.
Le profil
Cinq gestes, notés de 0 à 3- ChercherProduire une connaissance qui n’existe pas encore.
- ConstruireLivrer un système qui tourne, se déploie et se casse.
- ExploiterTenir en production : coût, incidents, dérive, astreinte.
- VérifierMesurer, éprouver, attaquer. Produire un verdict opposable.
- ConduireArbitrer, convaincre, faire adopter, répondre devant un tiers.
En quoi ça consiste
Le renversement
Le poste est né d’un renversement. Pendant dix ans, faire de l’IA voulait dire entraîner un modèle sur ses propres données. Depuis que des modèles généralistes se louent à l’appel, la question a changé. Elle n’est plus « comment entraîner » mais « comment brancher, comment mesurer, et comment ne pas ruiner l’entreprise en jetons ».
La frontière
La frontière avec le ML engineer est celle de l’entraînement, et rien d’autre. Un AI engineer choisit un modèle, écrit ce qui entre dans sa fenêtre, encadre ce qui en sort, et branche des outils. Il ne touche ni aux paramètres ni à l’architecture. C’est un métier d’intégration au sens plein, ce qui n’en fait pas un métier plus simple : rien ne ressemble moins à un jeu de test qu’un produit qui répond en langue.
Le piège
Le piège est le titre lui-même. Il se paie mieux que « ML engineer » à travail comparable, donc il se pose sur des postes qui n’ont rien à voir. Une annonce décrit du travail d’analyse de données, une autre de l’avant-vente. Le livrable est le seul discriminant fiable. Demandez ce qui casse si la personne part.
Une semaine
- Du code de production : appels au modèle, garde-fous, reprises quand la réponse ne tient pas la forme attendue.
- Des jeux d’évaluation à tenir à jour, parce qu’aucun test unitaire ne dit si une réponse est bonne.
- Une surveillance du coût par appel, seule métrique qu’une direction financière réclame d’elle-même.
- Des allers-retours avec le produit sur ce qu’on promet à l’utilisateur quand le modèle se trompe.
Par où l’on y arrive
- Du développement d’applications, sans détour par l’apprentissage automatique. C’est la voie la plus courte et la plus fréquente.
- De la science des données, en acceptant que le livrable change : on ne rend plus une conclusion, on rend un service.
- Ce que le poste n’exige pas malgré les annonces : un doctorat, ni la moindre publication.
Lire une offre
3 signes- L’annonce demande d’entraîner et de déployer des modèles « from scratch ».
- C’est un poste de ML engineer sous un titre mieux payé, ou une annonce écrite sans relecture technique. Les deux méritent une question en entretien.
- Aucune mention d’évaluation, de jeu de test ou de mesure de qualité.
- Le poste n’a pas encore rencontré la production. Vous y construirez la mesure vous-même, ce qui est un bon travail mais pas celui qui est décrit.
- L’annonce liste quinze bibliothèques et aucun problème.
- L’outillage change tous les six mois, le problème non. Une annonce qui ne dit pas ce qui doit marcher ne sait pas encore ce qu’elle recrute.
Les termes à connaître
5 fichesharnaiscontexteappel d’outilsévaluation (evals)sortie structurée