Présentation du métier

Contexte de travail

Conditions de travail

Compétences et niveaux attendus

Certifications

Proximité(s)/évolution(s) envisageables

Tendances nationales sur le métier

Pour en savoir plus

INGÉNIEUR MACHINE LEARNING / INGÉNIEURE MACHINE LEARNING

Famille : Développement et test de la solution

Autres appellations en français

Développeur Big Data
Ingénieur Traitement d’image
Ingénieur Traitement du Langage Naturel

Autres appellations en anglais

Machine Learning Engineer

Tout déplier / tout replier

Présentation du métier : Ingénieur Machine Learning

Finalité du métier

L'Ingénieur Machine Learning optimise et déploie les algorithmes d'apprentissage automatique conçus avec le Data Scientist. Au sein de l’infrastructure d'acquisition et au regard du traitement des données préparé par le Data Engineer, ces algorithmes d'apprentissage automatiques viennent renforcer la plupart des applications d'Intelligence Articifielle.

Missions principales

Analyser le besoin métier et tester les potentialités :
L'Ingénieur Machine Learning étudie les conditions de faisabilité de la solution de machine learning sur un projet. Il analyse et optimise les algorithmes développés par le Data Scientist au sein de l'infrastructure conçue Data Engineer. Il teste et réutilise des méthodes d'apprentissage automatique pour analyser les résultats et fait le lien avec le besoin métier du client.

Développer et déployer la solution :
Il crée le code des briques de machine learning et de data science et mène des tests fonctionnels. Il développe des modèles prédictifs qui seront intégrés dans un prototype (dit "Proof Of Concept"). Il maîtrise les technologies du Big Data permettant le traitement et la manipulation de données (Hadoop, Spark, Kafka…) ainsi que les langages (Python, R, MatLab...), des systèmes d'exploitation (UNIS, Linux, Solaris...) et des solutions de base de données (SQL, NO SQL). Il utilise ses compétences en machine learning et data science pour développer et tester en fonction des retours des métiers.

Gérer le cycle de vie de la solution :
Il réalise la maintenance et la mise à jour sur les technologies utilisées dans le but de partager ses connaissances et aider l’avancement autonome par la solution et le client. Il s'assure que le cycle de vie des données sources (ex. : plusieurs types de données aux rythmes d'actualisation différents) s'adapte à celui de la solution (ex. : prise de décision en temps réel).

Contexte de travail

Variables spécifiques au métier

Expertise(s) métier(s) ou sectorielle(s) :
En lien avec la taille et le positionnement du client sur ses marchés, le niveau d'expertise métier d'Ingénieur machine learning a une importance dans ses missions et projets. Ce point a un impact fondamental sur sa façon d'exercer ses compétences afin de développer les meilleures solutions.

Technologies d'IA et Data Science mobilisées :
Les technologies et langages de traitement des données sont différents selon les besoins de traitement (ex. : Vision Artificielle, Traitement de la voix et du langage naturel, Robotique). Il mobilise fréquemment des briques de solutions existantes, qu'il adapte et complète par des briques qu'il conçoit afin d'automatiser, en utilisant ses compétences en machine learning.

Type de données exploitées :
Les types de données sont différents selon le secteur d'application et la finalité. Les expertises techniques vont donc varier selon ces points (données numériques, signal sonore ou visuel, métadonnées, etc.). L'aspect réglementaire et éthique intervient également pour certaines données (ex.:RGPD)

Environnement technologique :
La machine learning demeure une partie de la solution globale d'Intelligence Artificielle. Les ressources mises en oeuvre pour solution (ex. : puissance de calcul, sources et stockage de données, machine learning, réseaux, flux de données ponctuels et/ou actualisés en temps réel) font varier les interlocuteurs, les méthodologies et la structure du projet. Les ressources financières engagées modifient également ces paramètres de projet.

Contextes organisationnels

Type et taille d'entreprise :
En tant qu'indépendant, il intervient majoritairement sur des projets de plusieurs clients différents. Ses missions sont plus larges du fait de son besoin de positionner son expertise sur le marché, de passer des partenariats et de gérer son entreprise. Sur des projets de taille plus réduite (ex. : développement d'un PoC), son expertise est régulièrement regroupée avec les missions du Data Scientist, Data Engineer et Data Analyst pour la dimension décisionnelle recherchée. Dans une PME / TPE, il joue un rôle clé dans la définition et l'évolution du produit/système. La demande de compétences est ici plus variée sur le plan technique et les projets de taille inférieure. Il est aussi amené à travailler avec des partenaires extérieurs et ainsi maîtriser les règles de fonctionnement de ce type de relation. Dans les petites et moyennes entreprises, le métier est également regroupé avec celui de Data Scientist, Data Engineer et Data Analyst. Dans une grande entreprise de service numérique, il apporte son expertise technique sur les algorithmes et les automatisations apprenantes. Il est ici focalisé sur son périmètre de projet de développement d'algorithme d'apprentissage automatisé, souvent de plus grande taille. Le besoin d'expertise métier y est équivalent dans une structure moyenne ou grande et il intervient sur des missions en interne et externe.

Type et taille de projet :
Selon la taille de projet, l'Ingénieur Machine Learning interviendra sur un ou plusieurs projets avec des équipes projet de différentes tailles. Il travaille donc en équipe avec les autres métiers de la Data Science et les experts métiers. Ces équipes sont généralement de petite à moyenne taille, caractéristiques de l'IA.

Conditions de travail

Le rythme de travail

Il est plus élevé sur la phase de conception et de test de la solution, mais reste soutenu dans la phase d'exploitation. La durée de vie d'une solution peut demander des ajustements sur toute la durée de vie d'une organisation et le mode projet n'est donc pas le seul mis en oeuvre.

Déplacements

Les déplacements sont occasionnels, notamment pour rencontres clients ou autres sites de l'organisation. Ils peuvent être plus fréquents lorsque les données sont uniquement accessibles sur leur site d'exploitation.

Les relations professionnelles

Relations internes

Data Scientist
Data Analyst
Responsable Sécurité et Systèmes d'information

Relations externes

Client
Data Scientist
Data Analyst
Comité de direction

Compétences et niveaux attendus en 4 niveaux cumulés

Macro compétences

Niveaux et compétences attendues

Exemple concret d'activité pour le niveau attendu

Macro compétences :

Intégrer des outils IA/Data Science

Niveaux et compétences attendues :

Identifier les outils de Data Science applicables selon le contexte et les objectifs

Préconiser, concevoir ou intégrer un outil IA/Data Science adapté à la problématique métier

Anticiper l'intégration d'outils IA/Data Science dans l'organisation du travail

Déterminer l'opportunité de l'intégration d'outils IA/Data Science dans le modèle d'affaires

Niveau attendu : 3

Exemple concret d'activité pour le niveau attendu :

L'Ingénieur Machine Learning analyse et propose une optimisation de l'architecture technique de l'algorithme pour un développement et une automatisation de la solution.

Macro compétences :

Gérer et exploiter des données massives

Niveaux et compétences attendues :

Identifier les outils Big Data applicables selon le contexte et les objectifs

Adapter des outils Big Data pour exploiter des données massives de sources multiples

Délivrer une analyse synthétique et une préconisation

Coordonner le stockage de données, la puissance de calcul et anticiper l'évolution des besoins de données

Niveau attendu : 4

Exemple concret d'activité pour le niveau attendu :

Il anticipe et déploie les algorithmes de rafraîchissement automatique des données pour son projet avec des solutions d'IA/Data Science.

Macro compétences :

Analyser et gérer les risques

Niveaux et compétences attendues :

Actualiser le référentiel des risques et analyser leurs impacts potentiels

Rédiger un plan de gestion des risques selon les objectifs et le contexte

Piloter l'ensemble des ressources face aux risques

Donner du sens aux mesures et accompagner les acteurs internes/externes impliqués

Niveau attendu : 1

Exemple concret d'activité pour le niveau attendu :

L'Ingénieur Machine Learning analyse les risques juridiques de l'automatisation et l'exploitation d'un type de données (ex : RGPD)

Macro compétences :

Gérer une architecture technique

Niveaux et compétences attendues :

Analyser les besoins d'architecture issus des fonctionnalités attendues (ex : flux de données, stockage, puissance de calcul)

Anticiper plusieurs scénarios d'architecture technique en fonction des besoins, contraintes et coûts

Piloter le déploiement de l'architecture technique avec les acteurs internes/externes

Coordonner une vision de l'architecture SI à moyen terme et être référent expert du domaine

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans son équipe projet, il travaille en lien avec le Data Engineer pour anticiper les évolutions et optimiser les infrastructures.

Macro compétences :

Se conformer aux normes et à la règlementation

Niveaux et compétences attendues :

Cartographier les exigences normatives et règlementaires d'une entreprise

Adapter les processus de travail aux exigences normatives et réglementaires et informer les parties prenantes

Anticiper les conséquences des normes et de la règlementation et piloter leur bonne compréhension/application

Contribuer à la révision de la règlementation ou de la normalisation et proposer des adaptations

Niveau attendu : 3

Exemple concret d'activité pour le niveau attendu :

Dans la phase d'analyse, il veille à respecter et intégrer les règlementations du RGPD, du client et de sécurité.

Macro compétences :

Utiliser l'anglais en contexte professionnel

Niveaux et compétences attendues :

Utiliser de la documentation technique en anglais

Converser en anglais professionnel courant et écrire en anglais les livrables simples, notes, e-mails

Délivrer et soutenir des livrables ou propositions complexes

Diriger des débats techniques et un projet en anglais

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans le cadre de son projet, il communique et lit des documents en anglais et développe des codes informatiques en anglais.

Macro compétences :

Intégrer des méthodes d'optimisation de production

Niveaux et compétences attendues :

Analyser les flux de valeur et hiérarchiser les points d'amélioration potentiel

Adapter des outils d'optimisation aux objectifs et au contexte (ex : tableaux, visuels, casiers, zones définies)

Piloter le déploiement et l'intégration d'outils d'optimisation au sein des processus métiers

Coordonner différents outils d'optimisation et former les équipes à leur déploiement

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans sa phase d'analyse des algorithmes et infrastructures de l'équipe de Data Science, il propose et développe des optimisations afin d'obtenir de meilleures performances

Macro compétences :

Innover et animer un processus d'innovation

Niveaux et compétences attendues :

Analyser le besoin et participer à la recherche d’idées et de solutions innovantes

Adapter des solutions déjà éprouvées à des contextes de mêmes caractéristiques

Piloter le déploiement de solutions innovantes (pilote, déploiement etc.)

Donner du sens à l'innovation et coordonner les acteurs internes/externes impactés

Niveau attendu : 3

Exemple concret d'activité pour le niveau attendu :

Dans le cadre du développement avec l'équipe de Data science, il contribue à promouvoir l'innovation et anticipe les futures évolutions technologiques et méthodologiques afin de faire évoluer l'outil

Macro compétences :

Maîtriser les échanges entre différents logiciels métiers

Niveaux et compétences attendues :

Identifier les besoins en logiciel des acteurs d'un projet

Concevoir et utiliser les formats d'échange de données

Paramétrer un logiciel métier et l'interfacer à d'autre applicatifs

Développer un complément (plug-in) pour augmenter les capacités d'un logiciel métier

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans la phase d'analyse et de développement, il manipule les données de différents outils et formats dans le but de pouvoir les analyser ensemble pour produire des résultats pertinents en respectant l'intégrité des données.

Macro compétences :

Mener un diagnostic ou un test/essai technique

Niveaux et compétences attendues :

Identifier les normes de résultats obtenus et les procédures de test applicables

Concevoir et mettre en place un programme de test/essai ou de diagnostic adapté aux objectifs et contraintes

Piloter un processus de test/essai ou de diagnostic et synthétiser ses résultats

Anticiper une stratégie et une organisation adaptée aux futures évolutions (techniques, normes et règlements, objectifs etc.)

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans la phase de création de l'automatisation, il réalise des tests de contrôle et de conformité des données.

Macro compétences :

Communiquer efficacement

Niveaux et compétences attendues :

Ecouter activement et partager une information pertinente

Adapter et rédiger un support de communication aux objectifs et au contexte

Synthétiser une présentation adaptée à l'objectif et au public cible

Coordonner une communication d'organisation en situation complexe (ex : message sensible, public difficile, situation imprévue…)

Niveau attendu : 2

Exemple concret d'activité pour le niveau attendu :

Dans ses phases d'échanges avec le client et l'équipe de Data Science, il veille à rédiger et formuler ses propositions afin d'alimenter les échanges et la compréhension de toutes les parties.

Macro compétences :

Participer et animer un travail d'équipe

Niveaux et compétences attendues :

Collaborer avec les membres d'une équipe, partager des informations et des avis

Animer les prises de paroles et reformulations selon les situations de travail

Animer une équipe complète sur l'ensemble d'un projet

Coordonner l'animation de plusieurs équipes partageant un objectif commun

Niveau attendu : 1

Exemple concret d'activité pour le niveau attendu :

Dans le cadre de ses projets, le travail en équipe est une part importante, notamment avec l'équipe de Data Science. Il contribue à une bonne communication entre les membres afin de partager l'expertise et l'expérience de tous pour mener à terme le projet.