LEBIGDATA.FR I.A, Cloud & Cybersécurité
Le métier de Machine Learning Engineer a-t-il remplacé celui de Data Scientist en tant que » sexiest job » du 21ème siècle ? Découvrez pourquoi l'ingénieur en Machine Learning est de plus en plus recherché en entreprise, et comment acquérir les compétences requises pour cette profession d'avenir…
En 2012, Harvard Business Review publiait un article qualifiant le métier de Data Scientist de » sexiest job of the 21st Century « ( » métier le plus sexy du 21ème siècle « ). Selon les auteurs, DJ Patil et Thomas H. Davenport, les Data Scientists sont en effet » sexy » au sens où ils possèdent de rares qualités très demandées. Ils sont difficiles et chers à recruter et très difficiles à retenir dans un contexte de haute concurrence.
Ceci reste vrai huit ans après la parution de cet article. En janvier 2019, Indeed publiait un rapport indiquant une hausse de 29% de la demande en Data Scientists par rapport à 2018 et de 344% depuis 2013.
Cependant, déjà à l'époque, l'article de HBR prévoyait une mutation du rôle de Data Scientist à mesure que ce métier se populariserait. Alors que sa compétence » la plus basique et universelle » était la capacité à écrire du code, les deux auteurs s'attendaient à ce que cela soit » moins vrai d'ici cinq ans « .
Leurs prédictions se sont réalisées. Les outils dédiés à la Data Science et au Machine Learning ont évolué, et sont désormais bien plus accessibles. Il n'y a plus vraiment besoin d'être un expert en codage pour analyser les données.
C'est ce qui a provoqué une forme de schisme du métier de Data Scientist. On distingue aujourd'hui les spécialistes en analyse de données (Data Analyst), en ingénierie des données (Data Engineer), en recherche (Research Scientist) et en ingénierie logicielle / Machine Learning (Machine Learning Engineer).
Cette séparation des rôles est particulièrement visible dans les grandes entreprises, où chacune de ces quatre spécialités est indispensable. De nos jours, les Data Scientists des GAFAM exercent généralement le rôle d'analystes avancés, tandis que les Data Scientists de plus petites entreprises sont en fait des Machine Learning Engineers.
Le travail de l'ingénieur en Machine Learning consiste principalement à créer et à déployer des modèles de Machine Learning tels que Tensorflow ou PyTorch en production. Il ne se contente pas de construire des modèles, mais développe aussi le logiciel requis pour exécuter et soutenir ces modèles. Ainsi, ce métier se rapproche davantage de celui d'ingénieur logiciel.
Machine Learning Engineer vs Data Scientist : rôle et compétences requises
Un Data Scientist dispose généralement d'un diplôme de haut niveau en informatique, en ingénierie, en mathématiques ou en statistiques. Il maîtrise les langages de programmation comme R, Python et SQL.
Ses compétences en mathématiques et en analyse de données sont importantes, et il doit aussi manier le Data Mining et les techniques statistiques. De même, les outils comme Hadoop, Spark, MySQL ou Python et les techniques de visualisation de données font partie de sa palette.
Les techniques de Machine Learning sont un précieux atout. Toutefois, elles ne sont plus indispensables aujourd'hui pour devenir Data Scientist.
Au contraire, un Machine Learning Engineer doit impérativement connaître les différents algorithmes d'apprentissage automatique. Le traitement visuel, les réseaux de neurones ou l'apprentissage par renforcement n'ont pas de secrets pour lui.
Il manie lui aussi les langages de programmation comme Python, Java, R, C++, C, JavaScript et Scala. De même, les probabilités et les statistiques sont essentielles dans ce métier au même titre que les mathématiques et les techniques d'analyse de données ou les outils de programmation comme MATLAB.
Le Machine Learning Engineer peut donc être perçu comme une évolution du Data Scientist. Il possède les mêmes compétences que ce dernier, mais maîtrise en plus les techniques de Machine Learning.
En termes de rôle et de responsabilités, le Data Scientist est chargé de développer des modèles statistiques pour l'analyse de données afin de répondre aux besoins de son entreprise et de l'aider à surmonter les défis qui se présentent. Il doit aussi communiquer les résultats de ses analyses avec les dirigeants de l'organisation.
Les responsabilités du Machine Learning Engineer dépendent fortement du projet sur lequel il travaille. De manière générale, il a pour rôle de créer des algorithmes basés sur des procédures de modélisation statistiques.
Au quotidien, son rôle est d'étudier et de transformer les prototypes de technologie de Data Science et de concevoir des modèles de Machine Learning. Il collabore aussi avec les Data Engineers pour développer des pipelines de données.
Il améliore les modèles de Machine Learning existants et les met en production. En outre, il doit aussi choisir les ensembles de données appropriés et les méthodes de représentations de données adéquates, effectuer des tests de Machine Learning, mener des expériences et effectuer des analyses statistiques.
Machine Learning Engineer vs Data Scientist : quel est le métier le plus » sexy » du 21ème siècle ?
Aujourd'hui, de nombreuses offres d'emploi de Data Scientist n'exigent même pas de compétences en Machine Learning. Le métier est donc devenu plus accessible. Toutefois, selon Salary Ninja, le salaire moyen des postes de Data Scientist aux États-Unis a diminué entre 2015 et 2016.
Au contraire, le nombre d'offres d'emploi de Machine Learning Engineers augmente plus rapidement et les salaires proposés sont nettement plus élevés. En 2019, le salaire minimum d'un ML Engineer était de 60 000 $ contre 44 117 $ pour un Data Scientist. Le salaire moyen est de 142 066$ pour le Machine Learning Engineer contre 123 059$ pour un Data Scientist.
À partir de ces statistiques, on peut déduire que le rôle de Data Scientist est aujourd'hui plus accessible, mais aussi moins bien payé qu'autrefois. Au contraire, les ML Engineers sont très recherchés et perçoivent un salaire plus élevé. Il semblerait donc que le métier de Machine Learning Engineer soit le nouveau » sexiest job of the 21th century « .
Comment devenir Machine Learning Engineer
À l'aube des années 2020, c'est donc un excellent choix de carrière. Toutefois, pour accéder à ce métier, vous devez acquérir de solides compétences en Data Science et en ingénierie logicielle.
Pour développer ces compétences, plusieurs voies s'offrent à vous. La meilleure option est de suivre une formation de machine learning engineer à distance. DataScientest, leader français de la formation en data science en particulier auprès des plus grands groupes du CAC40, propose une formation spécialisée pour ce métier. Par leur format hybride – en partie sur une plateforme coachée et via des masterclass et sessions de coaching – vous apprenez à maîtriser toutes les technologies et outils indispensables au MLE. Le but étant de maitriser toutes les technologies requises – qu'elles soient open source: Kubernetes, Airflow ou propriétaire comme Docker ou Snowflake. Enfin, comme ML Engineer et services Cloud vont forcément de pair cette formation vous prépare également pour les certifications Cloud comme Azure ou AWS !
Dès que vous disposerez d'une expertise d'ingénieur en machine learning, vous pourrez profiter de nombreuses opportunités et de riches perspectives d'avenir. Alors que le Machine Learning s'apprête à bouleverser toutes les industries dans la décennie à venir, il s'agit sans l'ombre d'un doute d'un choix de vocation idéal…
- Partager l'article :
