ML Engineer : fiche complète 2026
Le ml engineer français supervise en moyenne 3,2 pipelines de production par trimestre, avec un taux de dérive de modèle détecté de 14% selon l’APEC Baromètre Tech 2026. Ce métier hybride fusionne data science et génie logiciel. Il conçoit, déploie et maintient des systèmes d’apprentissage automatique en environnement de production. Contrairement au data scientist (phase exploratoire) ou au data engineer (gestion d’infrastructure), le ml engineer industrialise les modèles. La fiche ROME A1307 couvre l’ingénierie, les études et le développement IA. Le score CRISTAL-10 de 37 % indique une exposition modérée à l’automatisation, concentrée sur les tâches répétitives de tuning.
Périmètre du métier et différences vs métiers proches
Le ml engineer opère à l’intersection du développement logiciel et de la science des données. Ses missions incluent le déploiement de modèles en production (API, conteneurs), le monitoring de performance et la gestion de pipelines CI/CD spécifiques au ML. Le périmètre couvre aussi l’optimisation des hyperparamètres, le versioning des données et la gestion des artefacts.
Distinctions clés :
- Data Scientist : explore les données, conçoit des modèles en Jupyter Notebooks. Le ml engineer industrialise ces modèles.
- Data Engineer : construit et maintient l’infrastructure de données (data lakes, pipelines ETL). Le ml engineer utilise ces pipelines.
- AI Researcher : publie des algorithmes novateurs. Le ml engineer applique des méthodes éprouvées.
- Software Engineer : développe des applications généralistes. Le ml engineer intègre des composants ML spécifiques.
En 2026, l’APEC recense 3400 ml engineers en France. La croissance annuelle est de 22% depuis 2023. Le métier exige une double compétence : algorithmique avancée et génie logiciel.
Réglementation française et européenne 2026
Le ml engineer doit se conformer à un cadre réglementaire renforcé. L’AI Act européen (règlement UE 2024/1689) s’applique pleinement depuis août 2026. Les systèmes de ML sont classés en quatre catégories : risque minimal, limité, élevé et inacceptable. La CSRD phase 2 (Corporate Sustainability Reporting Directive) impose depuis janvier 2026 des rapports extra-financiers intégrant l’impact environnemental des modèles de ML (consommation GPU, CO2 émis).
Textes et dates clés :
- AI Act : application complète août 2026. Sanctions jusqu’à 35 millions d’euros ou 7% du CA mondial.
- CSRD phase 2 : janvier 2026 pour les entreprises de +250 salariés. Obligation de publier les émissions GES des datacenters et entraînements.
- RGPD : toujours applicable. Le ML engineer doit garantir l’explicabilité et le droit à l’oubli dans les modèles.
- IDCC 1486 : Convention collective nationale des bureaux d’études techniques, cabinets d’ingénieurs-conseils et sociétés de conseils (SYNTEC). Couvre la majorité des ml engineers. Niveau cadre position 2.1 à 3.3 selon l’expérience.
La CNIL publie en mai 2026 des recommandations spécifiques pour l’entraînement sur données personnelles. L’ANSSI impose des audits de sécurité pour les modèles utilisés dans les infrastructures critiques.
Spécialités et sous-métiers
Le métier de ml engineer se décline en spécialités techniques. Cinq branches principales se distinguent en 2026 :
- MLOps Engineer : gestion des pipelines de bout en bout, automatisation CI/CD pour ML. Compétences DevOps + MLflow, Kubeflow.
- NLP Engineer : spécialiste en traitement du langage naturel. Transformers, LLM fine-tuning. Forte demande dans la finance et l’assurance.
- Computer Vision Engineer : analyse d’images et vidéos. YOLOv10, DINOv2. Secteurs : industrie 4.0, santé, surveillance.
- AI Safety Engineer : alignement, robustesse, détection d’anomalies. Profil émergent depuis 2025. Collaboration avec l’ANSSI.
- Edge ML Engineer : déploiement sur appareils contraints (IoT, mobiles). Optimisation avec TensorFlow Lite, ONNX Runtime. Marché en croissance de 34% par an selon Numeum 2026.
Chaque spécialité exige des compétences additionnelles. Les offres d’emploi APEC montrent que 53% des recrutements ciblent des généralistes, 47% des spécialistes.
Stack technique et outils 2026
La stack du ml engineer en 2026 combine des outils matures et des innovations récentes. Le tableau suivant compare les frameworks dominants.
| Outil | Type | Cas d’usage principal | Adoption 2026 |
|---|---|---|---|
| PyTorch 3.2 | Framework deep learning | Recherche, NLP, CV | 68% des projets (Sia Partners 2025) |
| TensorFlow 2.18 | Framework ML | Production, mobile, TF Serving | 34% des projets |
| MLflow 2.12 | Plateforme MLOps | Tracking, registry, déploiement | 71% des équipes (Numeum 2026) |
| Kubeflow 2.0 | Kubernetes for ML | Orchestration de pipelines | 29% des entreprises >500 salariés |
| Apache Airflow 2.8 | Orchestrateur DAG | Pipelines de données et ML | 62% d’adoption |
Autres outils indispensables :
- DVC (Data Version Control) : versioning des datasets et modèles.
- Docker + Kubernetes : conteneurisation et scaling.
- Hugging Face Hub : dépôt de modèles pré-entraînés. 80% des ml engineers français l’utilisent selon BMO 2026.
- Weights & Biases : suivi d’expériences.
- ONNX Runtime : inférence cross-platform.
En 2026, 43% des entreprises adoptent des LLM open source (Llama 3, modèle LLM spécialisé) via des API privées. Le ml engineer doit maîtriser l’optimisation par LoRA, QLoRA et l’inférence avec vLLM.
Grille salariale détaillée 2026
Les salaires varient selon l’expérience, la localisation et le secteur. Données issues de l’APEC Baromètre 2026 et des enquêtes DataRockets 2025.
| Profil | Paris (médian) | Paris (90e percentile) | Régions (médian) | Régions (90e percentile) |
|---|---|---|---|---|
| Junior (0-2 ans) | 35 000 | 42 000 | 30 000 | 36 000 |
| Confirmé (3-5 ans) | 52 000 | 65 000 | 44 000 | 55 000 |
| Senior (6-9 ans) | 72 000 | 88 000 | 60 000 | 75 000 |
| Lead/Staff (10+ ans) | 95 000 | 130 000 | 78 000 | 105 000 |
Le salaire médian national est 35 000 €, tiré vers le bas par les profils juniors en régions. Paris concentre 68% des offres selon APEC. Les secteurs les mieux rémunérateurs sont la finance (Crédit Agricole CIB, Société Générale) et la tech (Google, Mistral AI). Les start-ups paient moins mais offrent des BSPCE.
Formations et diplômes reconnus
Le métier est accessible via plusieurs parcours. France Compétences recense 24 certifications RNCP de niveau 7 (Bac+5). Les écoles les plus citées dans les offres d’emploi APEC 2026 :
- Écoles d’ingénieurs : CentraleSupélec, Télécom Paris, Télécom SudParis, ENSTA Paris, INSA Lyon. Double diplôme data science.
- Universités : M2 Data Science de Paris-Saclay, M2 DAC de Sorbonne Université, M2 ML de l’ENS Ulm.
- Écoles spécialisées : ESILV, EFREI, EPITA (option IA).
- Formations continues : Datascientest (RNCP 7), OpenClassrooms (RNCP 6 et 7). 34% des ml engineers ont une formation continue en 2026 selon DARES.
Un diplôme d’ingénieur généraliste suivi d’une spécialisation en ML (master ou DU) constitue le profil type. 72% des recrutements exigent un Bac+5 minimum. L’APEC note que 18% des ml engineers ont un doctorat, surtout dans la recherche appliquée.
Reconversion vers ce métier
La reconversion vers ml engineer est dynamique. 22% des entrants en 2025 venaient d’autres métiers selon France Travail. Trois profils sources principaux :
- Data Analyst : 2-3 ans d’expérience. Montée en compétence en Python avancé, DevOps et MLOps. Programmes : DataScientest (6 mois), formation continue CNAM.
- Statisticien : maîtrise des maths appliquées. Complément en ingénierie logicielle (Docker, Git, CI/CD). Durée moyenne 12 mois.
- Développeur Backend (Java/C#) : virage vers Python et ML. Formation intensive de 6 à 9 mois avec projet fil rouge.
Le réseau Simplon propose depuis 2025 un parcours "MLOps engineer" labellisé par Numeum. 70% des diplômés trouvent un poste en moins de 3 mois. L’AFPA propose des POEC (préparation opérationnelle à l’emploi) de 400 heures financées par France Travail.
Exposition au risque IA
Le score CRISTAL-10 de 37 % indique une exposition modérée. Ce score signifie que 37% des tâches du ml engineer seraient automatisables avec les technologies d’IA actuelles (2026). Décomposition par dimensions :
- Recherche d’architecture (15%) : faible exposition. L’innovation algorithmique reste humaine.
- Feature engineering (45%) : moyen. Des outils AutoML comme DataRobot ou H2O automatisent partiellement.
- Entraînement et tuning (55%) : élevé. L’optimisation automatique (Optuna, Ray Tune) réduit l’intervention humaine.
- Déploiement et monitoring (25%) : faible. La gestion d’incidents exige humain.
- Gestion des pipelines (35%) : moyen. L’IA générative assiste mais ne remplace pas.
Selon Eloundou et al. (2024) dans "GPTs are GPTs", les tâches d’optimisation d’hyperparamètres sont exposées à 78% d’automatisation. Le rapport ILO 2025 "Generative AI and Jobs" classe le ml engineer dans la catégorie "faible risque net" avec un indice de remplacement de 0,23 sur 1. L’effet net sur l’emploi est positif : la demande augmente plus vite que l’automatisation ne détruit de postes.
Marché de l’emploi et géographie
Les données BMO France Travail 2026 confirment une tension forte. 2400 projets de recrutement de ml engineers sont déclarés pour 2026. Le taux de tension est de 3,4 (offres supérieures aux candidats).
| Région | % des offres | Tension |
|---|---|---|
| Île-de-France | 65% | 4,1 |
| Auvergne-Rhône-Alpes | 9% | 2,8 |
| Occitanie | 6% | 2,5 |
| Hauts-de-France | 4% | 2,1 |
| Nouvelle-Aquitaine | 3,5% | 2,0 |
| Autres régions | 12,5% | 1,8 |
Les entreprises recruteuses typiques incluent :
- GAFAM et pure players : Google France, Microsoft France, Mistral AI (Paris).
- Banques et assurances : BNP Paribas, AXA, Société Générale. Besoin en détection de fraude.
- ETI et start-ups : Criteo, Deezer, Contentsquare, Shift Technology. RH locales.
- ESN : Capgemini, Accenture, Sopra Steria. Recrutement en masse pour clients grands comptes.
Le télétravail partiel est standard : 87% des offres mentionnent du remote 2 à 3 jours semaine (APEC 2026).
Certifications et labels reconnus
Les certifications techniques permettent de se différencier. Cinq labels sont cités par Numeum et France Compétences :
- AWS Certified Machine Learning – Specialty : plus courante. Coût 300 €. Valide 3 ans. Exigée par 22% des offres.
- Google Professional Machine Learning Engineer : reconnue dans les entreprises GCP. Examen 200 $.
- Microsoft Certified : Azure Data Scientist Associate : bon complément pour les environnements Microsoft.
- Kubeflow : ML & Dataflow Certification : spécialisée MLOps. Émergente depuis 2024.
- Certification Data Science de l’ENSAE/ENSAI : label académique reconnu par les acteurs institutionnels.
Le label "Expert IA" de Numeum certifie les compétences métier pour les profils confirmés. 450 professionnels certifiés en France en 2026. L’ANSSI délivre depuis 2025 un label "AI Security" pour les compétences en sécurité des modèles.
Évolution de carrière et passerelles
La progression est rapide grâce à la pénurie de talents. Trois horizons : management, expertise, entrepreneuriat.
Trajectoire à 3 ans :
- Confirmé ML engineer en spécialité (NLP, CV, MLOps).
- Lead technique d’une squad IA (3-5 ml engineers).
- Passage en freelance : TJM 450-650 € pour un confirmé.
Trajectoire à 5 ans :
- Staff ML Engineer (IC4 chez Google, Senior chez Mistral).
- Head of ML dans une scale-up (50+ salariés).
- Chief Data Scientist dans une ETI.
Trajectoire à 10 ans :
- Director of AI / VP Engineering dans un groupe (1 000+ salariés).
- Co-fondateur d’une start-up IA (levée seed/série A).
- CTO d’une entreprise tech.
Passerelles possibles :
- Data Engineer (si appétence pour les pipelines).
- Product Manager IA (si orientation métier).
- Consultant senior en stratégie IA (cabinet BCG, McKinsey).
Perspectives du métier
L’edge AI, avec l’explosion des déploiements sur objets connectés, exige des ingénieurs capables d’optimiser la latence et la consommation des modèles. Le fine-tuning et le RAG deviennent des compétences de base avec la généralisation de l’IA générative en entreprise, tandis que la contrainte Green AI impose de mesurer et réduire l’empreinte carbone des entraînements. L’automatisation croissante des pipelines MLOps et la convergence des rôles data et ML font émerger un profil hybride de plus en plus recherché.