Je suis ravi de vous présenter la Carte des compétences en ingénierie IA. L'IA nous permet aujourd'hui de développer des logiciels d'une manière très différente de 2022, et toutes les personnes possédant les compétences nécessaires pour tirer parti de ce changement bénéficient de nombreuses opportunités passionnantes, tant en termes de projets que d'emplois. Mais dans un environnement informationnel bruyant et saturé de battage médiatique autour de l'IA, quelles sont les compétences les plus précieuses à acquérir ? J'ai travaillé avec mon équipe pour synthétiser une carte des compétences en ingénierie IA afin d'aider (i) les développeurs à prioriser leurs apprentissages, et (ii) les employeurs à recruter des développeurs qualifiés.
Sur la base d'une analyse de plus de 10 000 offres d'emploi, de dizaines d'entretiens structurés menés avec des experts en IA, des responsables de recrutement et des chasseurs de têtes, de données collectées par sondages et de la synthèse d'autres données en ligne, voici les quatre compétences les plus importantes en ingénierie IA :
- Concevoir et déployer des applications d'IA
- Les fondamentaux du génie logiciel
- Utiliser les agents de codage
- Façonner le développement
Vous pouvez considérer notre processus comme l'équivalent d'un clustering appliqué à un ensemble massif de données composé d'offres d'emploi et d'entretiens avec des experts, afin d'identifier les compétences les plus importantes, non seulement aujourd'hui mais aussi dans un avenir proche.
Une note sur la terminologie : je parle de compétences en ingénierie IA plutôt que du rôle « d'ingénieur IA » (une personne dont le métier est de créer des systèmes d'IA), car le premier concept est beaucoup plus large. Tous les développeurs d'aujourd'hui devraient savoir travailler avec le cloud, et seule une minorité porte le titre « d'ingénieur cloud ». De même, tous les développeurs — ingénieurs full-stack, ingénieurs données, ingénieurs DevOps, ingénieurs en apprentissage automatique et, oui, ingénieurs IA — auront besoin de compétences en ingénierie IA.
Concevoir et déployer des applications d'IA. La différence fondamentale entre les applications d'IA et les autres réside dans le caractère imprévisible de leurs résultats. Lorsque vous faites une requête à un LLM, vous ne savez pas ce que vous allez recevoir. Lorsque vous entraînez un algorithme d'apprentissage profond, vous ne savez pas quelle prédiction il fera sur de nouveaux exemples. En revanche, les logiciels traditionnels se comportent de manière plus prévisible.
Les personnes capables de concevoir et de déployer des applications d'IA maîtrisent les briques fondamentales de l'IA (telles que les LLM, l'ingénierie de contexte, le RAG, les workflows agentiques, l'apprentissage automatique et l'apprentissage profond) et, surtout, savent utiliser des techniques statistiques pour mesurer, orienter et encadrer les systèmes d'IA afin qu'ils se comportent de manière plus prévisible. Une compétence essentielle à cet égard consiste à savoir mener des évaluations rigoureuses et des boucles d'analyse d'erreurs.
Les fondamentaux du génie logiciel. Lorsque vous comprenez en profondeur le fonctionnement des logiciels, vous pouvez créer bien plus efficacement. L'ingénierie logicielle exige de faire des compromis entre coût, évolutivité, fiabilité, rapidité, etc. La sécurité et la confidentialité ajoutent encore à la complexité.
Comprendre les fondamentaux du logiciel vous permet de reconnaître quels compromis existent réellement. Cela conduit à de meilleures décisions dans le choix de votre stack logiciel, la conception de l'architecture système, la conception de votre stockage de données, les tests, etc. Cela mène également à des résultats bien supérieurs à ceux d'un développeur inexpérimenté qui code à l'instinct une solution sans connaître les compromis que son agent de codage est en train de faire — compromis qui seront souvent médiocres, car il ne sait pas quel contexte donner à son agent. Comprendre les fondamentaux du génie logiciel vous permet de faire de bons compromis en guidant les agents de codage avec le langage précis du génie logiciel.
Utiliser les agents de codage. Savoir utiliser efficacement le codage agentique est désormais une compétence clé pour chaque développeur. Lorsque vous possédez cette compétence, vous avez un bon modèle mental du fonctionnement des agents. Vous comprenez leurs limites et savez comment les contourner, et vous êtes capable de les orienter rapidement — en sachant à quel point intervenir et quand les laisser travailler seuls — pour créer des logiciels robustes sans perdre un temps ou des tokens excessifs.
Cela suppose de savoir gérer le contexte d'un agent de codage, de faire des compromis entre planification et exécution, et d'aider l'agent à boucler les boucles de manière autonome en lui fournissant des vérificateurs ou des évaluations. Vous devez également savoir travailler avec un cahier des charges clair (et savoir quand il n'est pas nécessaire d'en établir un), orchestrer plusieurs agents qui collaborent, et éviter des pièges comme celui de voir un agent endommager votre base de production. Parce que le codage agentique évolue rapidement, utiliser les agents de codage avec habileté signifie non seulement connaître les pratiques de pointe, mais aussi avoir des routines pour tester de nouveaux outils et faire évoluer vos flux de travail à mesure que les bonnes pratiques changent.
Façonner le développement. Avec un cahier des charges clair, les agents de codage s'améliorent rapidement dans leur capacité à le respecter. Ainsi, notre travail d'ingénieurs se déplace vers la décision de ce qui doit figurer dans le cahier des charges. Les ingénieurs ne doivent plus s'attendre à recevoir un design parfait au pixel près et à n'avoir qu'à l'implémenter. Au contraire, une ingénierie IA efficace exige d'avoir le sens du produit et de comprendre le contexte commercial et les objectifs des clients, afin de pouvoir participer à la définition et à la conduite du développement.
L'IA vous donne également l'opportunité de prendre davantage d'initiative et de responsabilité qu'auparavant. Vous pouvez identifier des problèmes et des opportunités intéressants, et agir pour en tirer parti de manière responsable. Saisir cette opportunité exige de savoir faire avancer les projets. Par exemple, savoir quand créer rapidement un MVP à présenter aux utilisateurs pour le tester, et quand ralentir et prendre plus de temps pour construire avec plus de soin.
Sous-tendant toutes ces compétences, il y a un état d'esprit d'apprentissage continu. L'IA continue d'évoluer rapidement, et nous devons tous continuer à apprendre et à faire évoluer nos compétences pour adopter les bonnes pratiques émergentes.
DeepLearning.AI a pour mission principale d'aider les développeurs à acquérir ces compétences en ingénierie IA. J'ai davantage à dire sur chacune de ces quatre compétences, et je développerai chacune d'elles dans de prochains articles, en partageant une Carte des compétences en ingénierie IA plus détaillée. Lorsque je regarde où se dirige l'ingénierie IA, je suis incroyablement enthousiaste à l'idée de ce que nous pourrons tous construire. J'espère que vous jouerez un rôle passionnant dans cet avenir.
