Tech · CV Machine Learning Engineer
Machine Learning Engineer.
Le ML engineer est le pont entre data science et production. Son CV se juge sur la capacité à mettre un modèle en prod (serving, monitoring, scale, drift) et à industrialiser le cycle (entraînement automatisé, CI/CD ML, versioning de modèles). Sans cette dimension prod, c'est un CV de data scientist.
Pourquoi ce CV se joue différemment
Beaucoup de data scientists se renomment MLE pour le marché, mais sans avoir mis en prod. Le lead ML détecte ça en 2 questions. Un vrai MLE parle de drift detection, de canary releases ML, de feature stores, de monitoring d'inference. Si ce vocabulaire te manque, repositionne en data scientist.
Compétences que les recruteurs cherchent
Hard skills
- · Frameworks ML (PyTorch, TensorFlow, scikit-learn, XGBoost)
- · Serving (TorchServe, TF Serving, BentoML, KServe, vLLM)
- · MLOps (MLflow, Kubeflow, Weights & Biases, ZenML)
- · Feature stores (Feast, Tecton)
- · CI/CD ML (DVC, CML, GitHub Actions)
- · Cloud ML (SageMaker, Vertex AI, Azure ML)
- · Containers + Kubernetes
- · Monitoring modèles (drift, performance, fairness)
- · Optimisation inference (quantization, ONNX, TensorRT)
- · Python avancé + SQL
Soft skills
- · Communication avec data scientists et ops
- · Documentation rigoureuse
- · Pragmatisme YAGNI
- · Curiosité scientifique
- · Calme en incident modèle
Outils
- · MLflow / Weights & Biases
- · Kubeflow / Vertex AI Pipelines
- · Docker / Kubernetes
- · Git / DVC
- · Datadog / Prometheus
Structure de CV à respecter
01
Titre + spécialité
« ML Engineer — NLP serving haute charge » ou « MLE — Computer Vision edge ». Précise le domaine, le lead ML filtre dessus.
02
Modèles déployés en production
Section visible : 2-4 modèles en prod avec contexte (entraînement, serving, charge, monitoring) et impact business chiffré.
03
Expériences avec maturité MLOps
Précise si l'équipe ML était greenfield (tu as monté la plateforme) ou mature (tu as opéré sur infra existante). Les deux sont valables.
04
Projets MLOps significatifs
Mise en place CI/CD ML, feature store, monitoring drift, retraining automatisé. Ces projets distinguent le mid du senior.
05
Formation + contributions
Master / PhD info ou stats + contributions (open source ML, papers, conférences). Pour la reconversion : projets perso complets + bootcamp + déploiements réels.
Bullets : avant / après
Modèle NLP en prod
Faible
J'ai mis en production un modèle NLP.
Fort
Déploie un classifieur multi-label de tickets support (Hugging Face DistilBERT fine-tuné + BentoML + GKE) — latence p99 92ms, 4M inferences/jour, drift monitoré quotidiennement, retraining automatique mensuel.
Plateforme MLOps
Faible
J'ai construit une plateforme MLOps.
Fort
Conçoit la plateforme MLOps greenfield (Vertex AI Pipelines + MLflow + Feast feature store) — 8 modèles déployés en 12 mois, time-to-production divisé par 4 (3 semaines → 5 jours), réutilisation features +200%.
Optimisation inference
Faible
J'ai optimisé les performances du modèle en inference.
Fort
Optimisation modèle vision (Detectron2 → ONNX + TensorRT, quantization int8) — latence p99 280ms → 48ms, coût GPU divisé par 3, qualité préservée (mAP -0.4 sur jeu test).
Erreurs qui coûtent l'entretien
DS qui se renomme MLE sans expérience prod
→ Si tu n'as pas mis de modèle en prod, tu es data scientist, pas MLE. Le lead ML détecte le bluff en 2 questions techniques.
Pas de mention monitoring / drift
→ Un MLE sans monitoring de modèles = MLE incomplet. Cite drift detection, alerting sur performance, retraining policy.
Lister 8 frameworks sans projet
→ PyTorch + TF + JAX + Hugging Face + scikit-learn + XGBoost = personne y croit. Garde 2-3 frameworks et défends-les sérieusement.
Pas de mention LLM / GenAI en 2026
→ Les recruteurs cherchent du LLM. Mentionne au moins une expérience RAG, fine-tuning, ou prompt engineering avec projet réel — pas du démo Streamlit.
Fourchettes salariales France
Junior
48–62 K€ brut (Paris) / 42–55 K€ (province)
Confirmé
62–90 K€ brut (3-5 ans, scale-up data-first)
Senior
90–130 K€ brut (senior, staff) — big tech 110-180 K€ + RSU
Scale-ups data-first (Doctolib, Mistral, Hugging Face France, Owkin) : 75-120 K€ mid + RSU. Banques quant : 70-110 K€. Big tech (Meta, Google, Amazon) : 110-180 K€ + stocks significatifs.
Mots-clés ATS à intégrer
Les ATS scannent ces termes. Si ton CV n'en contient aucun, il passe sous le radar — même si tu es qualifié.