Le cours d'Andrew Ng est terminé : où aller pour ne pas rester éternel junior

Vous avez bouclé la dernière semaine du cours d'Andrew Ng sur Coursera, décroché le précieux certificat numérique et vous vous sentez désormais maître des poids et des biais. C'est agréable, mais soyons honnêtes : dans le monde réel, connaître la formule de la régression logistique vaut tout au plus un hochement de tête poli. Andrew vous a offert des fondations magnifiques, mais l'industrie veut un gratte-ciel, si possible un qui ne s'effondre pas sous la charge dès le premier jour. Le problème, c'est que la plupart des débutants s'arrêtent ici, piégés dans l'« enfer des tutoriels », où un cours théorique succède à un autre sans que l'on arrive jamais au vrai code en production.

Pourquoi est-ce crucial maintenant ? Le marché est saturé de gens qui connaissent la théorie mais se figent devant un dataset « sale » du monde réel, avec 40 % de valeurs manquantes et sans étiquetage cohérent. Il suffisait autrefois d'importer la bibliothèque Scikit-learn et d'exécuter quelques lignes de code pour passer pour un spécialiste.

Aujourd'hui, à l'ère de la domination des grands modèles de langage et d'architectures extrêmement complexes, la barre a été placée très haut. Si vous ne comprenez pas comment fonctionne, sous le capot, le mécanisme d'attention des transformers, ou pourquoi votre modèle se met à « halluciner » au moindre changement des données d'entrée, vous risquez d'être laissé de côté par une industrie qui évolue toutes les deux semaines.

Commençons par admettre que l'ingénierie ML moderne, c'est à 80 % du travail sur les données et l'infrastructure, et seulement à 20 % le choix de l'architecture du modèle. Après le cours de base, l'étape logique est la Deep Learning Specialization, du même Ng. C'est le socle nécessaire pour qui veut comprendre comment sont construits les réseaux de neurones modernes.

Mais ne vous arrêtez surtout pas là. La vraie magie commence là où s'achèvent les exemples pédagogiques propres. Il faut absolument maîtriser les MLOps, la discipline qui consiste à faire tourner un modèle dans le cloud, à le mettre à jour sans intervention humaine et à ne pas engloutir tout le budget serveurs de l'entreprise.

Sans comprendre Docker, Kubernetes et les systèmes de versionnage des données, vous n'êtes qu'un mathématicien dans le vide, dont le travail n'atteindra jamais l'utilisateur final.

Vient ensuite l'étape de la spécialisation. Vouloir tout embrasser en 2024 n'est pas seulement difficile, c'est absurde. Soit vous vous orientez vers les LLM et maîtrisez le RAG (Retrieval-Augmented Generation), le fine-tuning et les méthodes de quantification, soit vous plongez dans la vision par ordinateur pour la robotique ou les technologies médicales.

Les entreprises ne cherchent plus de « simples spécialistes ML » ; elles veulent des gens qui comprennent les spécificités d'un domaine précis et savent adapter des algorithmes généraux à des problèmes métier. N'oubliez pas non plus les classiques : l'algèbre linéaire et les statistiques ne sont pas que de pénibles cours magistraux, mais les outils qui vous aideront à comprendre pourquoi le gradient de votre réseau a « explosé » à la dixième époque d'entraînement et comment y remédier sans tester tous les paramètres au hasard.

Que signifie tout cela pour votre carrière à long terme ? Il faut passer de la consommation passive de contenu à la création active. La meilleure façon de prouver aujourd'hui votre aptitude professionnelle n'est pas une collection de certificats, mais un projet vivant sur GitHub qui résout un vrai problème, même modeste.

Écrivez votre propre parseur, constituez un dataset unique, entraînez un modèle et, surtout, créez-lui une interface ou une API fonctionnelle. Quand vous constaterez que votre modèle parfaitement entraîné pèse cinq gigaoctets et refuse catégoriquement de tourner sur un serveur standard, c'est là que votre véritable apprentissage commencera. L'industrie a besoin de ceux qui savent aller au bout des choses, pas de ceux qui ont simplement écouté des cours.

L'essentiel : le certificat n'est qu'un billet pour la file d'attente des entretiens, pas une garantie d'offre. Arrêtez de collectionner les cours et commencez à construire quelque chose que vous pouvez lancer et casser.