Métier Machine Learning Engineer : salaire, études, et missions

Qu’est ce qu’un Machine Learning Engineer ?

Le métier

Pour comprendre le métier de Machine Learning Engineer, il faut comprendre les besoins en Data aujourd’hui. Lorsqu’une entreprise a pour projet de concevoir un algorithme de Machine Learning, cela se passe en plusieurs phases : 

• Collecter de la donnée pour faire faire apprendre l’algorithme 
• Développer l’algorithme 
• Le mettre en production : faire bénéficier l'algorithme et ses résultats de tous les clients finaux (collaborateurs internes, clients externes).
  

Ce sont sur ces trois points que le Machine Learning Engineer va intervenir. 

Les missions d'un Ingénieur en Machine Learning

Comme vous pouvez l’imaginer, celui-ci est très orienté “Machine Learning” mais ce n’est pas un statisticien dans l’âme. Le MLE est plutôt un expert des technologies autour de l'utilisation de l’Intelligence Artificielle à l’échelle de l’entreprise. Voici donc quelques exemples de missions sur lesquelles vous pouvez le retrouver : 

• Développer un algorithme de Machine Learning ou de Deep Learning en utilisant les frameworks les plus connus comme TensorFlow ou Sklearn.
• Collecter des données en vue de développer un algorithme de Machine Learning.
• Concevoir une architecture cloud permettant d’approvisionner des algorithmes de Machine Learning.
• Mettre en production un algorithme de Machine Learning sur une infrastructure d’entreprise (celle-ci peut être par exemple sur le cloud avec AWS, GCP ou encore Microsoft Azure).
• Tester la robustesse d’un algorithme de Machine Learning en production.
  
  

Comme vous pouvez le voir, ce métier est très spécialisé autour de l’IA. Cependant, il ne faut pas le confondre avec le métier de Data Scientist ou Data Engineer. Le Data Scientist par exemple est un plus grand connaisseur de l’aspect statistique et sera plus efficace dans la conception d’un algorithme custom par exemple. Tandis qu’un Data Engineer est plus spécialisé dans l’aspect infrastructure Data. 

Finalement le Machine Learning Engineer est à la croisée des deux mondes entre ces deux métiers. 

À quelle étape le retrouve-t-on dans un projet Data ?

Si l’on devait résumer les étapes d'un projet Data, nous pourrions les illustrer sous forme de pipeline. Ce dernier s'article ainsi :

• Collecte des données : Vous allez devoir trouver la donnée dont vous aurez besoin pour vos analyses. Elles peuvent se trouver dans des bases de données, vous devrez les scraper sur le web ou vous pouvez encore les récupérer de votre CRM !
• Exploration : Une fois que vous avez la donnée, vous allez devoir la nettoyer et la préparer. Pour cela, on effectue souvent une phase exploratoire qu’on appelle EDA en anglais pour Exploratory Data Analysis. L’objectif est de détecter par exemple les valeurs aberrantes ou manquantes. 
• Exploitation : Maintenant que tout est prêt, vous allez pouvoir utiliser la donnée pour l’objectif qui a été fixé. Par exemple, en Data Science, vous allez développer un algorithme de Machine Learning. 
• Mise en production : Une fois que vous avez réussi à développer votre algorithme ou votre solution d’Intelligence Artificielle, vous allez devoir la mettre en production à l’échelle de votre entreprise. Ceci implique des technologies différentes et est une étape à part entière.
  

En tant que Machine Learning Engineer, vous travaillerez principalement sur les deux dernières étapes de ce pipeline. C’est pourquoi, ce métier requiert des compétences à la fois sur la partie mathématiques mais aussi et surtout sur la partie technologique comme la programmation. 

 
Quelles sont les compétences requises ?

Si vous souhaitez devenir Machine Learning Engineer, vous aurez un panel de compétences assez diverses à maîtriser. Sans pour autant être expert en tout, gardez en tête qu’il est important de connaître à la fois la statistique derrière les algorithmes de Machine Learning mais aussi les technologies dont vous aurez besoin pour les développer.

Voici donc les grands concepts que vous devrez maîtriser pour réussir votre reconversion en Machine Learning Engineer : 

• Programmation Python : C’est le langage phare dans la Data aujourd’hui et que vous devrez connaître pour avancer. Vous l'utiliserez en permanence dans votre travail puisqu'il est le fondement d'une majorité des technologies autour de l’IA. Vous solliciterez par exemple Sklearn, TensorFlow ou encore Pytorch, des frameworks que vous pourrez utiliser avec Python.
• Statistiques : Il y a une dimension mathématique dans la Data. Bien qu’il ne faille pas être statisticien de formation, il est important que vous ayez des bases solides autour de la statistique (moyennes, médianes, intervalles de confiance), l’algèbre linéaire (gestion de matrices) et les fonctions (dérivées etc.) 
• Machine Learning & Deep Learning : Lié à l'univers de la statistique, ce sera un sujet sur lequel vous travaillerez énormément. Vous concevrez des algorithmes de Machine Learning et de Deep Learning, très souvent en Python pour les besoins de votre entreprise. 
• Gestion de bases de données SQL : Lorsque vous collecterez votre donnée, vous aurez besoin d’utiliser SQL. C’est aussi une compétence très demandée chez les Data Scientists et Data Analysts. 
• Mise en production : Une fois que vous aurez construit votre algorithme, vous devrez le mettre en production pour qu’il soit utilisable à grande échelle. Pour cela, vous devrez connaître tout un panel de technologies qui vous permettront d’accomplir cette tâche. Vous devrez donc connaître les outils de standardisation d’environnements comme Docker et Kubernetes, Amazon Sagemaker pour le management d’algorithmes de Machine Learning en production, Flask pour construire des API et des applications web simples pour faciliter l’accessibilité de l’algorithme ou encore MLflow pour standardiser la façon dont vous concevez vos algorithmes.
  

Combien gagne un Machine Learning Engineer ?

En fonction du type d’entreprises et du secteur, le salaire d'un Machine Learning Engineer varie mais voici une grille de salaires moyens :

‍

Les formations pour devenir Machine Learning Engineer

Le métier de Machine Learning Engineer est récent et très spécialisé, de ce fait les recruteurs sont ouverts à des profils ayant des parcours relativement divers. Vous devrez tout de mêmes vous former et pour cela, vous pouvez opter pour trois choix : 

• Les formations en ligne : sont très bien pour démarrer et vous former à votre rythme. Il reste difficile d’avoir une crédibilité sur le marché avec seulement une formation en ligne 
• Les masters en Data : vous pourrez avoir des formations plus complètes et un diplôme reconnu d'État. Cependant, vous devrez investir entre 10 000 et 20 000€ ainsi qu’au minimum un an de votre temps. 
• Les formations intensives type Bootcamp : C’est le bon compromis entre la flexibilité d’un cours en ligne et la profondeur théorique d’un master. Les bootcamps en Data sont devenus une vraie alternative à la formation classique car ils sont très orientés pratiques et vous enseigneront des compétences directement applicables en entreprises. N’hésitez pas par exemple à regarder nos formations intensives en Data classée meilleure formation bootcamp Data de France.
  
  

En fonction de votre background, de votre niveau initial et de vos aspirations, vous opterez plutôt pour un type de formation plutôt qu’un autre. Nous avons écrit tout un article pour vous aider à choisir la formation Data qui vous correspond. N’hésitez pas à y faire un tour. 

Enfin, vous verrez qu’il existe très peu de formations ayant pour nom “Machine Learning Engineer” car ce métier est très spécialisé et encore assez peu répandu.

Nous vous conseillons de rechercher une formation en Data Science avec une composante “mise en production” avec mention des technologies que nous avons mises dans les compétences plus haut. 

Les perspectives d’évolution 

Lorsque vous démarrez votre carrière dans la Data, vous verrez que beaucoup d’opportunités s'offrent à vous. Une fois que vous aurez acquis de l’expérience en tant que qu'Ingénieur en Machine Learning, vous pourrez aspirer à des postes à plus haute responsabilités dont voici un aperçu : 

• Lead Machine Learning Engineer 
• Chief Data Officer 
• Chief Technology Officer 
  

Vous pourrez aussi effectuer une progression plus horizontale avec des métiers comme : 

• Software Engineer
• Data Engineer 
• Data Scientist

Pour vous aider à y voir plus clair, nous avons listé les différences entre les métiers de Data Scientist et Machine Learning Engineer.

A retenir : le domaine de la Data offre des possibilités telles, que vous n’aurez pas assez d’une carrière pour en découvrir tous les pans. 

Nos conseils pour devenir Machine Learning Engineer

Si vous souhaitez démarrer dans la Data et que le métier de Machine Learning Engineer vous intéresse, voici quelques conseils qui pourront vous être utiles : 

• Mettez en avant vos compétences techniques mais aussi métiers : Un bon algorithme d’IA apprend toujours sur des données pertinentes. Vous devrez donc apprendre à les sélectionner et les traiter au mieux avec les équipes métiers pour que vous algorithmes ait des performances acceptables
• Réalisez des projets : si vous n’avez pas d’expérience professionnelle, ce n’est pas grave ! Vous pouvez en acquérir en faisant des projets open source sur Kaggle par exemple. N’hésitez pas à en faire le plus possible pour pouvoir les mettre dans votre portfolio. 
• Montez en compétence progressivement : Une stratégie utile et efficace est de démarrer sur des métiers comme Data Analyst ou Junior Software Engineer pour acquérir une première expérience, soit dans la Data, soit dans le développement, puis de vous orienter vers le métier de Machine Learning Engineer. Attention cependant, le Data Analyst n’a pas vraiment de composante aussi Tech qu’un Software Engineer. Vous devrez surement travailler sur des side projects pour travailler ce types de compétences. De même, le métier de Software Engineer n’a pas forcément de composante Data. Vous devrez la développer vous même. 
• Mettez en avant votre background : Si vous avez de l’expérience dans d’autres branches métier, il est important de la mettre en avant. Vous pouvez par exemple avoir une expérience en Marketing ou en Finance et vouloir opérer une reconversion. Toute votre expérience passée est valorisable et cela vous donnera un avantage “métier” par rapport à d’autres candidats qui n’auraient que des compétences techniques.