Machine Learning Engineer

Le Machine Learning Engineer est un nouveau métier émergent qui se situe entre le data scientist et le data engineer. Il accompagne le data scientist dans l’industrialisation des modèles de Data Science (Machine Learning, Deep Learning). Il combine des compétences mathématiques (propre au data scientist) et des compétences logicielles (propre au développeur), c’est pour cela qu’il est si convoité.

Le data scientist a fait de longues études universitaires. Ce sont souvent des profils très orientés “recherche & développement” qui ont une approche très mathématique, théorique et académique des sujets.

Ils conçoivent des modèles mathématiques à des fins de prédiction. Mais pour prédire que Marianne va acheter des Nike, il faut mettre le modèle dans la machine informatique, c’est là que le ML Engineer débarque.

Pour résumer :

• Le data scientist crée le modèle.
• Le data engineer crée les pipelines.
• Le ML engineer va pousser le modèle dans la pipeline.*

*Pousser un modèle ça veut dire quoi ? Ça veut dire qu’il va réécrire le code du data scientist (souvent en R ou Python) en un langage plus scalable (Java, Scala) afin de faire passer tout ça à l’échelle (Spark, PySpark). 

Le ML engineer fait le lien entre le data scientist et le data engineer. Il connaît les algorithmes de data science car son rôle est aussi de les optimiser - tout en sachant gérer l'infrastructure qui les soutient. 

Chacun a sa définition de ML Engineer car c’est un nouveau métier qui voit le jour dont les contours sont encore flous. Pour certains, le ML engineer va concevoir et industrialiser les algorithmes de machine learning. Pour d’autres, il va simplement les mettre en production.

• Nettoyer les données.
• Automatisation du Machine Learning pour éviter les tâches fastidieuses.
• Industrialiser les algorithmes et les maintenir dans le temps.
• Optimiser les algorithmes et les programmes pour plus de performance.
• Tests et déploiement continu.

• Compétences en programmation et bonnes pratiques de développement.
• Maîtrise de python et ses frameworks numpy, pandas, scikit learn etc.
• Background en mathématiques ou avoir déjà travaillé avec des data scientists.
• Une bonne communication car c’est un liant entre plusieurs métiers (data scientist, data engineer, devOps).
• Une culture DevOps (Docker, Kubernetes etc.).

En tant que jeune diplômé.e, tu peux gagner entre 42.000 et 47.000 euros bruts par an. Avec deux ans d’expérience en plus et un niveau confirmé, tu peux prétendre à un salaire entre 50.000 et 65.000 euros bruts. 

À partir de 4 ans d’expérience, les salaires vont de 65.000 à 70.000 euros bruts et pour des postes de Lead ou Head of Data, cela peut monter jusqu’à 90.000 euros ! N’oublie pas cependant que ta rémunération dépend de tes compétences techniques, des grilles de rémunération en interne ainsi que de la localisation de ton entreprise.