ML engineer
Celui qui entraîne un modèle et le fait tenir en service
Un ML engineer prend une méthode d’apprentissage connue et la fait marcher sur les données d’une organisation, jusqu’en production, comme un ingénieur qui bâtit un pont avec une technique éprouvée.
- Étage 1Le Modèle
- P4Écrit le modèle
- Titre établiOn le trouve dans les annonces depuis assez longtemps pour qu’il veuille dire quelque chose.
Ce dont il répond
Le livrableUn modèle entraîné sur des données réelles, servi à des utilisateurs, avec sa dérive surveillée. S’il part, c’est un service qui se dégrade sans que rien ne s’arrête.
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
La méthode est connue
La différence avec la recherche tient en une phrase : la méthode existe déjà, dans un article ou dans une bibliothèque. Ce qui reste à faire n’en est pas plus simple, mais c’est autre chose : obtenir les données, les nettoyer, entraîner, mesurer, servir, et surveiller ce qui se dégrade.
Ce qui coûte vraiment
Ce qui coûte vraiment n’est presque jamais le modèle. Ce sont les données : leur provenance, leur droit d’usage, leur qualité, et le fait qu’elles changent sous le service pendant qu’il tourne. Un modèle qui perd cinq points en six mois n’a pas été mal entraîné, il a été entraîné sur un monde qui a bougé.
Le piège
Le piège est la confusion avec l’AI engineer, entretenue par les annonces parce que le second titre se paie mieux. La question qui tranche est unique : entraîne-t-on ici, ou emprunte-t-on ? Une annonce qui demande les deux décrit deux postes, et vous n’en tiendrez qu’un.
Une semaine
- Des chaînes de données : collecte, nettoyage, découpage entre entraînement et test.
- Des entraînements, et surtout l’attente qui va avec, pendant laquelle on prépare le suivant.
- De la mesure : ce qui a gagné, ce qui a perdu, et sur quelle population.
- De la surveillance : la dérive se voit sur des semaines, jamais dans un test unitaire.
Par où l’on y arrive
- Du développement logiciel avec une formation à l’apprentissage automatique, qui est la voie la plus fréquente.
- De la science des données, en acceptant de répondre d’un service et non plus d’une conclusion.
- Ce que le poste n’exige pas malgré les annonces : un doctorat.
Lire une offre
2 signes- L’annonce parle d’entraînement et de grands modèles de langage dans la même phrase.
- Presque personne n’entraîne un grand modèle de langage. Il s’agit d’ajustement fin, ou d’un poste d’AI engineer mal nommé.
- Rien n’est dit de la provenance des données.
- C’est le vrai sujet du métier, et la première chose qui bloque un projet. Une annonce muette là-dessus n’a pas encore rencontré le problème.