Ingénieur en apprentissage automatique

Calculé ici à partir du CSV des déclarations individuelles, comme ce site traite une série statistique : le fichier entier a été téléchargé et les comptages faits en local, de sorte qu'un lecteur peut les refaire. Filtre : development_stage égal à Deployed et is_high_impact égal à High-impact, soit 227 des 1 040 lignes en production. Le champ hi_testing_conducted indique Yes pour 44, In-progress pour 81 et est vide pour 102. Le champ d'évaluation d'impact indique Yes pour 36, In-progress pour 90 et est vide pour 101. Le champ de revue indépendante ne dit jamais terminé en tant que tel : 31 nomment une revue du responsable de l'IA, 4 une revue interne indépendante, 1 un conseil de surveillance, 89 disent en cours et 102 sont vides. L'autorisation d'exploitation indique Yes pour 69, No pour 60 et est vide pour 98. Ce sont les administrations fédérales, et non ce site, qui ont choisi l'étiquette fort impact et rempli ces champs, au titre de l'EO 13960, de l'Advancing American AI Act et du mémorandum M-25-21 de l'OMB. Ce que les comptages établissent, c'est ce que les administrations ont écrit de leur propre garde-fou avant mise en production ; un champ vide est un champ vide, pas un Non, et un Oui est une auto-déclaration que personne ici n'a vérifiée. La date est le jour où l'OMB a publié le fichier consolidé (synthèse au 13 avril 2026 ; le dépôt lui-même a été créé le 28 janvier 2026) ; les mises en production sous-jacentes s'étalent sur de nombreuses années et le fichier ne donne pas une date unique à l'ensemble.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Cinq ingénieurs d'Instacart, nommés, décrivant leur propre système de recherche. Ils disent qu'Instacart entraînait et maintenait historiquement plusieurs modèles indépendants pour des tâches individuelles de compréhension des requêtes, chaque solution sur mesure ayant son propre pipeline de données et sa propre architecture d'entraînement et de service ; que remplacer ces modèles spécialisés par un seul grand modèle de langage (LLM) prenant en charge plusieurs tâches linguistiques supprime la complexité de maintenir des modèles séparés ; que le système est désormais en production et sert chaque semaine des millions de requêtes en démarrage à froid ; et que cela a déplacé leur défi central de l'ingénierie des attributs vers la mise en production de ces modèles socles, tout en maîtrisant la latence et le coût. Une entreprise et un système, décrits par l'équipe qui l'a construit ; cela ne dit rien du nombre d'ingénieurs en apprentissage automatique qu'emploie Instacart ni de l'évolution de ce nombre.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

L'inventaire des usages de l'IA tenu par le gouvernement américain lui-même pour l'ensemble des administrations, 2 133 entrées. Il demande s'il existe un processus de surveillance de la performance d'un système d'IA après son déploiement, avec quatre réponses possibles. Compté ici à partir du fichier : sur les 874 entrées au stade « Operation and Maintenance », 76 ont choisi l'une des quatre — 47 « Intermittent and Manually Updated » (les équipes de science des données travaillent avec des ingénieurs DevOps pour mettre à jour manuellement les modèles à intervalles programmés et créent des métriques pour détecter un décalage de distribution), 15 « Automated and Regularly Scheduled Updates » (une partie de la surveillance et du réentraînement est automatisée, mais les équipes de science des données restent fortement impliquées), 5 « Established Process of Machine Learning Operations » (tests automatisés, détection de dérive et réentraînement piloté par une chaîne) et 9 sans protocole de surveillance. Les 798 autres ont laissé la question vide ou indiqué sans objet, et les réponses étaient en grande partie volontaires et concentrées sur quelques administrations : cela décrit donc les systèmes qui ont répondu, non l'IA fédérale dans son ensemble.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

Soixante-quinze compétitions Kaggle d'ingénierie de l'apprentissage automatique — entraîner des modèles, préparer des jeux de données, mener des expériences — notées face aux références humaines du classement public de chaque compétition : la comparaison se fait donc avec les gens qui ont réellement concouru. Le montage le plus performant au moment de la rédaction (o1-preview avec l'échafaudage AIDE) a atteint au moins le bronze dans 16,9 % des compétitions ; les auteurs rapportent aussi que la mise à l'échelle des ressources et la contamination du pré-entraînement modifient l'une comme l'autre ce chiffre, et le banc d'essai est en source ouverte, donc n'importe qui peut le relancer sur un modèle plus récent. Deux limites sont structurelles plutôt qu'accessoires : une compétition Kaggle arrive avec le problème déjà posé, la métrique déjà choisie et les données déjà collectées, ce qui est justement la part de ce métier que le banc d'essai ne peut pas tester ; et OpenAI a construit le banc d'essai et vend des modèles qu'il mesure.

Une démonstration, un référentiel ou un article montre que la tâche peut être faite. Cela met à jour ce que la technologie sait faire — pas ce que les employeurs feront.

Le marché de l'Union, et uniquement pour les systèmes à haut risque entraînés au moyen de données — l'obligation pèse sur le fournisseur, c'est-à-dire l'organisation, non sur l'ingénieur à titre individuel. Cet enregistrement est rattaché au fait de répondre de ce que le système fait aux personnes, et non à la tâche de préparation des données elle-même : l'article 10 régit la manière dont ce travail sur les données doit être mené, non la part qu'une machine en assure désormais. Ce qu'il établit, c'est que montrer que les données étaient appropriées à la destination, examinées sous l'angle d'éventuels biais et passées au crible des lacunes cesse de relever de la pratique professionnelle pour devenir une obligation juridique documentée. Le règlement (UE) 2026/1744 (l'omnibus numérique sur l'IA, publié le 24 juillet 2026) a reporté l'application de ces obligations du 2 août 2026 au 2 décembre 2027 pour les systèmes à haut risque au titre de l'annexe III, et au 2 août 2028 pour ceux qui sont à haut risque au titre de l'article 6, paragraphe 1, et de l'annexe I ; c'est donc une règle inscrite dans les textes qui ne s'applique pas encore. L'article ne dit rien du nombre d'équipes qui travaillent déjà ainsi, de ce que cela coûte, ni de ce qui s'applique hors de l'Union.

Un échec, un retour en arrière, une réglementation ou un coût freine l'adoption. Cela peut abaisser une appréciation ou élargir son incertitude.

Quatre chercheurs de Microsoft décrivant la pratique d'annotation propre à Bing dans un article de conférence évalué par les pairs. Ils écrivent que Bing utilise des LLM, en association avec des annotateurs humains experts, pour la plupart de ses métriques hors ligne depuis fin 2022 ; que, selon leur expérience, les étiquettes produites par LLM se sont révélées plus exactes que celles de n'importe quel annotateur tiers, personnel interne compris, bien plus rapides et plusieurs fois moins chères ; et qu'ils ont jugé nécessaire de construire au fil du temps des jeux de référence plus difficiles pour continuer à distinguer les annotateurs et les prompts. Les étiquettes alimentent surtout des métriques d'évaluation plutôt que des données d'entraînement, et Microsoft construit et vend les modèles utilisés : l'entreprise a donc un intérêt en jeu. Cela ne dit rien du nombre d'annotateurs ou d'ingénieurs qu'emploie ce travail.

Un employeur l'a mis en production. Cela peut déplacer la ligne de base — pondéré par l'échelle et par la ressemblance du cadre avec le vôtre.

L'essentiel de ce qu'un cours enseigne — architectures, réglage, conception d'attributs — est la part que cette page marque comme déplacée, et l'une d'elles l'a été avant que vous ne commenciez vos études. La part rare est celle pour laquelle les cours ne savent pas facilement donner de devoirs : construire un test que le modèle n'a pas déjà vu, et dire à voix haute que quelque chose n'est pas encore assez bon. Approchez un système qui tourne sur de vraies personnes, même petit, plus tôt que cela ne paraît raisonnable.

Si votre valeur était de savoir quel modèle prendre, ce savoir s'est déprécié vite et continue de se déprécier. Si c'est de savoir comment ce domaine casse — ce que coûte ici une mauvaise réponse, quelles entrées manquent, ce que veut dire un chiffre plausible quand la population a changé — c'est la moitié qui s'est raréfiée, parce que la chose à juger est devenue plus difficile à juger. La version inconfortable : une grande part du recrutement récent du domaine porte sur des gens capables de bien appeler une interface de programmation, ce qui est un autre métier avec un autre plafond.

Rester et se renforcer

Détenez l'instrument de mesure

Quand le modèle est acheté, l'évaluation est la seule chose qui reste vôtre — et un jeu de test bâti depuis vos propres échecs n'est pas quelque chose qu'un fournisseur peut livrer.

Refaçonner le poste

Allez là où un modèle ne peut pas s'acheter

Domaines étroits, données propriétaires, budgets de latence serrés, et cadres où une entrée inexplicable n'est pas permise — dans tous, le substitut achetable n'existe pas, et le savoir-faire classique reste le savoir-faire.

Mouvement latéral

Prenez l'obligation avant qu'elle ne soit attribuée

Des devoirs s'attachent aux systèmes appris utilisés sur des personnes, et ils exigent quelqu'un capable de montrer ce que le modèle a consommé et pourquoi c'était adapté à la finalité. Dans la plupart des équipes, cette personne n'existe pas encore.

Les parties bougent ici en sens opposés, ce qu'un chiffre unique cacherait. Entraîner un modèle sur mesure est déplacé pour une grande part des problèmes, et non par une machine qui a appris à le faire — par le produit devenu achetable, soit un déplacement réversible. Juger si un système appris est assez bon est devenu plus difficile et plus rare en même temps. Un signal vérifiable par vous : sur vos trois derniers travaux, combien ont fini en modèle entraîné et combien en jugement sur un modèle entraîné par quelqu'un d'autre. Le second chiffre est la direction que prend le métier.

En partie, et il vaut la peine d'être précis sur quelle partie, parce que le mécanisme est inhabituel. Ce qui a disparu est l'objet sur mesure, non une capacité humaine : votre problème a désormais un substitut achetable. Ce genre de perte s'inverse — le prix, la licence, la limite d'usage ou la capacité d'un fournisseur bouge et le travail revient — ce qui n'est pas vrai d'un travail qu'une machine a réellement appris à exécuter. Ce qui n'a pas disparu est de savoir dire si le substitut fonctionne réellement sur votre problème, et cela est devenu plus difficile dans le même mouvement.

Poser cela comme un choix entre deux savoir-faire est ce qui rend la question difficile. La position durable dans les deux est la même : être la personne dont le jugement sur le bon fonctionnement de la chose est écouté. Ce qui diffère est le prix d'entrée — construire par-dessus n'en a presque aucun aujourd'hui, raison pour laquelle cette voie est encombrée et pour laquelle son plafond est fixé par votre capacité à distinguer un bon résultat d'un résultat plausible. Si vous ne pouvez bien faire qu'une chose, faites le jugement.

La demande et l'exposition sont deux questions différentes et cette page ne répond qu'à la seconde, ce qui mérite d'être dit parce qu'on les confond couramment. L'observation honnête est que l'intitulé couvre désormais deux métiers aux plafonds différents — l'un qui entraîne et évalue des systèmes, l'autre qui assemble des applications sur un modèle acheté — et les offres les distinguent rarement. Avant d'accepter un poste, demandez ce que l'équipe a livré le trimestre dernier et si quelqu'un lui a bâti un jeu de test. La réponse vous dit lequel des deux métiers l'intitulé désigne là-bas.