Vous voulez travailler dans l’intelligence artificielle (IA) mais ne savez pas quel métier viser ? Vous recherchez un ingénieur pour mettre en place une IA mais n’avez pas le « bon mot clé » pour votre offre (ou seuls des profils inadéquats y répondent) ?

Data scientist, data engineer, data analyst… nous allons voir ensemble quels sont les profils types de l’intelligence artificielle et de la data science, avec leurs qualités, leurs devoirs/responsabilités, et leurs perspectives (en termes de carrière et de salaire).

Remarque : les noms seront donnés en anglais si c’est pertinent, car ils sont rarement traduits. Les salaires sont donnés à titre indicatif (d’autant qu’ils peuvent être 10 fois supérieur aux Etats-Unis), et les informations sont résumées/condensées pour fluidifier la lecture.

Le pipeline de l’intelligence artificielle

Avant d’entamer la liste complète des métiers, je vous propose une première vision globale de ce qui « permet de donner vie à une intelligence artificielle ». Bien évidemment, chaque projet d’IA est différent, et le pipeline peut être modifié en fonction des besoins, mais généralement il devrait ressembler à ceci :

Données

  • On identifie un besoin de prédiction pour répondre à un certain problème
  • On va rassembler des données dans une « base de données »
  • Ces données seront rangées, entretenues et accessibles

Algorithme

  • On imagine un ou des algorithmes qui vont offrir les meilleures prédictions à partir de ces données
  • On écrit l’algorithme
  • On requête les données pour les récupérer

Visualisation

  • On veut « comprendre » rapidement les données, donc on construit des graphiques pour les parcourir
  • On veut également comprendre les résultats d’un algorithme, donc on construit des graphiques mettant en avant les particularités (et la justesse) de notre IA

Déploiement

  • Cette partie est hors champ de l’IA, car généralement elle est soit prise en charge par les « développeurs d’IA », soit confiée à une équipe plus générique qui s’occupe de la production des applications (une IA reste une application).

Data architect et Data manager

Type de profil : Similaire à gestionnaire de base de données.

Description : Gère le datalake, son infrastructure et le stockage de la donnée. Travaille également sur la gouvernance des données, l’urbanisation et la modélisation des données.

Outils : Hadoop, Spark, SQL/NoSQL, SAP…

Salaire : Très variable, commence entre 55k et 65k, puis à 10 ans d’expérience est entre 80k et 100k.

Perspectives : Gérer des SI de plus en plus importants, ainsi que sa transformation.

Remarque : Data manager ressemble beaucoup à Data architect avec des responsabilités SI moindres (en général).

Pour plus de détails, vous pouvez consulter la fiche métier du data architect.

Data engineer

Type de profil : Orienté données.

Description : Maintient la donnée, implémente parfois des requêtes pour la base de données.

Outils : Hadoop, Spark, SQL/NoSQL, SAP…

Salaire : Commence dans les 37k à 40k pour atteindre 50k en milieu de carrière puis 80k en fin de carrière.

Perspectives : Passer data architect, ou avoir des projets/parcs plus importants à gérer.

Remarque : Le Data engineer est parfois confondu avec le Data architect ou le Data analyst, mais les trois métiers sont différents. Le Data architect opère à un niveau plus large, vraiment orienté sur l’architecture générale, tandis que le Data engineer s’occupe des données. Le Data analyst agrége pour sa part les données (pour les fournir aux Data scientists ou construire des visualisations).

Pour plus de détails, vous pouvez consulter la fiche métier du data engineer.

Data analyst et Business analyst

Type de profil : Appétence pour le partage de connaissances, la mise en forme de l’information et les présentations.

Description :  Fait des graphiques pour visualiser la donnée et les requêtes.

Outils : SQL/NoSQL, Tableau, Excel, Python...

Salaire : De 35k pour un débutant à 60k pour un expert.

Perspectives : S’orienter vers de la data science, ou se spécialiser dans la visualisation de données (dans le Business Intelligence par exemple).

Remarque : Data analyst et business analyst sont souvent perçus comme un seul et même métier. On les regroupe parfois également dans la BI.

Pour plus de détails, vous pouvez consulter la fiche métier du data analyst.

Data scientist

Type de profil : Très polyvalent avec des bases solides en Mathématiques et en Informatique.

Description :  Requête la donnée, implémente les algorithmes, fait (éventuellement) des graphiques, pour donner du sens à la data.

Outils : Hadoop, Spark, SQL/NoSQL, Python, R, Tableau

Salaire : Part de 35k à 38k en début de carrière, pour atteindre 50k après environ 5 ans et enfin 70k après les 10 années.

Perspectives : Devenir chef de projet big data, devenir machine/deep learning engineer… ou gérer des projets plus complexes de data science.

Remarque : Souvent en entreprise, le poste « data scientist » peut en réalité cacher un besoin en data engineer ou data analyst.

Pour plus de détails, vous pouvez consulter la fiche métier du data scientist.

Machine learning engineer/researcher

Type de profil : Doit comprendre les Mathématiques avec facilité, et assurer une veille technologique.

Description :  Crée ou choisit les algorithmes de « Machine learning ».

Outils : Statistiques, Python, R…

Salaire : De 35k pour un débutant à 70k pour un expert.

Perspectives : S’orienter vers la recherche ou l’industrie.

Remarque : Le poste de Deep learning engineer existe également et, comme le nom l’indique, il utilise des réseaux de neurones plutôt que du machine learning. D’autre part, le rôle de Machine learning engineer est souvent remplacé par celui de Data scientist, plus versatile dans le privé (hors R&D).

Pour plus de détails, vous pouvez consulter la fiche métier du machine learning engineer.

Pour aller plus loin

Quelques métiers supplémentaires existent, mais ne sont pas forcément cités ici car ils sont trop « spécialisés ». Par exemple, un « Deep learning researcher » est apparenté (dans l’industrie) à un « Machine learning researcher » (pourtant, le premier travaille avec des réseaux de neurones à l’inverse du second).

De plus, comme pour la définition d’intelligence artificielle, les rôles des métiers peuvent varier d’une entreprise à l’autre (et même d’une personne à l’autre). Il n’est pas rare, par exemple, qu’un data scientist fasse le métier de data engineer (i.e. il gère le stockage des données alors qu’il est théoriquement plus orienté algorithmie). J’espère qu’avec cette présentation, il y aura moins de « confusions », mais dans le doute, mieux vaut toujours dire que ce l’on attend d’une mission !

pipeline métiers ia
(crédit : Lambert Rosique)

Crédit de l’image de couverture : Lambert Rosique