NLP / ML Engineer
Le NLP / ML Engineer conçoit et déploie des modèles de traitement du langage naturel et de machine learning en production. Dans les startups, il est à la fois chercheur appliqué et ingénieur : il construit des systèmes fiables à partir de modèles expérimentaux.
Ce que fait un NLP / ML Engineer
Conception et entraînement de modèles
Entraîne des modèles de NLP (classification, NER, extraction d'information, génération de texte) sur des corpus métier. Sélectionne les architectures adaptées au contexte (fine-tuning, RAG, few-shot).
Intégration en production
Déploie les modèles dans des pipelines applicatifs robustes. Gère la latence, la scalabilité et la surveillance des modèles en production.
Traitement et annotation des données
Construit les pipelines de préparation des données : nettoyage, tokenisation, annotation, augmentation. Collabore avec les équipes métier pour définir les schémas d'annotation.
Évaluation et amélioration continue
Définit les métriques d'évaluation adaptées au cas d'usage (F1, BLEU, ROUGE, métriques métier). Met en place des boucles de feedback pour améliorer les modèles en continu.
Veille et intégration des modèles fondamentaux
Suit les avancées en LLM (GPT-4, Claude, Mistral, Llama). Évalue la pertinence du fine-tuning vs. du prompting pour chaque cas d'usage.
Collaboration avec les équipes produit et engineering
Traduit les besoins métier en problèmes de ML. Documente les modèles et accompagne leur adoption par les équipes.
Compétences techniques clés
NLP et modèles de langage
- Librairies : spaCy, Hugging Face Transformers, LangChain
- Architectures : BERT, GPT, T5, Mistral, Llama
- Techniques : fine-tuning, RAG (Retrieval-Augmented Generation), few-shot prompting
- Tâches : NER, classification, extraction de relations, génération de texte, QA
Machine Learning et MLOps
- Python (pandas, scikit-learn, PyTorch, TensorFlow)
- Frameworks MLOps : MLflow, Weights & Biases, DVC
- Déploiement : FastAPI, Docker, Kubernetes, AWS SageMaker / GCP Vertex AI
- Bases vectorielles : Pinecone, Weaviate, pgvector
Données et évaluation
- Annotation : Label Studio, Prodigy
- Métriques NLP : F1, BLEU, ROUGE, BERTScore
- SQL et traitement de corpus volumineux
Les différents niveaux du poste
Junior (1-3 ans)
Maîtrise Python et les librairies NLP standard. Capable de fine-tuner un modèle pré-entraîné sur un corpus annoté. Travaille sous supervision sur des cas d'usage bien définis.
48 000 - 62 000 €
Confirmé (3-6 ans)
Autonome sur l'ensemble du cycle ML : définition du problème, préparation des données, entraînement, évaluation, déploiement. Capable de choisir l'architecture adaptée et de l'expliquer à une équipe non technique.
62 000 - 78 000 €
Senior (6+ ans)
Définit la stratégie ML de l'entreprise. Arbitre entre fine-tuning, RAG et API LLM selon les contraintes de coût, latence et confidentialité. Mentore les profils juniors et collabore directement avec le CTO.
78 000 - 95 000 €+
Ce que les startups attendent d'un NLP / ML Engineer
Du modèle au produit
Les startups ne cherchent pas un chercheur. Elles cherchent un ingénieur capable de livrer un modèle fonctionnel en production dans des délais contraints. La capacité à simplifier et à faire des choix pragmatiques prime sur l'excellence académique.
Autonomie sur le stack complet
En startup, le NLP / ML Engineer gère souvent seul l'ensemble du pipeline : collecte, annotation, entraînement, déploiement, monitoring. Les profils spécialisés uniquement sur la recherche ou uniquement sur le déploiement sont moins adaptés.
Sensibilité au cas d'usage métier
Un bon NLP / ML Engineer en startup comprend pourquoi il construit ce modèle. Il connaît les utilisateurs finaux, les contraintes métier et les critères de succès au-delà des métriques techniques. Cette orientation produit fait la différence.
Secteurs qui recrutent des NLP / ML Engineers
Évolutions possibles depuis ce poste
NLP / ML Engineer vs rôles adjacents
| Rôle | Focus | Périmètre | Profil type |
|---|---|---|---|
| NLP / ML Engineer | Modèles langage + déploiement | Texte, génération, extraction | Ingénieur appliqué |
| Data Scientist | Modélisation statistique et ML | Données structurées et non structurées | Profil analytique |
| Data Engineer | Pipelines et infrastructure data | Collecte, stockage, transformation | Profil infra |
| Backend Engineer | Développement applicatif | APIs, bases de données, services | Profil dev |