Panorama des métiers de l'IA
Comprendre les grandes familles de métiers IA : recherche, data, engineering, produit, agents, gouvernance, sécurité et transformation.
MarchéFamilles2030
IDEO-Lab 2026 Guide Careers in AI Skills + governance + ROI
Les métiers de l'IA Le guide opérationnel
Un guide hyper densifié pour comprendre, recruter, former ou choisir une trajectoire dans l'intelligence artificielle : métiers techniques, métiers produit, métiers data, métiers agents, gouvernance, sécurité, adoption et exemples de projets concrets.
Business
Data
Models
Agents
Data
Models
Agents
24
fiches métiers
96
onglets pratiques
150+
exemples & outils
1
roadmap carrière
Angle du guide : les métiers IA ne sont pas un effet de mode. Ils forment une chaîne professionnelle complète qui exige technique, compréhension métier, rigueur de production, sécurité, conformité, pédagogie et preuves mesurables.
Cartographie des familles de métiers
Un diagramme pour comprendre comment les rôles IA se connectent dans un vrai projet d'entreprise.
CarteRôlesÉquipe
AI Product Manager
Pilote le produit IA de bout en bout : problème métier, promesse utilisateur, arbitrage modèle, métriques, risques, adoption et ROI.
ProduitROIRoadmap
AI Solution Architect
Conçoit l'architecture complète : modèles, données, APIs, sécurité, coûts, orchestration, observabilité et intégration au SI.
ArchitectureCloudPatterns
AI / GenAI Engineer
Développe les applications IA : appels modèles, prompts, outils, backend, interfaces, streaming, files, sécurité et tests.
AppsAPILLM
Machine Learning Engineer
Construit, entraîne, optimise, déploie et maintient des modèles ML classiques ou hybrides, avec pipelines et monitoring.
MLTrainingDeploy
Data Scientist IA
Analyse les données, construit des hypothèses, modélise, évalue et explique les résultats pour guider les décisions métier.
StatsInsightsModels
Data Engineer / Feature Engineer
Prépare les données qui alimentent l'IA : ingestion, nettoyage, transformation, documentation, qualité, permissions et performance.
PipelinesSQLQuality
MLOps / LLMOps Engineer
Industrialise les modèles IA : CI/CD, registres, déploiement, monitoring, évaluation, coûts, incidents et rollback.
OpsEvalMonitoring
RAG / Knowledge Engineer
Construit des systèmes qui connectent les LLM aux connaissances d'entreprise : documents, recherche, embeddings, sources et permissions.
RAGSearchKnowledge
Agentic AI Engineer
Conçoit des agents IA capables de planifier, appeler des outils, manipuler des données, respecter des permissions et rendre des comptes.
AgentsToolsWorkflow
Prompt Engineer / AI Workflow Designer
Conçoit des instructions, workflows, templates et protocoles d'usage pour obtenir des sorties IA fiables et réutilisables.
PromptsProcessQuality
Conversational AI / AI UX Designer
Dessine l'expérience utilisateur des assistants IA : conversation, confiance, feedback, transparence, erreurs et adoption.
UXConversationAdoption
Computer Vision Engineer
Construit des systèmes capables d'analyser images, vidéos, documents visuels, défauts industriels, objets, scènes ou comportements.
VisionImagesVideo
NLP / Speech Engineer
Développe des solutions de langage : classification, extraction, traduction, speech-to-text, synthèse vocale, résumé et multimodal texte/voix.
NLPSpeechText
AI Security Engineer / Red Team
Protège les systèmes IA contre prompt injection, exfiltration, abus d'outils, data poisoning, model theft, jailbreaks et attaques supply chain.
SecurityRed TeamOWASP
Responsible AI / Governance Officer
Organise la gouvernance IA : inventaire, classification des risques, politiques, contrôles, documentation, conformité et surveillance continue.
RiskAI ActAudit
AI Legal / Compliance / DPO
Gère les enjeux juridiques : données personnelles, propriété intellectuelle, contrats, conformité, responsabilité, licences modèles et clauses fournisseurs.
LegalPrivacyIP
AI Trainer / Evaluator / Data Annotator
Prépare, évalue et améliore les systèmes IA via annotation, rubriques, datasets, feedback humain, formation utilisateurs et contrôle qualité.
TrainingEvalLabels
AI Business Analyst / Transformation Lead
Identifie les processus transformables par l'IA, mesure le ROI, formalise les besoins, accompagne l'adoption et pilote le changement.
ChangeROIProcess
AI Research Scientist
Fait avancer l'état de l'art : nouveaux modèles, entraînement, optimisation, benchmarks, alignement, multimodalité et publications.
ResearchModelsPapers
AI Platform / FinOps Engineer
Administre la plateforme IA : quotas, modèles, gateways, coûts, performances, sécurité, observabilité et support aux équipes.
PlatformCostsSRE
AI Sales Engineer / Customer Success
Traduit la technologie IA en valeur client : démos, architecture de prévente, intégration, adoption, formation et succès mesurable.
Pre-salesDemoAdoption
Roadmap carrière, portfolio et entretiens
Plan de progression pour entrer ou monter dans les métiers IA : compétences, projets, preuves, CV, entretiens et spécialisation.
CareerCVPortfolio
URLs et références utiles
World Economic Forum - Future of Jobs Report 2025WEF - 78 million new job opportunities by 2030Google Cloud - Vertex AI documentationMicrosoft Learn - Azure AI Engineer AssociateAWS - Machine Learning Engineer AssociateNIST - AI Risk Management FrameworkEU AI Act Service Desk - FAQEuropean Commission - General-purpose AI obligationsHugging Face - Transformers documentationHugging Face - LLM courseLangChain documentationLangGraph documentationLlamaIndex documentationOpenAI Agents SDKAnthropic - Claude Code documentationMLflow - GenAI evaluationEvidently AI documentationWeights & Biases documentationPinecone documentationWeaviate documentationMilvus documentationGoogle Machine Learning Crash CourseKaggle LearnOWASP Top 10 for LLM Applications
Chapitre 01
Panorama des métiers de l'IA
Le marché ne crée pas un seul métier, mais une constellation
Les métiers de l'IA ne se limitent pas au chercheur en machine learning. Le vrai marché se structure en familles : construire les modèles, intégrer les modèles, gouverner les modèles, sécuriser les modèles, vendre les modèles, former les utilisateurs et transformer les processus métier.
Le World Economic Forum classe les spécialistes big data, fintech et IA / machine learning parmi les métiers à plus forte croissance d'ici 2030, tout en soulignant une forte pression de reconversion et de montée en compétences.
BusinessDataModelsAppsAgentsGovernanceSecurityTraining
| Famille | Question clé | Métiers typiques |
|---|---|---|
| Produit | Quel problème business résoudre ? | AI Product Manager, Business Analyst IA |
| Engineering | Comment livrer l'application IA ? | AI Engineer, RAG Engineer, Agent Engineer |
| Data / ML | Comment entraîner, évaluer, déployer ? | Data Scientist, ML Engineer, MLOps |
| Risk | Comment rester fiable, légal, auditable ? | AI Governance Officer, AI Security, Red Team |
| Adoption | Comment transformer les équipes ? | AI Trainer, Consultant IA, Change Lead |
Ce qui tire l'emploi IA
- Industrialisation des copilots internes et assistants métier.
- Explosion des projets RAG sur les bases documentaires d'entreprise.
- Besoin d'ingénieurs capables de mettre les LLM en production.
- Contraintes de sécurité, audit, traçabilité et conformité.
- Montée des agents capables d'appeler des outils et d'orchestrer des workflows.
Marché IA = trois dynamiques simultanées 1. Création de nouveaux métiers spécialisés 2. Transformation des métiers existants 3. Automatisation partielle des tâches routinières Le gagnant n'est pas seulement celui qui sait coder. C'est celui qui sait connecter IA + métier + données + risque.
Une grille très opérationnelle
Chaque métier est décrit avec missions, compétences, outils, exemples de projets, niveau d'entrée, profil idéal et liens utiles. L'objectif est de bâtir un plan de carrière ou de recrutement, pas une liste vague de buzzwords.
| Lecture | Utilité |
|---|---|
| Étudiant / reconversion | Identifier une trajectoire réaliste |
| Développeur | Choisir entre GenAI, RAG, agents, MLOps |
| Manager | Construire une équipe IA équilibrée |
| RH | Écrire des fiches de poste plus exactes |
| Freelance | Transformer les métiers IA en offres vendables |
Idée centrale : l'IA ne crée pas seulement des métiers techniques. Elle crée une nouvelle chaîne de valeur complète : stratégie, données, modèles, applications, agents, sécurité, gouvernance, adoption et mesure de ROI.
Chapitre 02
Cartographie des familles de métiers
L'équipe IA complète
Un projet IA sérieux ressemble davantage à une équipe produit qu'à un laboratoire isolé. Les rôles se répartissent entre découverte métier, architecture, data, modèles, intégration, évaluation, sécurité, gouvernance et adoption.
DiscoverPM, Business Analyst, Domain Expert
BuildAI Engineer, ML Engineer, Data Engineer
OperateMLOps, LLMOps, Platform, FinOps
GovernLegal, Risk, Security, Red Team
AdoptTrainer, Change Lead, Customer Success
| Phase | Livrable | Responsable |
|---|---|---|
| Discovery | Use case, ROI, risques | AI PM + métier |
| Data readiness | Données, qualité, droits | Data Engineer + Governance |
| Prototype | PoC, benchmark, démo | AI Engineer + Data Scientist |
| Production | API, monitoring, CI/CD | MLOps / LLMOps |
| Contrôle | Audit, red team, évaluation | Risk + Security |
| Adoption | Formation, support, playbook | AI Trainer + Product |
| Niveau | Profil | Ce qu'on attend | Piège classique |
|---|---|---|---|
| Junior | Sortie école / reconversion | Projets portfolio, bases Python, data, API | Confondre prompt et produit |
| Middle | 2-5 ans | Livrer un module IA en production | Négliger observabilité et sécurité |
| Senior | 5-10 ans | Architecture, arbitrage, qualité, mentoring | Sur-engineering sans ROI |
| Lead | 10+ ans | Roadmap, gouvernance, budget, risques | Parler techno sans adoption métier |
Startup / PME
Une petite équipe peut démarrer avec un AI Product Owner, un développeur full-stack GenAI, un data engineer part-time et un référent métier. La gouvernance doit être légère mais réelle.
Équipe minimum viable : 1 AI Product Owner 1 AI / GenAI Engineer 1 Data Engineer part-time 1 Domain Expert 1 Security/Governance reviewer Objectif : livrer un cas d'usage mesurable en 4 à 8 semaines.
Entreprise
Une grande organisation devra ajouter solution architect, MLOps, legal, risk, security, data owner, change management et support utilisateur.
Règle : plus l'IA touche des décisions humaines ou des données sensibles, plus la gouvernance devient un métier à part entière.
Principe d'équipe : aucun métier IA ne gagne seul. Le succès dépend de la coordination entre produit, data, engineering, risque, sécurité et adoption.
Chapitre 03
AI Product Manager
AI Product Manager : rôle dans l'équipe IA
Pilote le produit IA de bout en bout : problème métier, promesse utilisateur, arbitrage modèle, métriques, risques, adoption et ROI.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Cadrage | Définir problème, persona, données et valeur | PRD IA clair |
| Priorisation | Choisir les use cases rentables et faisables | Roadmap réaliste |
| Évaluation | Transformer la qualité IA en métriques produit | Scorecard de décision |
| Adoption | Former, mesurer, améliorer | Usage durable |
Signature du rôle
Le PM IA transforme une technologie probabiliste en produit utile, mesurable et gouverné.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Produit : PRD, discovery, user stories, KPI, pricing
- IA : Comprendre LLM, RAG, agents, hallucination, évaluation
- Data : Lire les sources, limites et droits d'utilisation
- Communication : Aligner métiers, engineering, legal, security
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Copilot interne RH | RAG + SSO + logs + feedback | Temps gagné par demande |
| Assistant support | LLM + base tickets + CRM | Taux de résolution |
| Analyse documentaire | OCR + extraction + validation | Temps de traitement |
| Assistant commercial | CRM + génération contrôlée | Conversion ou qualité réponses |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 04
AI Solution Architect
AI Solution Architect : rôle dans l'équipe IA
Conçoit l'architecture complète : modèles, données, APIs, sécurité, coûts, orchestration, observabilité et intégration au SI.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Architecture | Définir composants et frontières | Blueprint solution |
| Choix modèles | Comparer SaaS, open-source, local, cloud | Décision argumentée |
| Sécurité | IAM, secrets, réseau, gouvernance | Architecture auditable |
| Scalabilité | Dimensionner coûts, latence, quotas | SLA réaliste |
Signature du rôle
L'architecte IA dessine les compromis invisibles : vitesse, coût, sécurité, qualité et gouvernance.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Cloud : AWS, Azure, GCP, containers, serverless
- LLM : RAG, tool calling, agents, eval, guardrails
- Data : Pipelines, vector DB, catalogues, lineage
- Ops : Monitoring, CI/CD, incident response
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Architecture RAG entreprise | IAM + vector DB + audit logs | Réponses sourcées |
| Agent back-office | Orchestrateur + outils internes | Cycle opérationnel réduit |
| LLM gateway | Router + cache + policy | Coût et sécurité maîtrisés |
| Plateforme multi-modèles | Cloud + open-source + monitoring | Réversibilité fournisseur |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 05
AI / GenAI Engineer
AI / GenAI Engineer : rôle dans l'équipe IA
Développe les applications IA : appels modèles, prompts, outils, backend, interfaces, streaming, files, sécurité et tests.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Implémentation | Coder API, backend, UI et intégrations | Application IA utilisable |
| Prompting | Transformer un besoin en instruction robuste | Réponses stables |
| Tool use | Connecter le modèle à des fonctions | Actions contrôlées |
| Évaluation | Tester précision, latence, coût | Quality gate |
Signature du rôle
Le GenAI Engineer est le développeur qui sait rendre les modèles utiles, fiables et intégrés.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Python / JS : FastAPI, Django, Node, TypeScript
- APIs LLM : OpenAI, Anthropic, Gemini, xAI, local
- Patterns : RAG, agents, structured outputs, function calling
- Qualité : tests, traces, eval sets, observabilité
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Chatbot métier | Django + LLM + PostgreSQL | Taux de réponse utile |
| Extracteur de contrats | PDF + JSON schema + validation | Précision extraction |
| Assistant SQL | LLM + policies + read-only | Requêtes correctes |
| Générateur de rapports | LLM + templates + sources | Temps économisé |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 06
Machine Learning Engineer
Machine Learning Engineer : rôle dans l'équipe IA
Construit, entraîne, optimise, déploie et maintient des modèles ML classiques ou hybrides, avec pipelines et monitoring.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Modeling | Choisir algorithmes et features | Baseline mesurable |
| Training | Entraîner, tuner, versionner | Modèle reproductible |
| Deployment | Servir modèle en endpoint ou batch | Service fiable |
| Monitoring | Surveiller drift, qualité, performance | Alertes exploitables |
Signature du rôle
Le ML Engineer transforme l'expérimentation en système prédictif durable.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- ML : scikit-learn, PyTorch, TensorFlow, XGBoost
- Cloud ML : SageMaker, Vertex AI, Azure ML
- MLOps : MLflow, CI/CD, model registry
- Math : stats, validation, métriques, biais
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Scoring churn | XGBoost + feature store + batch | AUC et uplift |
| Forecasting | Time series + monitoring | Erreur prévisionnelle |
| Fraud detection | ML + règles + explainability | Faux positifs |
| Classification documents | Transformer + active learning | F1 score |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 07
Data Scientist IA
Data Scientist IA : rôle dans l'équipe IA
Analyse les données, construit des hypothèses, modélise, évalue et explique les résultats pour guider les décisions métier.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Exploration | Comprendre distributions, anomalies, biais | EDA utile |
| Modélisation | Tester modèles et features | Benchmark |
| Interprétation | Expliquer résultats et limites | Décision éclairée |
| Communication | Transformer analyse en récit | Note de recommandation |
Signature du rôle
Le Data Scientist relie données, modèles et décision business.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Stats : tests, incertitude, causalité, métriques
- Python : pandas, sklearn, notebooks, SQL
- BI : dashboards, storytelling, visualisation
- AI : LLM evaluation, embeddings, clustering
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Analyse churn | SQL + pandas + model | Segments actionnables |
| Qualité RAG | Eval dataset + annotation | Score réponse/sources |
| Détection anomalies | stats + ML | Alertes utiles |
| Pricing | régression + simulation | Marge ou conversion |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 08
Data Engineer / Feature Engineer
Data Engineer / Feature Engineer : rôle dans l'équipe IA
Prépare les données qui alimentent l'IA : ingestion, nettoyage, transformation, documentation, qualité, permissions et performance.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Ingestion | Connecter sources internes et externes | Données disponibles |
| Transformation | Nettoyer, normaliser, enrichir | Dataset fiable |
| Qualité | Contrôles, schémas, tests | Data contract |
| Documentation | Lineage, dictionnaire, ownership | Audit possible |
Signature du rôle
Sans Data Engineer, l'IA n'a pas de carburant fiable.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- SQL : PostgreSQL, MySQL, BigQuery, Snowflake
- Pipelines : Airflow, Dagster, dbt, Spark
- Qualité : Great Expectations, tests, data contracts
- IA : chunking, embeddings, metadata, access control
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Index documentaire | ETL + chunking + embeddings | Couverture documentaire |
| Feature store | dbt + batch features | Réutilisation modèles |
| Data quality gate | tests + alerting | Incidents évités |
| Sync CRM | API + warehouse | Données à jour |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 09
MLOps / LLMOps Engineer
MLOps / LLMOps Engineer : rôle dans l'équipe IA
Industrialise les modèles IA : CI/CD, registres, déploiement, monitoring, évaluation, coûts, incidents et rollback.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| CI/CD | Automatiser build, tests, deploy | Pipeline reproductible |
| Observabilité | Tracer latence, coût, qualité | Dashboard opérationnel |
| Évaluation | Eval sets, regression tests, drift | Quality gate |
| Rollback | Versionner prompts, modèles, index | Retour arrière sûr |
Signature du rôle
Le LLMOps rend l'IA observable, testable et réversible.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- MLOps : MLflow, W&B, DVC, Kubeflow
- LLMOps : prompt registry, evals, tracing, guardrails
- Infra : Kubernetes, Docker, serverless, queues
- Security : secrets, IAM, audit logs, policies
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| LLM gateway | router + metrics + cache | Coût par requête |
| Eval nightly | golden dataset + alerts | Régression détectée |
| Prompt versioning | Git + registry | Rollback |
| RAG monitoring | retrieval quality + feedback | Taux de sources correctes |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 10
RAG / Knowledge Engineer
RAG / Knowledge Engineer : rôle dans l'équipe IA
Construit des systèmes qui connectent les LLM aux connaissances d'entreprise : documents, recherche, embeddings, sources et permissions.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Knowledge audit | Identifier sources, droits, qualité | Carte documentaire |
| Indexation | Chunking, embeddings, metadata | Index vectoriel |
| Retrieval | Hybrid search, reranking, filters | Sources pertinentes |
| Evaluation | Mesurer faithfulness et citation | RAG fiable |
Signature du rôle
Le RAG Engineer transforme les documents en mémoire opérationnelle fiable.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Search : BM25, hybrid, vector, reranking
- Vector DB : Pinecone, Weaviate, Milvus, pgvector
- Frameworks : LlamaIndex, LangChain
- Governance : permissions, freshness, citations
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Assistant juridique | RAG + citations + ACL | Réponses sourcées |
| Support technique | KB + tickets + rerank | Déflection tickets |
| Recherche interne | hybrid search + snippets | Temps de recherche |
| Wiki d'entreprise | documents + freshness | Taux de confiance |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 11
Agentic AI Engineer
Agentic AI Engineer : rôle dans l'équipe IA
Conçoit des agents IA capables de planifier, appeler des outils, manipuler des données, respecter des permissions et rendre des comptes.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Agent design | Définir objectifs, outils, mémoire, limites | Architecture d'agent |
| Tool calling | Créer fonctions sûres et testées | Actions contrôlées |
| Orchestration | Plan, exécution, reprise, logs | Workflow robuste |
| Evaluation | Tester trajectoires, erreurs, abus | Agent fiable |
Signature du rôle
L'Agent Engineer n'automatise pas seulement des réponses : il automatise des boucles de travail sous contrôle.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Frameworks : LangGraph, OpenAI Agents SDK, CrewAI
- Backend : Python, queues, state machines, APIs
- Security : permissions, sandboxing, confirmation gates
- UX : human-in-the-loop, audit trail
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Agent devis | CRM + catalogue + approval | Temps devis |
| Agent opérations | tickets + scripts + logs | MTTR |
| Agent data | warehouse read-only + reports | Analyses automatiques |
| Agent QA | tests + browser + report | Bugs détectés |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 12
Prompt Engineer / AI Workflow Designer
Prompt Engineer / AI Workflow Designer : rôle dans l'équipe IA
Conçoit des instructions, workflows, templates et protocoles d'usage pour obtenir des sorties IA fiables et réutilisables.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Prompt design | Rôle, contexte, contraintes, format | Template robuste |
| Workflow | Découper une tâche en étapes | Process IA réutilisable |
| Evaluation | Comparer variations et sorties | Prompt validé |
| Training | Former les utilisateurs | Adoption |
Signature du rôle
Le Prompt Engineer sérieux est surtout un designer de processus et de qualité.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Rédaction : clarté, structure, exemples, contrôles
- Domain knowledge : comprendre le métier et ses risques
- Tools : ChatGPT, Claude, Gemini, notebooks, forms
- Quality : rubrics, checklists, A/B tests
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Prompt support | template + escalation | Qualité réponses |
| Workflow audit | checklist + sources | Moins d'erreurs |
| Assistant RH | rubric + confidentialité | Process standardisé |
| Générateur de guide | plan + style + QA | Temps production |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 13
Conversational AI / AI UX Designer
Conversational AI / AI UX Designer : rôle dans l'équipe IA
Dessine l'expérience utilisateur des assistants IA : conversation, confiance, feedback, transparence, erreurs et adoption.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Conversation | Scénarios, intents, ton, limites | Flow utilisateur |
| Trust | Afficher sources, incertitude, actions | Interface responsable |
| Feedback | Collecter corrections et satisfaction | Amélioration continue |
| Accessibility | Voix, multimodal, simplicité | Adoption élargie |
Signature du rôle
L'AI UX Designer rend l'IA compréhensible, utilisable et digne de confiance.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- UX : wireframes, tests utilisateurs, design systems
- Conversation : scripts, edge cases, fallback
- AI : latence, hallucination, grounding, refus
- Analytics : funnels, satisfaction, task success
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Assistant bancaire | UX + guardrails | Confiance utilisateur |
| Chatbot santé | triage + escalation | Sécurité |
| Copilot SaaS | commands + inline help | Activation |
| Voice bot | speech + fallback humain | Taux résolution |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 14
Computer Vision Engineer
Computer Vision Engineer : rôle dans l'équipe IA
Construit des systèmes capables d'analyser images, vidéos, documents visuels, défauts industriels, objets, scènes ou comportements.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Dataset | Collecter, annoter, équilibrer | Données visuelles fiables |
| Modeling | Detection, segmentation, OCR, multimodal | Modèle mesuré |
| Deployment | Edge, cloud, batch, temps réel | Pipeline vision |
| Monitoring | Qualité, drift, biais visuel | Contrôle continu |
Signature du rôle
Le spécialiste vision transforme pixels, images et vidéos en décisions opérationnelles.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- CV : OpenCV, PyTorch, YOLO, segmentation
- Cloud : Vertex AI Vision, Azure Vision, Rekognition
- Annotation : Label Studio, CVAT, active learning
- Edge : ONNX, TensorRT, mobile, cameras
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Contrôle qualité | camera + detection | Défauts détectés |
| OCR factures | OCR + extraction | Temps saisie |
| Retail shelf | object detection | Ruptures stock |
| Sécurité site | video analytics + rules | Incidents |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 15
NLP / Speech Engineer
NLP / Speech Engineer : rôle dans l'équipe IA
Développe des solutions de langage : classification, extraction, traduction, speech-to-text, synthèse vocale, résumé et multimodal texte/voix.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Text mining | Extraire entités, intents, thèmes | Données structurées |
| Speech | Transcription, diarization, TTS | Audio exploitable |
| Evaluation | WER, F1, ROUGE, human eval | Qualité mesurée |
| Integration | API voix, call centers, apps | Workflow langage |
Signature du rôle
Le NLP/Speech Engineer rend le langage humain exploitable par les systèmes.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- NLP : transformers, tokenization, embeddings
- Speech : Whisper, Azure Speech, Google Speech
- Evaluation : datasets, labels, human review
- Languages : multilingue, accents, domaine
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Analyse appels | STT + résumé + tags | Qualité service |
| Extraction emails | NER + routing | Temps traitement |
| Voice assistant | STT + LLM + TTS | Taux résolution |
| Traduction métier | LLM + glossaire | Qualité terminologique |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 16
AI Security Engineer / Red Team
AI Security Engineer / Red Team : rôle dans l'équipe IA
Protège les systèmes IA contre prompt injection, exfiltration, abus d'outils, data poisoning, model theft, jailbreaks et attaques supply chain.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Threat modeling | Cartographier risques IA | Modèle de menace |
| Red team | Tester injections et abus | Rapport vulnérabilités |
| Controls | Policies, sandbox, allowlists, secrets | Réduction risque |
| Incident | Logs, alertes, playbooks | Réponse rapide |
Signature du rôle
L'AI Security Engineer protège l'IA comme une surface d'attaque autonome.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Security : AppSec, IAM, secrets, network, SOC
- LLM attacks : prompt injection, data leakage, tool abuse
- Testing : fuzzing, adversarial prompts, evals
- Governance : risk register, policies, audit
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Red team RAG | injections docs + eval | Fuites évitées |
| Agent security | tool permissions + approvals | Actions sûres |
| Prompt firewall | policies + detection | Blocage abus |
| LLM incident runbook | logs + triage | MTTR réduit |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 17
Responsible AI / Governance Officer
Responsible AI / Governance Officer : rôle dans l'équipe IA
Organise la gouvernance IA : inventaire, classification des risques, politiques, contrôles, documentation, conformité et surveillance continue.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Inventory | Lister les systèmes IA et propriétaires | AI register |
| Risk classification | Classer par risque et usage | Décision documentée |
| Controls | Politiques, tests, human oversight | Preuves d'audit |
| Lifecycle | Revue continue et changement | Gouvernance vivante |
Signature du rôle
La gouvernance IA transforme la confiance en processus vérifiable.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Frameworks : NIST AI RMF, EU AI Act, ISO 42001
- Documentation : model cards, risk register, DPIA
- Process : comités, approvals, change management
- Communication : legal, product, engineering, security
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| AI inventory | forms + registry + owners | Systèmes connus |
| Risk tiering | EU AI Act + NIST mapping | Obligations claires |
| Model card | template + evidence | Audit |
| AI committee | workflow approvals | Traçabilité |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 18
AI Legal / Compliance / DPO
AI Legal / Compliance / DPO : rôle dans l'équipe IA
Gère les enjeux juridiques : données personnelles, propriété intellectuelle, contrats, conformité, responsabilité, licences modèles et clauses fournisseurs.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Privacy | RGPD, DPIA, minimisation, droits | Traitement conforme |
| IP | licences modèles, données, outputs | Risque réduit |
| Contracts | clauses fournisseurs, indemnités, audits | Contrat robuste |
| Compliance | AI Act, sectoriel, sécurité | Dossier réglementaire |
Signature du rôle
Le juriste IA rend l'innovation défendable dans un monde réglementé.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Legal : data protection, contract law, IP, sector rules
- AI basics : models, training data, outputs, RAG
- Risk : classification, evidence, accountability
- Negotiation : vendor due diligence, DPAs, SLAs
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Clause IA SaaS | DPA + no-training + audit | Risque fournisseur |
| DPIA assistant RH | privacy review | Base légale |
| Licence open model | policy review | Usage autorisé |
| Output records | retention policy | Preuve et conformité |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 19
AI Trainer / Evaluator / Data Annotator
AI Trainer / Evaluator / Data Annotator : rôle dans l'équipe IA
Prépare, évalue et améliore les systèmes IA via annotation, rubriques, datasets, feedback humain, formation utilisateurs et contrôle qualité.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Annotation | Créer labels et exemples | Dataset exploitable |
| Evaluation | Noter réponses et erreurs | Quality score |
| Feedback | Collecter corrections utilisateurs | Boucle d'amélioration |
| Training | Former équipes et documenter usages | Adoption |
Signature du rôle
L'évaluateur IA est souvent le gardien invisible de la qualité réelle.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Domain expertise : connaître le métier et les cas limites
- Rubrics : critères de qualité, cohérence, biais
- Tools : Label Studio, spreadsheets, eval platforms
- Communication : feedback clair et répétable
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Eval RAG | rubric + human ratings | Qualité réponse |
| Annotation CV | bounding boxes | Précision modèle |
| Dataset prompts | good/bad examples | Robustesse |
| Formation interne | playbook + atelier | Adoption |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 20
AI Business Analyst / Transformation Lead
AI Business Analyst / Transformation Lead : rôle dans l'équipe IA
Identifie les processus transformables par l'IA, mesure le ROI, formalise les besoins, accompagne l'adoption et pilote le changement.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Process mapping | Cartographier tâches et irritants | Process cible |
| ROI | Estimer gains, coûts, risques | Business case |
| Requirements | Traduire métier vers engineering | Backlog clair |
| Change | Former, mesurer, ajuster | Adoption durable |
Signature du rôle
Le Business Analyst IA convertit la fascination technologique en bénéfice mesurable.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Business : process mining, KPI, finance, operations
- AI literacy : RAG, copilots, agents, limites
- Facilitation : ateliers, interviews, adoption
- Measurement : baseline, time saved, quality, risk
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Audit IA service client | process + data + ROI | Priorité cas d'usage |
| Back-office automation | agent + approval | Temps cycle |
| Knowledge worker copilot | workshops + playbook | Adoption |
| AI dashboard | KPI + feedback | Pilotage |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 21
AI Research Scientist
AI Research Scientist : rôle dans l'équipe IA
Fait avancer l'état de l'art : nouveaux modèles, entraînement, optimisation, benchmarks, alignement, multimodalité et publications.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Hypothèses | Formuler questions scientifiques | Plan expérimental |
| Expériences | Entraîner, comparer, ablater | Résultats |
| Publication | Écrire paper et reproduire | Contribution |
| Transfer | Aider l'engineering à industrialiser | Prototype transférable |
Signature du rôle
Le Research Scientist explore ce qui sera industrialisé demain.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Math : linear algebra, optimization, probability
- Deep learning : PyTorch, distributed training
- Research : papers, benchmarks, ablations
- Communication : écrire, présenter, reviewer
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Nouveau reranker | training + eval | Gain retrieval |
| Compression modèle | distillation | Latence réduite |
| Safety eval | benchmark adversarial | Risque mesuré |
| Multimodal model | dataset + training | Performance |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 22
AI Platform / FinOps Engineer
AI Platform / FinOps Engineer : rôle dans l'équipe IA
Administre la plateforme IA : quotas, modèles, gateways, coûts, performances, sécurité, observabilité et support aux équipes.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Platform | Fournir APIs, modèles, environnements | Self-service contrôlé |
| FinOps | Mesurer tokens, GPUs, latence | Coûts maîtrisés |
| Reliability | SLO, incidents, capacity | Service stable |
| Policy | quotas, allowlists, audit | Usage gouverné |
Signature du rôle
L'AI Platform Engineer rend l'IA disponible, fiable et économiquement contrôlée.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Cloud : GCP, Azure, AWS, Kubernetes
- LLM infra : gateways, caches, routing, batching
- Monitoring : Prometheus, Grafana, OpenTelemetry
- Finance : unit economics, budgets, chargeback
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| LLM gateway | routing + quotas | Coût par équipe |
| GPU cluster | K8s + scheduling | Utilisation GPU |
| Cost dashboard | tokens + cache | Budget |
| Model catalog | approved models | Gouvernance |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 23
AI Sales Engineer / Customer Success
AI Sales Engineer / Customer Success : rôle dans l'équipe IA
Traduit la technologie IA en valeur client : démos, architecture de prévente, intégration, adoption, formation et succès mesurable.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Discovery | Comprendre douleur client | Use case qualifié |
| Demo | Construire preuve de valeur | Démo crédible |
| Solutioning | Proposer architecture et étapes | Plan client |
| Success | Mesurer adoption et résultat | Renouvellement |
Signature du rôle
Le Sales Engineer IA vend de la confiance, pas seulement une API.
Livrables typiques
- Cadrage
- Prototype
- Évaluation
- Documentation
- Plan de mise en production
Compétences clés
- Communication : storytelling, écoute, pédagogie
- Technique : APIs, RAG, SaaS, intégrations
- Business : ROI, pricing, procurement
- Delivery : onboarding, enablement, support
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Demo RAG client | docs client + prototype | Go/no-go |
| POC 30 jours | success criteria | Conversion |
| Enablement | workshops + templates | Usage actif |
| Executive report | ROI + roadmap | Sponsorship |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Objectif métier mal défini | Prévoir un contrôle, une métrique et un responsable. |
| Données insuffisantes | Prévoir un contrôle, une métrique et un responsable. |
| Évaluation trop faible | Prévoir un contrôle, une métrique et un responsable. |
| Dette technique cachée | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques
Chapitre 24
Roadmap carrière, portfolio et entretiens
Roadmap carrière, portfolio et entretiens : rôle dans l'équipe IA
Plan de progression pour entrer ou monter dans les métiers IA : compétences, projets, preuves, CV, entretiens et spécialisation.
| Mission | Ce que cela veut dire | Résultat attendu |
|---|---|---|
| Choisir | Sélectionner une famille métier | Trajectoire claire |
| Construire | Créer 3 projets démontrables | Portfolio |
| Prouver | Mesurer qualité, coût, risque | Crédibilité |
| Postuler | Adapter CV et entretien | Opportunités |
Signature du rôle
Une carrière IA se construit avec des preuves concrètes, pas avec une liste de modèles sur un CV.
Livrables typiques
- CV orienté métier
- GitHub propre
- Démo vidéo
- README avec architecture
- Tableau de métriques
- Note de risques et limites
Compétences clés
- Fondations : Python, SQL, APIs, cloud, Git
- IA appliquée : LLM, RAG, agents, eval, safety
- Business : ROI, processus, communication
- Portfolio : README, démo, métriques, limites
Outils et plateformes
Astuce carrière : ne pas apprendre un outil isolé. Construire un mini-projet qui combine données, modèle, interface, évaluation et documentation.
| Projet concret | Stack possible | Preuve de valeur |
|---|---|---|
| Projet 1 RAG | docs + vector DB + eval | Sources correctes |
| Projet 2 agent | tools + approvals + logs | Tâches réalisées |
| Projet 3 dashboard | data + BI + LLM summary | Décision |
| Projet 4 governance | risk register + policy | Audit |
Use caseDataModelEvalDeployMonitor
Risques à surveiller
| Portfolio trop vague | Prévoir un contrôle, une métrique et un responsable. |
| Pas de métriques | Prévoir un contrôle, une métrique et un responsable. |
| Pas de preuve de production | Prévoir un contrôle, une métrique et un responsable. |
| Pas de maîtrise du risque | Prévoir un contrôle, une métrique et un responsable. |
URLs utiles
Portfolio conseillé : - 1 cas d'usage métier - 1 README clair - 1 jeu de tests ou évaluation - 1 capture vidéo ou démo - 1 note de limites et risques