L’émergence du métier d’AI Engineer ne résulte pas d’une création soudaine, mais bien d'une évolution progressive, née de la convergence de plusieurs disciplines et la croissance exponentielle des données au cours des dernières années. L’ingénieur en IA joue un rôle de médiateur entre la théorie et la pratique, servant de lien entre le langage des machines et celui des humains.
L’essor de l’IA générative, branche du Deep Learning, a accéléré cette évolution. Ses performances spectaculaires, notamment dans le traitement du langage naturel, ont suscité un intérêt considérable pour l’IA ainsi qu’une demande croissante d’ingénieurs spécialisés.
Cette accélération ne se limite pas à de nouveaux usages ; elle offre aussi des approches inédites pour résoudre des problématiques traditionnellement abordées par les modèles de data science classiques.
La mise à disposition de modèles d’IA pré-entrainés, soit directement par les éditeurs ou via des plateformes telles que Hugging Face – et le coût inaccessible que représenterait le ré-entrainement d’un LLM (Large Language Model) pour une entreprise font que les connaissances fondamentales en mathématiques ou informatique sont moins cruciales à ce jour, hors cas d’usage très spécifiques.
Il est par contre indispensable de savoir assembler rapidement les différents composants logiciels pour construire des solutions (ou agents) d’IA industrialisables, répondant aux enjeux business.
Dans la pratique, plusieurs tâches de l’AI Engineer sont déjà familières aux Data Scientists, comme l’extraction, la qualification des données et l’analyse exploratoire. Cependant, avec l’avènement de nouvelles méthodes de modélisation, l’évaluation des résultats devient encore plus cruciale. Il est essentiel de continuer à mesurer les performances des modèles selon des indicateurs métiers pertinents.
Contrairement aux Data Scientists, les AI Engineers se concentrent sur des cas d’usage basés sur des modèles de fondation, qu’ils soient propriétaires (comme ceux d’OpenAI) ou open source (comme Llama ou Mistral). Leur travail se rapproche de celui des ingénieurs en Machine Learning (ML Engineers), car ils optimisent l’utilisation de ces modèles.
L’AI Engineer doit s’adapter aux défis techniques (explicabilité, transparence, intégrité, scalabilité, sécurité), ainsi qu’aux questions éthiques et sociétales (mise en place de nouvelles stratégies de tests prouvant l’absence de biais, tests de cas aux limites…).
Ces défis, bien qu’interdépendants, nécessitent une approche globale.
L’AI Engineer est donc un acteur clé de la transformation digitale. Il conçoit, développe et déploie des agents d’IA, analyse les données, optimise les performances des algorithmes et veille à l’éthique des usages.
Envie de rejoindre nos équipes ?
Rédigé par Alexander Mikheev, Tech Lead chez Saegus