Ingénieur ML : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

ML Engineer Junior — rare (le marché commence par Data Analyst ou Backend → ML). Le saut Junior → Middle — après la maîtrise du premier pipeline ML en production de bout en bout (feature engineering → entraînement → déploiement → supervision). Middle → Senior — responsabilité de plusieurs pipelines + expérience LLM/RAG + passage à l'échelle de l'entraînement distribué + optimisation des coûts. Senior → Staff/Principal — architecture de la plateforme ML, stratégie ML multi-équipes. Parcours de carrière : Data Analyst (1-2 ans) → ML Engineer Junior (1-2 ans) → Middle (2-3 ans) → Senior → soit ML Engineer Staff (profondeur technique), soit ML Tech Lead (management), soit passage à la recherche (filière doctorat), soit fondateur/CTO ML dans une startup.

Top 5 : python, cloud, pytorch, llm, aws. Python est en monopole (R ne se voit presque pas dans le ML de production 2026). Frameworks de deep learning : PyTorch domine en 2026 (70 %+ de la production), TensorFlow historique + encore très présent en entreprise, JAX pour les cas limites de la recherche. ML classique : scikit-learn + XGBoost + LightGBM + CatBoost — la base, indispensable pour les données tabulaires. Manipulation des données : pandas + NumPy + Polars (moderne, en hausse en 2026 — 10-100× plus rapide), PyArrow pour les données entre frameworks. Vision par ordinateur : OpenCV, torchvision, Detectron2, MMDetection, Ultralytics YOLO. Suivi des expériences : MLflow (standard open source) ou Weights & Biases (UI premium) ou Neptune. Versionnage des données : DVC. Orchestration : Airflow + Prefect + Dagster (l'un en profondeur). Déploiement : maîtrise de Docker + Kubernetes, FastAPI + Triton Inference Server + BentoML + TorchServe (l'un en profondeur). Inférence multi-framework : ONNX. Feature stores : Feast (open source) ou Tecton (managé). Calcul distribué : Spark + Ray + Dask. ML managé dans le cloud : AWS SageMaker / GCP Vertex AI / Azure ML (l'un en profondeur). En plus pour un Senior : quantification (quantification PyTorch, bitsandbytes), distillation, fine-tuning LoRA/QLoRA, vLLM/TGI/SGLang pour le serving de LLM, Optuna pour le réglage des hyperparamètres.

Data Scientist — focus sur la formulation des problèmes métier + la modélisation statistique + les tests A/B + la communication des insights. Stack : pandas + sklearn + Jupyter + SQL + Tableau/Looker. Moins centré sur l'infrastructure. Voir Data Scientist. ML Engineer (cette page) — focus sur les pipelines ML en production + le déploiement + la mise à l'échelle. Stack comme le DS + Docker/K8s + MLflow + Airflow + ML managé dans le cloud. Research Engineer / Scientist — focus sur les nouveaux modèles, les publications, les architectures inédites. Souvent filière PhD. Stack : PyTorch en profondeur + JAX + infrastructure orientée expérimentation. Voir Research Engineer / Scientist. MLOps Engineer — focus sur l'infrastructure de la plateforme ML (feature stores, model registry, monitoring, observabilité, optimisation des coûts). Stack : K8s + Terraform + MLflow/Kubeflow + Prometheus/Grafana + cloud. Voir MLOps Engineer. Reconversion ML Engineer ↔ DS — 1-3 mois. ML Engineer ↔ MLOps — 2-4 mois (avec une base K8s). La voie de la recherche nécessite un PhD ou 3+ ans de spécialisation approfondie.

Stack de référence pour le ML en production 2026 : 1) Ingestion des données — Airflow/Prefect/Dagster récupère les données brutes des systèmes sources (DB/Kafka/S3). 2) Feature engineering — transformations Spark/Pandas/Polars → Feature Store (Feast ou Tecton — stockage centralisé, exactitude point-in-time, service en ligne+hors ligne). 3) Expérimentation — Jupyter + suivi W&B/MLflow + DVC pour le versionnage des données + Optuna pour la recherche d'hyperparamètres. 4) Entraînement — Ray Train ou PyTorch Lightning + distribué (multi-GPU/multi-nœud), checkpointing dans S3/GCS, quantification (INT8/FP16) pour le coût d'inférence. 5) Registre de modèles — MLflow Model Registry ou SageMaker Model Registry (versionnage + étapes : staging/production/archivé). 6) Validation — tests automatisés (dérive des données, qualité des prédictions), déploiement fantôme (shadow), mise en place de tests A/B. 7) Service — Triton Inference Server (NVIDIA, multi-framework + batching dynamique) ou BentoML ou TorchServe ou vLLM (pour les LLM). Surcouche FastAPI pour le contrat d'API. 8) Déploiement — Kubernetes (standard de production) + Helm + ArgoCD pour le GitOps. 9) Supervision — Prometheus + Grafana (latence/débit/taux d'erreurs) + détection de dérive sur mesure (Evidently AI/WhyLabs) + tableaux de bord des coûts. 10) Boucle de rétroaction — journaliser les prédictions + la vérité terrain → déclenchement du réentraînement. Plateforme ML pour toute l'organisation — Kubeflow ou Metaflow ou SageMaker Pipelines. Stack spécifique aux LLM : vLLM/TGI/SGLang pour le service + prompt engineering (LangChain/LlamaIndex) + RAG (bases vectorielles Pinecone/Weaviate/Qdrant) + fine-tuning via LoRA/QLoRA + évaluation (RAGAS, DeepEval, benchmarks sur mesure).

Oui, 30 % des offres de ML Engineer sont entièrement à distance ou hybrides. Le ML de production est un travail dans le cloud (entraînement sur GPU cloud, serving dans Kubernetes, données dans l'entrepôt). Les sociétés d'outsourcing (EPAM AI Practice / Luxoft AI) — presque toujours à distance sur des projets IA américains. Entreprises produit russes — hybride ou à distance après la période d'essai, avec des exceptions pour le ML sensible en matière de sécurité (Sber AI banking). Banques (Sber AI / VTB) — hybride/bureau pour des raisons de conformité. Entreprises IA internationales — tout à distance standard, fourchettes premium. Pôles d'expatriation : Pologne (Varsovie/Cracovie — favorables à l'IA), Allemagne (pôle IA de Berlin), Canada (Toronto — Vector Institute), Israël (pôle IA de Tel-Aviv), Serbie, Géorgie, Émirats arabes unis (Dubaï — fiscalité favorable à l'IA). L'anglais pour le télétravail international en IA — indispensable (prime de +30-50 %).

ML Engineer (général) — peut travailler dans n'importe quel domaine du ML (systèmes de recommandation, NLP, CV, détection de fraude, ranking). La stack est universelle. Applied ML Engineer — centré sur une tâche ML produit précise + responsabilité des métriques business (CTR, conversion, hausse du chiffre d'affaires). La stack est la même, mais s'y ajoutent la pensée produit + la maîtrise des tests A/B + la communication avec les parties prenantes. Rémunération comparable (médiane), mais dans les entreprises produit l'Applied ML est généralement un peu plus haut au niveau Senior grâce à la responsabilité de l'impact business. Ingénieur ML Platform (une sous-niche à part — plus proche du MLOps) — construit l'infrastructure pour les autres ML Engineers (Feature Store, infrastructure MLflow, plateforme d'entraînement). Choix de carrière : ML Engineer si l'universalité et la portabilité comptent le plus, Applied ML Engineer si l'impact produit vous intéresse, Ingénieur ML Platform pour l'infrastructure et l'outillage. Les trois sont des parcours Senior+ légitimes, ni meilleurs ni moins bons.

Feuille de route : 1) Python en profondeur jusqu'au niveau Backend Middle (code propre, design patterns, async). Livres : « Fluent Python » de Ramalho, « Effective Python » de Slatkin. 2) Mathématiques — algèbre linéaire + analyse + probabilités/statistiques au niveau « comprendre ce qu'il y a sous le capot de la rétropropagation ». MIT 18.06 Linear Algebra (Strang), 3Blue1Brown « Essence of Linear Algebra ». 3) ML classique — maîtrise de scikit-learn + XGBoost + LightGBM. « Machine Learning Specialization » d'Andrew Ng (Coursera). Livre « Hands-On Machine Learning » de Géron (à lire absolument 2026). 4) Deep learning — PyTorch en profondeur (forward/backward/optimiseurs/boucles d'entraînement à partir de zéro). « Deep Learning Specialization » d'Andrew Ng. « Deep Learning with PyTorch » de Stevens. 5) Filière NLP/LLM : cours Hugging Face (gratuit) → fine-tuning de petits LLM (Mistral 7B/Llama 3 8B) avec LoRA/QLoRA → construire une application RAG avec LangChain + Qdrant. 6) Filière vision par ordinateur (alternative) : torchvision + Detectron2 + Ultralytics YOLO + entraînement sur un jeu de données personnalisé. 7) Bases du MLOps : MLflow + DVC + Airflow + Docker + Kubernetes pour le service des modèles. « Designing Machine Learning Systems » de Chip Huyen — à lire absolument pour le ML en production. 8) ML dans le cloud : l'un de AWS SageMaker / GCP Vertex AI / Azure ML — suivre un tutoriel e2e. 9) Entraînement distribué : Ray Train + PyTorch DDP. 10) Projet personnel : un système ML e2e complet (pipeline de données + feature store + entraînement + suivi MLflow + déploiement Kubernetes + supervision) sur un jeu de données ouvert (Kaggle). International (EN) : fast.ai « Practical Deep Learning », Hugging Face NLP Course, DeepLearning.AI (Andrew Ng). Livres classiques : « Pattern Recognition and Machine Learning » de Bishop, « The Hundred-Page Machine Learning Book » de Burkov. Conférences : NeurIPS, ICML, ICLR (les articles — lecture indispensable pour un Senior). Data Analyst ou Backend Middle → ML Engineer Junior — 8-14 mois.

2082 active open ML Engineer positions — the largest ML/AI segment. Geography: the US, the UK, Poland. Sources: hh.ru, Habr Career, getmatch, Djinni, LinkedIn (huge international AI segment), NoFluffJobs/JustJoin.it (Poland — AI-friendly), Telegram, career pages of EPAM AI / Luxoft AI / Andersen AI, specialised boards (aijobs.net, ai-jobs.net, builtin.com/jobs/ai, jobs.lever.co for AI startups), Y Combinator Work at a Startup. The real market is broader thanks to a huge international remote segment. Time to close a Senior ML Engineer role — 6-12 weeks (longer than Backend thanks to rare-skill combination).

Un ML Engineer Senior prend en charge le cycle complet du ML en production + le leadership technique. Maîtrise de la programmation : Python au niveau Backend Senior (code propre, asynchrone, profilage, optimisation mémoire). Fondamentaux mathématiques : algèbre linéaire + analyse + probabilités au niveau « lire des articles sans bloquer ». Maîtrise du ML classique : feature engineering approfondi, justification du choix de modèle, calibration, compromis entre métriques d'évaluation, conception de modèles alignée sur le business. Maîtrise du Deep Learning : PyTorch en profondeur (Layers/Modules/Optimizers personnalisés), entraînement distribué (DDP, FSDP), précision mixte, quantification (INT8/FP16), distillation, export ONNX. Maîtrise des LLM (indispensable en 2026 pour un Senior) : fine-tuning via LoRA/QLoRA, prompt engineering, architecture RAG (bases vectorielles Pinecone/Weaviate/Qdrant), évaluation (RAGAS, DeepEval), vLLM/TGI/SGLang pour le serving. MLOps : maîtrise de MLflow / W&B, DVC, Airflow / Prefect / Dagster, Feature Stores (Feast / Tecton), maîtrise de Docker + Kubernetes pour le serving ML, Helm + ArgoCD. ML dans le cloud : l'un de AWS SageMaker / GCP Vertex AI / Azure ML en profondeur. Calcul distribué : maîtrise de Ray + Spark. Supervision : intégration Prometheus + Grafana + Evidently AI (détection de dérive). Optimisation des coûts : utilisation des GPU, dimensionnement des batchs, quantification des modèles, stratégies de cache. Conception de systèmes pour le ML : concevoir au tableau blanc des systèmes ML à l'échelle de 100 M+ utilisateurs (recsys / fraude / ranking / chatbot). Soft skills : lecture d'articles (NeurIPS / ICML / ICLR), rédaction technique (ADR, documents de conception), revue de code pour plusieurs équipes, mentorat de ML Engineers Middle, communication avec les équipes produit/data/backend, conception de tests A/B + analyse statistique. Anglais INDISPENSABLE pour Senior+ — la communauté ML/IA et les articles sont en anglais. Bonus : contributions open source (PyTorch / Hugging Face / LangChain) — augmentent fortement la valeur sur le marché.