Que font Data Scientist et ML Engineer ? Des modèles qui arrivent en production

Un Data Scientist trouve le signal dans la donnée et prototyple des modèles qui prédisent ou classent. Un ML Engineer en fait des systèmes de production fiables : pipelines d’entraînement, serving, supervision, rollback. En petite équipe, une personne peut porter les deux.

Je vous explique le métier concrètement : ce que la personne fait au quotidien, les compétences qui comptent, et quand vous avez intérêt à recruter — sans jargon creux.

Missions concrètes

Au quotidien, cela comprend :

• Cadre les problèmes ML, préparer les features, entraîner et évaluer les modèles.
• Mener des expériences et parler honnêtement de l’incertitude.
• Déployer services de modèles, jobs batch et pipelines de features (ML Eng).
• Après le lancement, surveiller drift, latence, coût et effet business.
• Avec le produit, choisir les cas où le ML bat les règles.

Les compétences qui font la différence

Les outils changent, les bases restent :

• Python, bibliothèques stats/ML, suivi d’expériences
• Pour le ML Eng : serving, conteneurs, MLOps, pipelines data
• SQL solide et sens de la donnée ; cadrer le métier
• Pour les apps LLM : évaluation, RAG, garde-fous, maîtrise des coûts

Quand recruter ce profil

Quand règles et tableaux de bord ne suffisent plus : reco, prévision, fraude, ranking, ou des fonctions LLM à évaluer et exploiter — pas à démo une fois.

En résumé

L’échec cher, c’est un notebook qui ne devient jamais un service supervisé. Recrutez pour le chemin vers la production, pas seulement pour des slides d’accuracy.