Deep Learning Scientist

Le deep learning scientist est un métier très récent au sein de l’écosystème technique et du monde industriel. On pourrait le comparer à ce que l’on appelait avant ingénieur de recherche & développement. En effet la fonction du deep learning scientist est de faire de la R&D appliquée en IA. 

Un léger rappel : Le deep learning est une des branches très récentes du machine learning. Ce sont des ensembles d’algorithmes qui apprennent automatiquement et s’inspirent du fonctionnement du cerveau humain. On parle de réseaux de neurones.

Le rôle du deep learning scientist est d’utiliser les derniers algorithmes issus de la recherche pour répondre à des problématiques business, métier ou produit. Ses missions sont très variées et vont être plus ou moins différentes en fonction des entreprises. Mais de manière générale son rôle est le suivant :

• Il communique avec le Head of R&D et les équipes métiers pour déterminer des cas d’usages spécifiques et mettre en place une roadmap.

• Il lit en permanence l’état de l’art en deep learning, c'est-à dire une veille scientifique constante.

• Il teste en permanence différentes architectures de réseau de neurones pour comprendre et déterminer lesquelles correspondent le mieux à ses enjeux.

• Une fois qu’un papier de recherche semble pertinent par rapport aux objectifs de départ il : Implémente le modèle, l’adapte, l'entraîne avec les données dont il dispose, regarde les premiers résultats obtenus, modifie le modèle si besoin, réalise une phase de fine tuning pour améliorer le code et les précisions du modèles.

• Ensuite en fonction des entreprises il sera plus ou moins amené à travailler sur l’aspect code et déploiement du modèle jusqu’à la production.

• Il participe régulièrement à des conférences pour se tenir informé des dernières avancées. Il peut même publier ses travaux dans des revues scientifiques.

La reconnaissance d’image (Computer vision) :

• Segmentation et classification d’images
• Détection et tracking d’objet
• Réidentification (sujet très early stage du moment)
• Reconnaissance faciale
• Reconstruction 3D
• Génération d’images avec les GAN (type de réseau de neurones très récent)

Le traitement automatique du texte (NLP - Natural Language Processing) :

• Classification de texte / analyse de sentiment
• L’extraction d’entités nommées
• La recherche d’informations (Information Retrieval) très utilisée dans les moteurs de recherches
• La réponse automatique aux questions à partir d’un texte lu
• L’analyse sémantique

Les deux principales compétences qu’il te faut sont les mathématiques en priorité et l’informatique en second. En effet pour comprendre les architectures et le fonctionnement des réseaux de neurones il te faut un solide background en mathématiques appliquées. Le deep learning repose sur des concepts mathématiques comme les statistiques et les notions d’optimisation par exemple. Il te faut également une bonne connaissance des modèles de bases d’apprentissage automatique.
L’informatique est également une dimension importante et il te faudra de solides compétences en Python pour coder tes modèles efficacement.

Comme il s’agit d’un métier très scientifique il te faut des qualités propres aux chercheurs : curiosité, rigueur, capacité à challenger l’existant etc.

• Tu peux au fur et à mesure de ta carrière te spécialiser dans un domaine et devenir expert technique / Scientifique sur un sujet.
• Pour les plus passionnés par la technique tu peux devenir Senior / Principal scientist au sein d’une équipe R&D
• Si tu souhaites évoluer vers du lead tu peux progressivement prendre de la hauteur et manager des équipes d’ingénieurs R&D

Les profils juniors sortis d’écoles sont généralement entre 40K et 50K.

Les profils ayant entre 3 à 5 ans d’expérience sont entre 50K et 65K.
Pour la suite tout dépend de si les profils restent techniques ou évoluent vers des postes à responsabilités. 

Pour plus d'infos, consulte notre baromètre des salaires.