Mae Yener a commencé aux Beaux-Arts de Toulouse. Elle a bifurqué vers la tech via 42 il y a environ sept ans, par goût de l'informatique et besoin de stimulation. Elle est rentrée dans l'IA presque par hasard, avant que ChatGPT n'en fasse un sujet mainstream. Elle contribue aujourd'hui au groupe de travail de normalisation de l'IA en France et a participé au référentiel sur l'IA frugale de l'AFNOR. Ce live, c'est son retour terrain sur ce que les métiers ML deviennent vraiment.
1. GenAI est un subset du Deep Learning, qui est un subset du ML
Mae pose d'emblée le cadre. La GenAI (Generative AI) est un sous-ensemble du Deep Learning, lui-même sous-ensemble du Machine Learning.
"Le machine learning, c'est quelque chose qui n'est pas nouveau. Et même le deep learning, où on va utiliser des réseaux de neurones et on va faire du machine learning sous stéroïde, ça non plus, ça n'est pas nouveau. Le premier réseau de neurones, le perceptron multicouche, il date des années soixante."
Si la GenAI ne s'est pas développée plus tôt, c'est une question d'infrastructure. On avait des besoins d'infrastructures qu'on n'était pas capable de satisfaire dans les années soixante. Maintenant qu'on a tous ces super ordinateurs avec toute cette infra de fou et qu'on est littéralement en train de plugger des LLM sur des centrales nucléaires, là, ça change la donne.
Le constat depuis 2021-2022 : le nerf de la guerre, c'est la donnée. L'infrastructure et la donnée changent absolument tout par rapport à des méthodes qui elles-mêmes ne vont pas forcément avoir besoin d'évoluer énormément.
2. Qui fait quoi
Mae décrit trois rôles principaux, en insistant sur leur porosité réelle selon les entreprises.
Data Scientist
Résoudre des problèmes via la modélisation. Background solide en maths et stats. Il va trouver la solution, on va dire entre guillemets mathématique, parce qu'au final derrière le machine learning c'est que des maths, à votre problème.
ML Engineer (MLE)
L'aspect tech : comment mettre ça en production de manière optimisée et maintenable. Mais les rôles DS et MLE se chevauchent de plus en plus. Je sens qu'il y a un shift dans les responsabilités des DS. On va leur demander d'aller en production. Et du coup, le MLE va devenir un collaborateur, un facilitateur. Dans une petite startup, un MLE peut se retrouver à tout faire.
MLOps
Ce n'est pas juste du DevOps pour le ML. À l'origine, DevOps, ce n'était pas non plus un truc qu'on trouvait dans les postes. Il y a toute une culture MLOps qui est censée inclure de diffuser cette culture ML, data, IA, au sein de l'entreprise. Mae reconnaît que dans les faits, les postes MLOps actuels se résument souvent au côté infra et monitoring.
LLMOps
Un terme encore plus récent : comment monitorer des modèles de GenAI et des LLM en production. C'est différent de comment on va monitorer du machine learning classique. Ça va être plus difficile d'avoir des métriques aussi précises.
Sur la responsabilité de la qualité de la donnée : c'est une responsabilité partagée entre les data engineers, les data scientists, les architectes. Moi, en tant que MLE, c'est quelque chose que j'ai énormément fait.
3. Un métier en plein boom dans une industrie qui bouge à fond
Le MLE est très mobile sur le cycle de vie du machine learning, de l'IA. Et l'IA en elle-même, elle bouge beaucoup. Donc forcément, le machine learning engineer, il bouge beaucoup aussi.
Trois facteurs expliquent cette instabilité :
Les rôles se superposent
Selon qu'on est dans une startup de cinq personnes ou dans un grand groupe, les responsabilités ne sont pas du tout les mêmes.
Moins de modèles from scratch
On fait du feature engineering, on va l'optimiser, on va faire de la recherche d'hyperparamètres, mais on ne va pas aller recréer des modèles from scratch, réinventer la roue.
Des problem-solvers par nature
Les gens qui sont derrière ont un peu cette compulsion d'apprendre, de comprendre, ils sont assez autonomes, et c'est comme ça qu'on se retrouve avec des gens qui savent faire plein de choses et qui ont un rôle flou.
"Le résumé de tout ça, c'est qu'on est dans une industrie qui est en plein boom. Ça bouge. Le bateau bouge. Le bateau, il va à fond. Les murs tremblent. C'est normal."
4. Rester mobile, faire de la veille, et ne pas arrêter de coder
Mae répond à la question récurrente : comment se maintenir dans un domaine qui change aussi vite ? Elle utilise une métaphore : traverser la rue au Vietnam, où des nuées de mobilettes arrivent de partout.
"Il faut rester mobile, il faut pas s'arrêter, il faut y aller avec un petit rythme de croisière, il faut pas courir, ça sert à rien, tu vas t'épuiser. Et il faut rester un petit peu aware de tout ce qui se passe autour de toi."
Faire de la veille régulièrement
Aller sur Hacker News, c'est toujours une bonne idée. C'est pas un cliché. Il y a vraiment des choses qui s'y passent. Checker la page de Hacker News le matin, depuis deux mille quinze. Il y a ce genre de point de contact tech qui porte toujours ses fruits. LinkedIn aussi, au-delà des offres d'emploi.
Tester les nouvelles technos
Même si ça prend peut-être une heure, se mettre une heure de côté dans la semaine pour faire ça.
Continuer à savoir coder
À l'heure du vibe coding, il faut surtout savoir coder. Il faut pas perdre cette capacité. Codewars et les coding games sont cités. Maintenant, on travaille beaucoup avec de l'IA, je pense à Copilot, ce genre de choses. Ça va nous accélérer, mais il ne faut pas que ça nous retire les outils des mains.
Investir dans les concepts durables
Il y a des aspects qui, eux, ne bougent pas du tout. Tout ce qui va être container, orchestration, c'est quelque chose qui est là pour rester.
5. Deux investissements solides
Sur la question des certifications pour se faire repérer, Mae a un avis clair.
AWS Associates
Elle ne les a pas passées elle-même, mais les recommande si c'était à refaire. Énormément d'entreprises sont chez AWS, donc c'est stratégiquement intéressant. Mais surtout parce que la plateforme qui est construite par AWS, c'est un cube managé qui propose différents services qu'on va retrouver dans tout plein d'autres plateformes.
"À partir du moment où vous avez compris comment ça fonctionne derrière, vous changez de plateforme, vous changez juste les noms dans vos têtes."
Kubernetes / CKAD
Mae a passé la Certified Kubernetes Application Developer l'été précédent. Tout ce qui va être container, orchestration, c'est quelque chose qui est là pour rester, à mon avis. Tous les métiers ops, c'est la plomberie du machine learning. Ça va rester absolument.
Sur la question de savoir si ça sert encore d'apprendre quand tout change tous les trois mois : il faut arriver à faire le tri, de regarder un petit peu ce qui se fait, de voir la tendance qui s'en dégage. Il y a des concepts derrière qui, eux, sont beaucoup plus pérennes que les technologies qui sont devant.
6. Savoir coder from scratch reste une green card
Mae est interrogée sur la pertinence de se préparer aux entretiens avec des exercices d'algorithmie (type LeetCode) maintenant que des outils comme Claude Code existent.
Sa réponse est sans ambiguïté. La grande majorité des entreprises ne sont pas du tout d'accord pour que vous utilisiez l'IA pendant vos entretiens. Et ils vont accorder beaucoup de valeur à des gens qui sont capables de faire les choses complètement from scratch. C'est aussi un peu une marque d'honnêteté dans un monde dans lequel eux-mêmes sont quand même encore assez méfiants par rapport à ça.
Savoir coder sans aide, c'est aussi votre green card dans un contexte où les entreprises cherchent des gens qui comprennent les choix d'architecture et d'optimisation. Pas juste des gens qui savent prompter.
Elle replace ça dans une perspective historique : des cartes perforées à l'Assembler, du C à Python, de Python aux LLM. Ce sont juste des niveaux d'abstraction qui s'élèvent. Mais derrière reste la qualité principale de l'ingénieur : résoudre des problèmes et comprendre le monde qui l'entoure.
"Il faut surtout savoir coder. Il faut pas perdre cette capacité de savoir produire du code. Parce que maintenant, on travaille beaucoup avec de l'IA, ça va nous accélérer, mais il ne faut pas que ça nous retire les outils des mains."
7. Orchestrateur, pas obsolète
Sur la question de l'AGI et de la super-intelligence : pour moi, c'est un terme marketing, merci OpenAI d'avoir peddled ce truc encore et encore. Je pense sincèrement que c'est pas demain la veille.
Sur le rôle humain face aux agents : ce qui compte pour un humain maintenant, c'est surtout d'orchestrer, de savoir sur quoi lancer son outil ou son agent. Mais en soi, c'est quand même utile d'avoir la connaissance et de pouvoir dire, je vais pouvoir le faire beaucoup plus rapidement. Donc, il faut que j'aie cette vision hyper haut niveau de tout ce qu'il faut enchaîner derrière.
Elle rappelle aussi les limites réelles des agents au quotidien. Elle utilise un MCP connecté à la doc de son organisation pour mieux comprendre son contexte. Concrètement, les choses ne se passent pas exactement toujours comme prévu. On a toujours besoin d'aller débuguer le truc. Des fois, il ne comprend pas ce qu'il fait. Un exemple concret : une trace trop longue à interpréter qui fait tourner l'agent en boucle.
On a quand même encore toujours pas mal de limitations. Ce n'est pas complètement streamliné. On ne peut pas juste poser les mains et se dire, voilà, c'est terminé. On aura toujours besoin des humains.
Son conseil de fond : il faut garder un sens, un système de pensée critique affûté.
"C'est normal d'être un petit peu dépassé. On est dans un moment où les choses nous dépassent. C'est par défaut, c'est pas juste vous ou moi. On vit dans un monde qui est en train de se transformer très vite, à un moment vraiment charnière."