X

Retrouvez toute l'actualité autour des technologies émergentes et leur impact sur le marché et la société.

Qu'est ce qu'un Machine Learning Engineer

Un Machine Learning Engineer tavaille sur le codage et le déploiement de modèles de Machine Learning complexes et à grande échelle. Il est souvent confondu avec le Data Scientist qui lui, se concentre sur l'analyse des données, le partage d'informations commerciales et le prototypage de modèles. Cependant, il peut être amené à occuper un poste d’ingénieur après avoir suivi une formation en génie logiciel.

Machine Learning Engineer : définition

Le Machine Learning Engineer, ou ingénieur en Machine Learning est un spécialiste de ce sous-domaine de l’Intelligence Artificielle. De nombreux métiers sont concernés par le Machine Learning : la santé, l’éducation, l’IT, la finance, etc. car il permet d’automatiser certaines tâches afin de permettre aux experts de réaliser un travail à haute valeur ajoutée.

Le Machine Learning Engineer doit développer des algorithmes et des programmes initiaux et utiliser des méthodes de test méticuleuses pour s’assurer qu'une fois mis en pratique, les programmes sont presque sans défaut. Il doit également fournir aux ordinateurs et aux machines la capacité d'apprendre et de s'améliorer indépendamment de l'interaction humaine.

Ses principales compétences sont :

  • Les notions fondamentales d'informatique et de programmation à appliquer, mettre en oeuvre, adapter ou traiter, telles que les structures de données (piles, files d'attente, tableaux multidimensionnels, arbres, graphes, etc.), les algorithmes (recherche, tri, optimisation, programmation dynamique, etc.), la calculabilité et la complexité (P contre NP, problèmes NP-complets, notation big-O, algorithmes approximatifs, etc.).
  • Les probabilités et statistiques : Les probabilités sont au coeur de nombreux algorithmes de Machine Learning et les statistiques permettent de construire et valider des modèles à partir de l’observation de données.
  • La modélisation et l’évaluation des données afin d’évaluer en permanence la qualité d’un modèle donné.
  • L’implémentation et l’application des algorithmes de Machine Learning : choisir le modèle approprié (arbre de décision, réseau neuronal, etc.), la procédure d’apprentissage (régression linéaire, boosting, etc.), etc.
  • Le génie logiciel et conception de systèmes : le résultat ou le produit final typique d'un ingénieur en Machine Learning est un logiciel. Il s’agit souvent d'un petit composant qui s'intègre dans un écosystème plus vaste de produits et de services. Une conception soigneuse du système évite les goulets d'étranglement et permet aux algorithmes de bien s'adapter à des volumes de données croissants.

Machine Learning Engineer vs Data Scientist vs Data Analyst

Que ce soit le Data Scientist, le Data Analyst ou le Machine Learning Engineer, ces métiers sont relativement récent, ce qui explique les confusions. Pour les distinguer simplement, la grande différence tient à l'objectif final.

Le Data analyst, analyse des données afin de “raconter une histoire” et de produire des idées concrètes pour les membres de l’équipe. L'analyse est effectuée et présentée par des êtres humains, à d'autres êtres humains qui peuvent ensuite prendre des décisions commerciales sur la base de ce qui a été présenté.

Le Machine Learning Engineer produit comme "résultat" un logiciel fonctionnel (et non des analyses ou des visualisations qu’il devra peut-être créer pendant le processus), et son "public" est souvent constitué d'autres composants logiciels qui fonctionnent de manière autonome avec une supervision humaine minimale. L'intelligence est toujours censée être exploitable, mais dans le modèle de Machine Learning, les décisions sont prises par des machines et elles affectent le comportement d'un produit ou d'un service.

Un Data Scientist navigue entre ces deux métiers puisqu’il doit posséder les compétences en ingénierie logicielle nécessaires pour collecter, nettoyer et organiser les données à analyser et exploiter le Machine Learning pour en tirer des enseignements. Ses compétences en communication sont également essentielles à sa réussite. Alors qu’en tant que scientifique, il doit comprendre la science qui détermine son travail, l’ingénieur est, lui, chargé de construire quelque chose. Ce dernier n'est pas nécessairement censé comprendre les modèles prédictifs et les mathématiques sous-jacentes comme un spécialiste des données. Il doit cependant maîtriser les outils logiciels qui rendent ces modèles utilisables.

Les Machine Learning Engineer et les Data Scientists travaillent souvent ensemble. Lors d’un travail commun, le spécialiste des données effectuera par exemple l'analyse statistique nécessaire pour déterminer l'approche de Machine Learning à utiliser, puis il modélise l'algorithme et le prototype pour le tester. À ce stade, le Machine Learning Engineer prend le modèle prototypé et le fait fonctionner dans un environnement de production à l'échelle.

Be the first to comment

Comments ( 0 )
Please enter your name.Please provide a valid email address.Please enter a comment.CAPTCHA challenge response provided was incorrect. Please try again.