Tu conçois, entraînes et surtout mets en production des systèmes d'intelligence artificielle qui doivent tourner pour de vrai (recommandation, vision, NLP, IA générative). Métier très recherché et bien payé, mais nettement plus technique et exigeant qu'un data scientist : il faut savoir coder proprement et déployer à l'échelle. La porte d'entrée passe quasi toujours par un bac+5.
Les missions
- Concevoir et entraîner des modèles de machine learning / deep learning
- Mettre les modèles en production et les industrialiser (MLOps, déploiement, monitoring)
- Optimiser performance, coût et temps de calcul des modèles
- Construire des pipelines de données robustes avec les data engineers
- Maintenir, ré-entraîner et corriger les modèles en production qui dérivent
- Maîtriser les frameworks (TensorFlow, PyTorch) et le cloud (AWS, GCP, Azure)
Le cadre (où, avec qui)
Startups IA, GAFAM et grands groupes tech, banques, industrie, éditeurs de logiciels, ESN. Travail de bureau en équipe data/dev, télétravail partiel fréquent. Beaucoup de code, de revue de code et de mise en production.
Une journée type
Tu développes ou ajustes un modèle, tu écris du code de qualité production, tu mets en place le pipeline qui l'alimente. Tu surveilles les modèles déjà déployés, tu corriges les dérives, tu optimises les coûts d'inférence. Revues de code, réunions techniques, veille sur les nouveautés (LLM, frameworks). Métier d'ingénierie : moins d'analyse exploratoire qu'un data scientist, plus de robustesse logicielle.
La réalité du salaire
Ordre de grandeur à confirmer : un débutant gagne en général 40 000 à 50 000 € brut/an, soit ~2 600 à 3 200 € net/mois, plutôt 45-50 k€ brut sortie d'école d'ingénieurs ou de master spécialisé à Paris, et 38-45 k€ brut en région (Lyon, Nantes, Bordeaux). La rémunération grimpe vite avec l'expérience et la maîtrise réelle des frameworks et du cloud.
Y accéder en reconversion
Bac+5 quasi obligatoire : école d'ingénieurs ou master informatique/maths appliquées, idéalement avec spécialisation IA/data science ou mastère spécialisé. En reconversion, c'est l'un des métiers tech les plus durs à atteindre sans bagage : un bootcamp seul est insuffisant pour le volet ingénierie/MLOps, il faut souvent compléter par une vraie formation longue (master en alternance, mastère spé, parfois finançable CPF/PTP, coût élevé). Un bon niveau en programmation et en maths est indispensable.
La pénibilité, sans filtre
- Niveau technique exigeant : il faut coder proprement ET déployer en production, pas seulement bricoler des modèles
- Reconversion difficile sans solide base maths/info : la porte d'entrée junior reste très sélective
- Veille technologique permanente et épuisante (le domaine évolue à toute vitesse, IA générative en tête)
- Pression sur la fiabilité : un modèle en prod qui dérape coûte cher à l'entreprise
- Astreintes/monitoring possibles selon les systèmes critiques maintenus
Évolutions possibles
- ML engineer senior puis staff/principal engineer
- MLOps engineer ou architecte IA
- Lead/Manager d'équipe IA, AI tech lead
- Spécialisation pointue (LLM/IA générative, computer vision, NLP, edge AI)
Pour toi si…
Excellent développeur, solide en maths, qui aime autant l'ingénierie logicielle que les modèles, capable d'apprendre en continu et de livrer du code fiable en production. Idéal avec un parcours ingénieur ou informatique.
Évite si…
Si tu n'aimes pas coder en profondeur, si tu vises un raccourci via un bootcamp court sans bases techniques, ou si la veille permanente et la pression de la mise en production te stressent. C'est un métier d'ingénieur, pas un poste d'analyste.
Source : fiche ROME M1805 · source 1 · source 2 · source 3 · source 4 · source 5