On répète souvent le même chiffre : une immense majorité des modèles de machine learning ne quittent jamais le notebook dans lequel ils sont nés. Des semaines de travail, de belles métriques… et zéro impact business. C'est précisément là qu'intervient le Machine Learning Engineer.
Pour cet épisode du podcast, j'ai reçu Christelle Vignon, professionnelle de la data avec plus de six ans d'expérience. Son parcours est ce qui m'a donné envie de l'inviter : elle a occupé successivement les trois grands rôles de la chaîne de valeur data — Data Scientist (maintenance prédictive chez Airbus), Data Engineer, puis Machine Learning Engineer. Une vision à 360° qu'on croise rarement.
Que fait concrètement un Machine Learning Engineer ?
La formule de Christelle est la plus claire que j'aie entendue :
Le Data Scientist rend les données utiles. Le Machine Learning Engineer rend le modèle utilisable par le métier.
Le ML Engineer accompagne la mise en production du modèle. Mais « mettre en production » ne se résume pas à lancer un script avec un cron pour générer des prédictions chaque nuit. Ce qu'il apporte en plus :
- La robustesse : du code propre, testé, industrialisable — pas un notebook Jupyter.
- Le passage à l'échelle : si le modèle sert 2 personnes aujourd'hui et 100 demain, l'architecture doit suivre.
- La boucle infinie : déployer, monitorer, détecter la baisse de performance, réentraîner, redéployer.
- Une vision transverse : il parle au Data Engineer pour comprendre comment la donnée est produite et versionnée, et au Data Scientist pour savoir quoi surveiller.
Christelle insiste sur le mot transverse plutôt que « central » : ce n'est pas un chef d'orchestre, c'est un travail commun.
ML Engineer, Data Scientist, Data Engineer : qui fait quoi ?
Prenons un projet from scratch.
Le Data Engineer récupère la donnée de sources multiples, l'agrège, la nettoie, met en place les pipelines ETL et la transmet — idéalement de façon automatisée — au Data Scientist.
Le Data Scientist prend une « photo » de son jeu d'entraînement, développe son modèle, l'évalue, choisit le meilleur, et définit les métriques de performance.
Le ML Engineer déploie ce modèle sur la bonne plateforme (cloud public, cloud privé, on-premise selon les contraintes de confidentialité du client), automatise la chaîne et met en place le monitoring.
La première question que Christelle pose au Data Engineer quand elle arrive sur un projet ? « Comment est-ce que tu versionnes ta donnée ? »
💡 À retenir : le versionnage ne porte pas sur les valeurs mais sur la structure et les traitements. Les données historiques ne bougent pas, mais le schéma peut changer et le job ETL qui les agrège peut être modifié — souvent à la demande du métier. Si la donnée d'entrée change sans que personne ne le sache, les performances s'effondrent en silence.
Sur le monitoring, la répartition est nette :
C'est le Data Scientist qui définit ses métriques de monitoring, mais c'est moi qui automatise toute la pipeline.
Les compétences techniques essentielles
1. Maîtriser le machine learning. « Tout est dans le nom. » On lit fréquemment qu'un ML Engineer n'a pas besoin de comprendre les modèles. C'est faux : mettre en production une régression linéaire et un réseau de neurones profond, ce n'est pas la même chose. Il faut connaître la théorie — y compris, aujourd'hui, savoir ce qu'est un LLM. Nul besoin de six ans de data science, mais partir d'un socle Data Scientist est un vrai avantage.
2. L'automatisation et la CI/CD. C'est la vraie différence avec le Data Scientist : automatiser les tests, le déploiement et le monitoring des modèles.
3. Le cloud. Il y a quelques années, c'était optionnel. Plus aujourd'hui : les offres d'emploi l'exigent.
🚀 Conseil : concentrez-vous d'abord sur un seul cloud (Christelle travaille surtout sur AWS), puis faites les parallèles — les concepts se transfèrent d'un fournisseur à l'autre. Le choix dépend du client ou de l'entreprise que vous visez : AWS est très présent en France, mais GCP et Azure aussi.
4. La culture informatique. Bash, programmation orientée objet, structuration du code. C'est souvent le point faible des profils issus des statistiques — et l'un des principaux apports du ML Engineer aux équipes data.
Les soft skills : communication, pédagogie, process
Les compétences techniques te donnent le job, les soft skills te permettent de progresser.
Christelle en cite trois.
La communication et la pédagogie. Elle raconte une mission en banque où les Data Scientists travaillaient sur SAS et ne voulaient pas en démordre. Il a fallu les accompagner vers les notebooks SageMaker, leur montrer la collaboration dans le cloud, le choix des ressources de calcul, puis les pipelines Spark. « Beaucoup de pédagogie » — et le temps de faire adopter les nouveaux outils.
Le goût des process. Le ML Engineer écrit la chaîne de mise en production : qui fait quoi, quels livrables, quelles étapes automatisées. « Il faut vraiment l'écrire, et que tout le monde soit au courant. »
L'humilité. Savoir ce qu'on sait, et surtout ce qu'on ne sait pas.
MLOps, DevOps : quelle différence ?
Le DevOps est né dans le développement logiciel pour casser les silos entre développeurs et équipes d'intégration : automatisation des tests, fluidification des mises en production, fin du « ce n'est pas moi, c'est l'autre » quand un bug survient en prod.
Le MLOps applique la même culture au machine learning, en y ajoutant la dimension données : qualité, détection de dérive, métriques spécifiques au ML (recall, AUC…) plutôt que des métriques applicatives.
📌 Exemple : le ML Engineer ne fait pas lui-même l'analyse qualité des données. Il automatise les vérifications définies avec le Data Scientist, et déclenche une alerte quand les données d'inférence s'écartent statistiquement des données d'entraînement. Charge ensuite à l'équipe de trancher : bug dans la chaîne de traitement, ou véritable évolution du phénomène étudié ?
Ce que le cloud a changé
Le cloud, ce n'est pas seulement AWS ou GCP : un serveur privé chez soi, c'est déjà du cloud. Mais le cloud public apporte deux choses décisives : la puissance de calcul à la demande, et les services managés — data plateformes clé en main, notebooks hébergés, endpoints de modèles pré-entraînés (détection d'objets, analyse audio…). Autant de briques qu'il fallait développer soi-même auparavant.
⚠️ Point important : la contrepartie, c'est le coût. Rester dans le budget du client devient un enjeu à part entière du métier.
IA générative : la sécurité au premier plan
Sur les LLM, le sujet qui domine chez les ML Engineers n'est pas la performance mais la sécurité. Les entreprises réutilisent des modèles existants — trop coûteux à réentraîner — pour créer des chatbots ou des GPT internes. Or un prompt bien construit peut permettre d'exfiltrer des informations confidentielles. Christelle cite le jeu Gandalf, qui illustre parfaitement comment le prompt engineering peut contourner les garde-fous, niveau après niveau.
Côté coûts, les services serverless type Amazon Bedrock ont fait tomber une bonne partie de la barrière à l'entrée : le problème n'est plus d'accéder à un LLM, mais de sécuriser l'usage qu'on en fait.
Le conseil aux entreprises : cadrer avant la hype
Il ne faut pas investir sans savoir où on va, juste parce que c'est la hype.
Cadrer le besoin métier, puis chercher la solution la plus simple possible — et ne complexifier que si c'est réellement nécessaire.
Devenir ML Engineer : par où commencer
Le moteur de Christelle : la frustration de voir ses projets de R&D ne jamais atteindre la production — et beaucoup de curiosité. Le coût d'entrée est réel, surtout quand on vient des statistiques : la montée en compétence technique est le gros du travail, doublée du syndrome de l'imposteur.
🚀 Conseil : « Croyez en vos capacités. La CI/CD, ça s'apprend. Le cloud, ça s'apprend. L'infrastructure as code, ça s'apprend. N'ayez pas peur de la partie technique. »
Et le meilleur conseil qu'elle ait reçu, sous forme de boutade d'un mentor après l'abandon brutal d'un projet : « Ne t'attache pas au projet, la majorité finit à la poubelle. » Elle en a tiré l'inverse : vérifier dès le départ à quoi sert un projet et s'il a un vrai sponsor.
Son inspiration du moment : Cette lumière en nous (« The Light We Carry ») de Michelle Obama — un livre sur le doute, et sur la façon de vivre avec, même au sommet.
🎧 Écoutez l'épisode complet sur YouTube ou sur votre plateforme de podcast préférée.
