Métier IA
Recruter un Machine Learning Engineer
À la frontière entre Data Scientist et Software Engineer. Conçoit, entraîne, déploie et monitor des modèles ML en production. Le profil qui transforme la R&D data en valeur business.
Qu'est-ce qu'un Machine Learning Engineer ?
Un Machine Learning Engineer conçoit, entraîne et industrialise des modèles de machine learning. Il maîtrise la chaîne complète : ingestion des données, feature engineering, choix d'algorithmes, entraînement, évaluation, déploiement, monitoring, gestion du drift. Sa différence avec le Data Scientist : moins de phase exploratoire / notebook, plus de code production, de pipelines reproductibles et de scalabilité. C'est souvent le profil qui transforme un POC data en service production fiable.
Quand recruter un Machine Learning Engineer ?
Vous avez un Data Scientist qui produit des modèles mais aucun ne tourne en prod
Vous voulez construire un système ML scalable (recommandation, scoring, fraude, churn)
Vous avez besoin d'industrialiser un POC ML existant (le sortir du notebook)
Votre stack ML existe mais le monitoring, le retraining et le drift ne sont pas gérés
Vous lancez une équipe ML et avez besoin d'un profil senior pour poser les bases techniques
Compétences à évaluer
Compétences techniques
- Python avancé (typing, async, packaging, tests)
- ML supervisé / non-supervisé (scikit-learn, XGBoost, LightGBM)
- Deep Learning (PyTorch, TensorFlow) selon les cas d'usage
- Feature engineering, feature stores (Feast, Tecton)
- Pipelines reproductibles (DVC, MLflow, Kubeflow, Airflow)
- Déploiement modèles : Docker, Kubernetes, model serving (BentoML, TorchServe, Triton)
- Monitoring : drift detection, data quality, métriques business + métriques modèle
- SQL avancé, optimisation de requêtes
Compétences humaines
- Rigueur ingénieur : tests, code review, reproductibilité
- Compréhension business : choix d'une métrique alignée sur le ROI, pas sur le score Kaggle
- Communication : capable de traduire un besoin métier en problème ML, et inversement
- Pragmatisme : un modèle simple en prod > un modèle complexe en notebook
Stack et outils courants
TJM freelance et salaire CDI
Freelance (TJM)
CDI (brut annuel)
Fourchettes indicatives marché France 2026 — ML Engineer rares, profils seniors premium.
Vous êtes candidat ?
Vous visez un poste de Machine Learning Engineer ?
Préparez votre CV, votre LinkedIn et vos entretiens — et apprenez à défendre votre salaire ou votre TJM — avec le regard d'un recruteur Web & IT.
Comment Novera qualifie un ML Engineer
Le piège : le Data Scientist qui s'auto-déclare ML Engineer sans jamais avoir déployé. On valide la chaîne complète : pipeline reproductible, modèle en prod, monitoring, gestion du drift.
Modèles réellement en production : nombre, fréquence de retraining, monitoring en place
Pipeline reproductible : un autre ingénieur peut-il rejouer son train pipeline from scratch ?
Gestion du drift : a-t-il identifié et corrigé un drift en prod ?
Choix d'architecture : pourquoi tel modèle pour tel cas d'usage (pas du XGBoost partout) ?
Métriques : sait-il distinguer accuracy / precision / recall / F1 / AUC selon le coût d'erreur métier ?
Code production : tests, typing, CI/CD — pas juste du notebook copié-collé
Questions fréquentes
ML Engineer vs Data Scientist : quelle différence ?
Le Data Scientist fait la R&D (exploration, modélisation, POC). Le ML Engineer industrialise (pipelines, déploiement, monitoring). Dans une petite équipe, c'est souvent la même personne. Dans une équipe structurée, ce sont deux rôles distincts. Si vous n'avez qu'un seul recrutement à faire et que vous voulez de la valeur en prod rapidement, le ML Engineer est souvent le meilleur choix.
ML Engineer vs AI Engineer : différence ?
Le ML Engineer entraîne et déploie des modèles ML custom (souvent supervisés / non-supervisés / deep learning). L'AI Engineer consomme des modèles existants (LLM, vision) et les intègre dans des produits. Le ML Engineer est plus deep tech, l'AI Engineer plus product. Les deux sont complémentaires dans une équipe IA structurée.
Quel délai pour recruter un ML Engineer ?
Marché tendu, surtout sur les profils confirmés et seniors. Comptez 4 à 8 semaines pour une shortlist CDI. Pour un freelance senior, 1 à 3 semaines selon la spécialisation (NLP, vision, time series).
Faut-il un Data Engineer en parallèle d'un ML Engineer ?
Idéalement oui, surtout si vos données sont en désordre. Le Data Engineer construit le pipeline data (ingestion, qualité, transformation), le ML Engineer construit le pipeline ML (feature engineering, train, deploy). Sans Data Engineer, votre ML Engineer passera 70 % de son temps sur de la plomberie data au lieu de modèles.
Besoin de recruter un Machine Learning Engineer ?
Décrivez votre besoin en 2 minutes. Premier échange gratuit, réponse sous 24 h.