ÉPISODE 52 – Machine Learning Engineer, Cécile Fang

Épisode 52 : Cécile Fang, Machine Learning Engineer chez Critéo. 

Dans cet épisode, nous avons le plaisir de recevoir Cécile, diplomée d’une école d’ingénieur et qui est aujourd’hui Machine Learning Engineer chez Critéo. Cécile nous raconte aujourd’hui son parcours, comment elle en est arrivée jusqu’ici, et quel sont les points forts de son travail.

Merci à Cécile, pour sa participation et nous espérons que l’écoute vous plaira ! Si vous aimez l’épisode, mettez-nous 5 petites ⭐️⭐️⭐️⭐️⭐️ pour nous encourager.

Vous travaillez dans le digital et vous souhaitez faire connaître votre métier, partagez votre expérience ? 

N’hésitez pas à nous contacter pour nous proposer votre profil pour une prochaine interview en nous contactant via l’adresse legagnepain @gmail.com

La retranscription de l’épisode 52 :

Bertrand
Bonjour Cécile.

Cécile
Bonjour Bertrand.

Bertrand
Merci beaucoup, Cécile, d’avoir accepté l’invitation du Gagne-Pain. On va parler de ton métier de Machine Learning Engineer, que l’on pourrait traduire par ingénieur en apprentissage automatique. C’est un métier qui nous intrigue beaucoup, mais avant ça, est ce que tu peux te présenter en quelques mots ?

Cécile
Oui, bien sûr. Je m’appelle Cécile, j’ai 28 ans. J’ai grandi à Dijon, en Bourgogne, où j’ai fait mon collège, mon lycée avec mon Bac S et ma prépa Mat. Ensuite, je suis allée dans une école d’ingénieurs basée à Rennes et pour finir, suite à mon diplôme, j’ai trouvé du travail à Paris.

Bertrand
Excellent. Est ce que tu peux nous décrire ton parcours professionnel, ce que tu as fait professionnellement avant d’arriver chez Criteo ?

Cécile
Comme je le disais, j’ai fait une école d’ingénieurs à Rennes qui s’appelle l’ENSAI qui est une école d’ingénieurs spécialisée en statistiques et l’analyse de l’information. Suite à ça, j’ai évidemment fait un stage de fin d’année en data dans une société de conseil qui avait un pôle data. Là bas, j’ai fait six mois chez AccorHotels où j’ai étudié un peu le comportement des utilisateurs sur leur page web. J’ai aussi profité de ce moment pour faire quelques automatisations de report. À la fin de ce stage, j’ai été embauchée dans une start up qui s’appelle Storytel, une start up française dont le but était de mettre en avant des marques sur des sites de e-commerce. Les marques, par exemple, c’est Adidas et les e-commerce, c’est La Redoute. Six mois après, mon arrivée chez Storytel, la société a été rachetée par Criteo, la société où je travaille actuellement.

Bertrand
Ok, donc tu travailles chez Criteo. Est ce que tu peux nous décrire cette entreprise ?

Cécile
Oui, Criteo, c’est une société française à rayonnement international qui est spécialisée également dans le secteur de la publicité numérique. En gros, pour essayer de faire simple, on voit surtout deux acteurs. Il y a d’abord les marques qui sont accompagnées des fois avec leurs spécialistes marketing, qui veulent promouvoir un produit. Et il y a ensuite les propriétaires de médias qui peuvent les aider à promouvoir ces produits. Critio va les aider à cibler la bonne audience et à avoir une meilleure expérience publicitaire personnalisée. Tout ça en utilisant la donnée et l’utilisation de L’intelligence artificielle.

Bertrand
Ok, Cécile. Est ce que tu peux nous expliquer ton métier de Machine Learning Engineer ?

Cécile
Oui, bien sûr. Machine Learning Engineer, il y a deux parties. Il y a ce qu’on appelle le ML, donc le Machine Learning, et il y a la partie Engineer. Pour la partie Machine Learning, c’est vraiment à partir de données, on détecte des patterns et ainsi, quand on redonne d’autres données, on peut retrouver ces patterns. Par exemple, si on donne à la machine plusieurs images de chien et qu’il est capable de détecter le chien, la prochaine fois qu’on donne une nouvelle image de chien, la machine est capable de détecter le chien.

Bertrand
Elle apprend.

Cécile
Elle apprend, exactement. Ensuite, la partie « engineer », c’est vraiment, on a ce modèle de Machine Learning et il faut être capable de l’intégrer dans un système existant, ce qu’on appelle la production.

Bertrand
Est ce que tu peux nous expliquer les missions d’une Machine Learning Engineer ?

Cécile
Mes missions à Criteo, j’en vois surtout trois. La première, c’est de filtrer des produits qu’on reçoit. La deuxième, c’est de fournir aux équipes produits des outils qui leur permettent de comprendre. Et la dernière, c’est la maintenance de ces modèles et de ces applications.

Bertrand
Si on reprend la première mission, filtrer, qu’est ce que ça veut dire filtrer chez Criteo ?

Cécile
Oui, on a une data qui est spécifique pour mon équipe, c’est le catalogue des clients. Le catalogue, c’est vraiment la description du produit, son titre, son prix et surtout son image. Nous, nous sommes spécialisés dans l’image et on utilise un modèle de Machine Learning pour analyser l’image afin de savoir si c’est un produit qui peut être affiché ou non.

Bertrand
Le Machine Learning va t’aider à choisir si la publicité est correcte et si on va pouvoir l’afficher. C’est bien ça ?

Cécile
Oui, c’est exactement ça.

Bertrand
Ta deuxième mission consiste à fournir des outils aux équipes produits. Qu’est ce que ça veut dire concrètement ?

Cécile
Oui, quand notre modèle de Machine Learning donne une décision, il faut aussi savoir qu’il y a une certaine marge d’erreur. On va être totalement transparents avec les équipes produits, donc on leur fournit également une application où ils peuvent regarder les décisions qu’ils ont du modèle et aussi changer ses décisions manuellement s’ils décident qu’il y a quelque chose d’incorrect.

Bertrand
Si on reprend l’exemple du chien, si le Machine Learning ne trouve pas un chien mais trouve un chat, on va indiquer aux équipes produits« Attention, c’est un chat, ce n’est pas un chien ».

Cécile
Oui, c’est ça.

Bertrand
Cécile, tu as parlé d’une troisième mission, une mission de maintenance évolutive du système. Qu’est ce que ça veut dire et comment ça marche ?

Cécile
Oui, en production, rien n’est fixe. Toujours, il y a de nouveaux produits, de nouvelles applications et cette maintenance est très importante. Dès que l’on modifie cette production. C’est une mission qui nécessite particulièrement de l’attention dès qu’il y a un changement en production.

Bertrand
D’accord, ça me semble très clair. En préparant cet entretien, tu as dit que tu étais dans l’équipe CAML Ad Safety. Qu’est ce que ça veut dire ? C’est l’endroit précis où tu travailles chez Criteo ?

Cécile
C’est le nom de mon équipe. CAML, ça veut dire Catalogue and Applied Machine Learning. C’est vraiment comme je l’ai expliqué tout à l’heure, à partir des produits du catalogue, on utilise le Machine Learning. Ensuite, avec le Ad Safety, on veut filtrer des produits que l’on ne veut pas afficher, on appelle ça Ad Safety.

Bertrand
On vérifie que les publicités sont correctes, qu’elles respectent bien les règles, quel que soit le pays dans lesquels cette publicité est affichée ?

Cécile
Oui, exactement.

Bertrand
Ok, c’est hyper clair. Est ce que tu peux également nous expliquer pourquoi tu as choisi ce métier de Machine Learning Engineer ?

Cécile
Parce que c’est vraiment un métier fascinant. Le Machine Learning, c’est vraiment quelque chose de magique. Par exemple, vous savez, jouer aux échecs, c’est assez compliqué et pourtant, Machine Learning arrive à battre le meilleur joueur d’échec du monde. C’est vraiment quelque chose de fascinant et en même temps, une intelligence artificielle a aussi du mal à faire quelque chose que n’importe quel humain arriverait naturellement, comme par exemple d’écrire une image avec beaucoup de détails. C’est vraiment un métier où il y a des challenges partout et c’est un peu de la magie et des mathématiques.

Bertrand
Est ce que tu peux également nous dire quelles sont les trois principales compétences pour exercer ce métier de Machine Learning Engineer ?

Cécile
Oui. La première, pour moi, c’est être curieux. Un modèle de Machine Learning, ça ne s’invente pas n’importe comment. C’est vraiment basé sur de la donnée et cette donnée, il faut la comprendre. Et pour la comprendre, il faut l’analyser, se poser des questions, d’où ce terme de curieux.

Bertrand
Il faut être chercheur ?

Cécile
Oui, il faut vraiment fouiller ces données, savoir si c’est la bonne donnée qu’on va utiliser pour faire apprendre le modèle de Machine Learning.

Bertrand
Pour la deuxième compétence, tu as dit qu’il fallait savoir vulgariser son travail ?

Cécile
Oui, je pense vraiment qu’il faut vulgariser dans le sens où ce qu’on fait, ce n’est pas juste par plaisir pour jouer, mais c’est vraiment parce qu’il y a une problématique business derrière. Une demande produit et ce qui intéresse le produit, ce n’est pas de savoir quelle contrainte mathématique on a mis derrière, mais vraiment quel est le résultat et comment est ce que ça fonctionne.

Bertrand
Excellent. Et la troisième compétence, tu as dit qu’il fallait avoir des notions de maths et d’informatique. Ça paraît assez évident, mais c’est quand même bien de le rappeler ?

Cécile
Oui, pour faire des mathématiques, il faut avoir un peu de notion de maths et il y a cette partie ingénieur où c’est quand même au delà des mathématiques, c’est bien sûr l’informatique.

Bertrand
Alors, attention QGP, la question ne Gagne-Pain. Combien ça gagne, une Machine Learning Engineer ?

Cécile
À la sortie de l’école, pour un junior, la fourchette est entre 45k et 50k€ bruts annuels. Pour un senior ML Engineer, ça serait plus entre 70 et 80k€.

Bertrand
Est ce qu’il y a des primes dans ce métier ?

Cécile
Pour ce métier, ça dépend vraiment des sociétés. À Criteo, on a un bonus qui est calculé en fonction des performances de Criteo, donc des objectifs atteints et un croisement avec nos performances individuelles.

Bertrand
Cécile, est ce que tu peux nous dire quel a été le plus grand défi que tu as eu à relever en arrivant dans ce métier ?

Cécile
Oui, mon plus grand défi, je m’en souviens, c’était le passage entre l’école et la vie professionnelle, où il y a vraiment ce décalage entre cet environnement créé par l’école avec des données de milliers de lignes et cet environnement professionnel où tout d’un coup, on parle de big data et on a des milliards de lignes à traiter. Aussi, cet environnement complexe qui est déjà en place et qui est fonctionnel. Et pour finir, c’est aussi ces contraintes business qu’on n’avait pas du tout à l’école qui entrent en jeu aussi quand on veut faire un modèle de Machine Learning.

Bertrand
C’est très bien d’expliquer ça à ceux qui nous écoutent. Il y a une grosse différence, effectivement, entre le milieu professionnel et les écoles et il faut s’y préparer. Est ce que tu peux également nous dire quelle est la tâche quotidienne qui te plaît le plus et celle qui te plaît le moins ?

Cécile
Ce qui me plaît le plus avant de construire un modèle de Machine Learning, c’est d’explorer la data, de la comprendre. De voir ce qui existe déjà et ce qu’on peut faire et qu’est ce qu’il y a dedans. Ce que j’aime le moins, c’est malheureusement, qu’il peut y avoir des bugs de temps en temps en production. Et investiguer et réparer ça au plus vite, c’est quelque chose de primordial, mais un peu moins ce que je préfère faire.

Bertrand
Pourrais tu nous indiquer quelle a été la plus grande surprise que tu as eue en rejoignant ce métier ?

Cécile
Oui, la plus grande surprise, c’est un peu l’univers de la data de Machine Learning Engineer. On a plusieurs métiers qui se ressemblent beaucoup et qui, pour beaucoup de gens, signifie sûrement la même chose comme data scientist, data analyst, ingénieur en intelligence artificielle, statisticien.

Bertrand
C’est exactement ce que l’on fait dans ce podcast. Expliquer la différence entre des métiers qui sont effectivement parfois assez proches.

Cécile
Oui, ils sont très proches, mais ils ont tous un axe un peu plus particulier par rapport aux autres métiers. Ce qui fait que ce n’est pas très compliqué de changer d’un métier à un autre, mais il y a quand même cette compétence que chaque métier a et qu’il peut mettre en avant.

Bertrand
Vous pouvez, par exemple, retrouver dans l’épisode 1 le métier de Data analyste avec Margaux, Et dans l’épisode 14, celui de Data Scientist avec Lorelie . Est ce qu’il y a une journée type dans ton métier de ML Engineer ?

Cécile
Oui et non. Oui, dans le sens où on suit un process de stand up tous les jours, où on raconte un peu ce qu’on a fait à l’équipe, où, fréquemment, on a des réunions avec les équipes produit. C’est un peu les processus standards qu’on a. Sinon non, dans le sens où comme on marche par projet, chaque projet est différent, donc la manière de la traiter est différente. Donc la journée n’est jamais vraiment type.

Bertrand
La communauté du gaine pain nous interroge régulièrement sur l’utilisation de l’anglais. Est ce qu’il est particulièrement utile et important d’être bon en anglais pour faire ce métier ?

Cécile
Pas particulièrement besoin d’être très, très bon en anglais, mais l’anglais est vraiment primordial chez nous. Déjà, chez Criteo, c’est la langue officielle. Et ensuite, même pour le métier de ML engineer déjà, le titre, comme vous pouvez l’entendre, est en anglais…

Bertrand
Si on voulait le traduire, on dirait quoi ?

Cécile
En français, je l’ai appris récemment, c’est « ingénieur en apprentissage automatique ». Donc l’anglais aussi, même les supports sur ce métier, le jargon est en anglais. Donc oui, en anglais professionnel, c’est le minimum pour ce métier.

Bertrand
Pour ceux qui nous écoutent, est ce que tu peux nous indiquer quelles sont les bonnes formations pour ce métier ?

Cécile
Il n’y a pas vraiment de formation vraiment spécifique, je dirais, mais le plus simple, le plus classique, ça serait de passer par une école d’ingénieurs spécialisée en data. Ou d’aller à l’université en Data. Mais vous pouvez aussi trouver plusieurs formations sur Internet comme Coursera ou LinkedIn Learning, et aussi énormément de documentation sur les cours, sur YouTube, beaucoup de choses pour vous apprendre à devenir un ML engineer.

Bertrand
Est ce que tu vois autour de toi des gens qui font ce métier et qui n’ont pas suivi ce parcours ? Des gens qui se sont formés par eux mêmes, ça arrive ?

Cécile
Je connais des gens qui sont en reconversion et qui ont fait une petite année d’études sur ce métier là. Je connais aussi des gens qui ont proposé leurs propres solutions à Machine Learning en étant autodidacte. Donc oui, j’en connais. C’est tout à fait possible.

Bertrand
Et toi, tu continues à te former régulièrement ?

Cécile
Alors oui et non. Oui, dans le sens où c’est un métier qui évolue beaucoup, avec de nouvelles technologies, de nouvelles idées. Donc je suis obligée de me mettre au courant de ce qui se passe. Aussi, le partage de connaissances est très mis en avant chez Criteo. On partage un peu nos découvertes, nos produits aux différentes équipes de Machine Learning. Non, dans le sens où je ne fais pas de formation académique, mais à Criteo, il y a énormément de diversité sur l’apprentissage. On a accès aux plateformes comme Coursera, O’Reilly LinkedIn Learning. On a nos propres cours internes et si on parle aussi de formation plus soft skills, c’est à dire autre chose que technique, on a aussi accès à beaucoup de formations comme le développement personnel, comment devenir un manager et la communication.

Bertrand
D’accord, on mettra les liens des plateformes de eLearning que tu as citées dans les commentaires du podcast pour que chacun puisse les retrouver facilement. Est ce qu’il existe des certifications professionnelles pour faire ce métier ?

Cécile
Non, pas vraiment. Comme il n’y a pas de parcours type, il n’y a aussi pas vraiment de certification obligatoire. Mais par contre, il y en a beaucoup. Comme je disais, c’est un cours sur Coursera, il y aura une certification Coursera. Et c’est toujours bien de les mettre en avant sur le CV, mais ce n’est pas quelque chose d’obligatoire.

Bertrand
Est ce qu’on peut parler du mode de vie dans ton métier ou plutôt du mode de vie chez Criteo ? Puisque tu as une entreprise qui est basée à Paris, principalement pour la France et toi, tu travailles à Dijon. Ça veut dire que tu fais 100% de télétravail ?

Cécile
Oui, c’est un métier qui est très flexible et qui permet aussi le 100% télétravail. Après, ça dépend beaucoup des entreprises, mais avec Criteo, on a cette possibilité d’être 100% télétravail. Ce n’est pas forcément juste ML Engineer, c’est spécifique à Criteo. C’est vraiment tout le monde, mais ça m’a permis d’aller à Dijon et de travailler de là bas. Surtout pour les horaires, c’est surtout entre 9h30 et 18h30, mais ça peut changer d’un jour à un autre. On fonctionne surtout par objectifs et deadline, donc on est maître de notre temps.

Bertrand
Quand tu dis 100% en télétravail, ça veut quand même dire que parfois, tu viens dans les bureaux de Paris ?

Cécile
Oui, c’est quand même bien de rencontrer ses collègues et de boire un café avec eux et de retrouver ce contact avec eux. Ce que je fais, moi, c’est que je retombe sur Paris une fois par mois.

Bertrand
D’accord. Ce que je comprends, c’est qu’on peut avoir un mode de vie assez flexible pour ce métier et particulièrement flexible chez Criteo.

Cécile
Oui, particulièrement chez Criteo.

Bertrand
Cécile, est ce qu’il y a une différence entre le métier que tu fais et celui que tu imaginais ?

Cécile
Oui, bien sûr, quand j’ai commencé le métier, quand on pense à Machine Learning, on pense à intelligence artificielle, avec toutes les séries, les livres actuellement avec la science fiction. On imagine quelque chose de très à la pointe et au final, ce n’est pas exactement ça, même si c’est quand même quelque chose d’assez incroyable.

Bertrand
Est ce que tu pourrais conseiller à nos auditeurs des films, des séries, des podcasts qui seraient en relation avec ton métier ?

Cécile
Oui, il y en a un que j’apprécie particulièrement, c’est le film The Imitation Game, qui parle d’Alan Turing qui est l’un des précepteurs de l’intelligence artificielle, qui a commencé à utiliser le premier modèle de Machine Learning.

Bertrand
Cécile, est ce que tu peux nous parler d’une anecdote qui te serait arrivée dans ton travail ?

Cécile
Oui, à Criteo, on a chaque année un événement de hackathon où on essaye de proposer un nouveau projet, évidemment qui a un lien avec Criteo. J’en ai profité pour rejoindre une équipe composée de développeurs, de ML engineers et de Data Analysts pour un nouveau projet concernant la construction de bannières. Ce projet a beaucoup plu au jury. Et grâce à ça, nous avons pu gagner quelques lots et quelques temps en plus pour développer un peu plus notre idée. En lots, j’ai gagné deux séances de massage plus une séance de wakeboard en Croatie, parce qu’on avait aussi un événement Criteo là bas.

Bertrand
Cécile, si tu en avais la possibilité, que changerais tu dans ton parcours ?

Cécile
J’ai un parcours très orienté Data et ML engineer. J’espère que vous l’avez compris, il y a aussi cette partie Engineer qui est beaucoup plus dev, de dev pur. Si je parlais à ma moi, plus jeune : essaye de former un peu plus sur cette partie là.

Bertrand
Quelles sont les meilleures ressources disponibles que tu souhaites partager avec ceux qui nous écoutent pour en savoir plus sur le métier de Machine Learning Engineer ?

Cécile
Il y en a une infinité à vrai dire. Déjà, sur Internet, il y a beaucoup de forums et il y a aussi beaucoup de vidéos, surtout sur YouTube, sur le Machine Learning. On a aussi des plateformes de cours comme Coursera ou LinkedIn Learning. Et pour finir, si on parle en termes de livres, je conseille aussi les livres O’Reilly. C’est une maison d’édition qui est spécialisée dans le développement et propose beaucoup de livres sur la Data science et le Machine Learning.

Bertrand
Ok, j’ajouterai les liens dans les commentaires du podcast. Est ce que tu pourrais nous dire quelles sont les compétences les plus utiles pour ce métier ?

Cécile
Oui, il y a évidemment les mathématiques et l’informatique. Et ensuite, il y a cette communication où il faut savoir aussi documenter ce qu’on fait. Documenter pour les prochains développeurs et documenter pour les équipes produits, pour qu’elles comprennent ce qui se passe.

Bertrand
Ça veut dire aller jusqu’à expliquer son code ?

Cécile
Alors, le commentaire dans le code, c’est une bonne pratique. Je dirais, que ce soit ML Engineer ou developpeur, juste pour faciliter la lecture du code.

Bertrand
En conclusion, Cécile, qu’est ce que tu souhaiterais ajouter pour ceux qui nous écoutent et qui sont intéressés par ce métier de Machine Learning Engineer ?

Cécile
Je dirais, si vous êtes vraiment motivée, n’hésitez pas à vous lancer. Le métier de ML Engineer est vraiment passionnant et ça recrute.

Bertrand
Est ce que tu peux nous parler de la façon dont tu as évolué et comment tu souhaites évoluer pour la suite ?

Cécile
Oui, donc à Storytel, j’étais Data scientist. Puis en arrivant chez Criteo, j’étais plutôt une Data Analyst junior. J’ai évolué ensuite vers un poste un peu plus confirmé en tant que Data Analyst Engineer et maintenant je suis ML engineer senior. Pour la suite, il y a trois voies possibles. Être beaucoup plus spécialisée dans son domaine en tant que contributeur individuel, ou devenir un responsable technique. Et il y a aussi la troisième voie, c’est d’être manager. Pour ma part, je serais plus orientée pour être manager.

Bertrand
C’est tout ce qu’on peut te souhaiter. Merci beaucoup, Cécile. À bientôt, j’espère.

Cécile
Oui, à très bientôt.

L’épisode 52 du Gagne-Pain, métier « Machine Learning Engineer », est également disponible sur :