Ingénieur de recherche : marché

Offre

une offre ouverte ayant passé le contrôle qualité et citant au moins deux technologies

Candidat observé

un candidat dont la stack contient cette technologie ; un agrégat — aucune fiche individuelle ne sort du périmètre

Candidat correspondant

pas encore compté

Fenêtre

offres ouvertes au moment de la création de l'instantané

Top 5 : python, pytorch, llm, cloud, fine-tuning. Python — monopole. PyTorch domine en 2026 dans la recherche (80 %+). TensorFlow — historique, a presque disparu de la nouvelle recherche 2026. Écriture de kernels CUDA — niveau avancé (pour la recherche limitée par le calcul ; Triton d'OpenAI comme alternative adaptée à Python). torch.compile + JIT — optimisation. Hugging Face Transformers + datasets + tokenizers — infrastructure de recherche NLP / LLM (standard de fait). PEFT + TRL + Accelerate (Hugging Face — fine-tuning + RLHF). Maîtrise de l'entraînement distribué : PyTorch DDP / FSDP + DeepSpeed + Megatron-LM + ColossalAI (pour l'entraînement de modèles à grande échelle). Suivi des expériences : Weights & Biases (le favori de la recherche — meilleure UX pour les expériences), MLflow, Neptune. Configuration : Hydra + OmegaConf — indispensables pour une gestion propre des expériences. PyTorch Lightning / Fabric — framework d'entraînement (réduit le code répétitif). Ray Train + Ray Tune — entraînement distribué + HPO bayésienne. Optuna — HPO bayésienne autonome. DVC — versionnage des données. Maîtrise de LaTeX — indispensable pour rédiger des articles (Overleaf pour la collaboration). arXiv + OpenReview + Papers with Code — flux de travail des publications. Mojo (nouveau — recherche critique en performance, en hausse). Lecture des spécifications matérielles : A100 / H100 / B100 — comprendre le budget de calcul. HF Hub + Kaggle + Papers with Code — jeux de données + benchmarks. En plus pour la recherche sur les LLM : vLLM + TGI + SGLang (serving pour l'évaluation), Inspect AI + lm-evaluation-harness (benchmarking des LLM), TransformerLens (interprétabilité mécaniste).

Research Engineer — orienté ingénierie. Implémente les architectures des articles, construit l'infrastructure de recherche, gère le calcul, aide les Research Scientists à accélérer les expériences. Souvent sans doctorat (ou master + solide ingénierie). Stack : PyTorch / JAX en profondeur + maîtrise de l'entraînement distribué + CUDA / Triton + infrastructure d'expériences. Peut cosigner des articles en tant que contributeur secondaire, parfois premier auteur sur des travaux à forte composante ingénierie. Salaire de 80-90 % de celui d'un Research Scientist au même niveau. Research Scientist — orienté science. Formule des questions de recherche nouvelles, conçoit les expériences, écrit des articles (premier auteur dans des conférences de rang A), conseille les Research Engineers. Doctorat généralement exigé (ou master + publications solides). Même stack + mathématiques / théorie plus poussées + maîtrise de la rédaction d'articles + rédaction de demandes de subventions (pour le monde académique). Parcours de carrière équivalent à l'académique (Postdoc → filière de maître de conférences). ML Research Engineer (intitulé alternatif) — rôle de recherche à forte composante ingénierie sans doctorat, mais qui exige des travaux nouveaux prouvés (p. ex. implémenter l'état de l'art + l'améliorer sur une métrique clé + publier un article en workshop). Choix de carrière : Research Engineer pour l'ingénierie en profondeur + l'intérêt pour la recherche sans filière doctorat, Research Scientist pour la filière doctorat + l'intérêt pour la contribution scientifique. Les laboratoires IA des Big Tech équilibrent généralement les équipes à 1:1 ou 2:3 Engineer:Scientist.

Cycle de référence de la recherche 2026 : 1) Phase de lecture — passer en revue 20-50 articles du domaine (arXiv / Papers with Code / Semantic Scholar / l'outil Connected Papers). Notion / Obsidian / Logseq pour des notes structurées. Reproduire 3-5 baselines SOTA (cloner les dépôts, lancer, valider les métriques — une vérification de réalité cruciale). 2) Génération d'idées — identifier une lacune / une limite / une combinaison inexplorée. En discuter avec le directeur de recherche / les co-chercheurs (réunions de recherche hebdomadaires, la norme). Première esquisse d'hypothèse. 3) Expériences pilotes (petite échelle, itérations rapides) — implémenter une version minimale sur un petit jeu de données / un petit modèle (par ex. GPT-2 small / ResNet-18 / DistilBERT). Suivi dans W&B. Décider si l'hypothèse est viable ou l'abandonner (taux d'abandon dans un laboratoire sain : ~70 % des pilotes abandonnés). 4) Phase de passage à l'échelle — si le pilote est prometteur, monter en échelle (calcul + jeu de données + taille du modèle). Maîtrise de l'entraînement distribué requise : DDP / FSDP / DeepSpeed / Megatron-LM. Suivi du budget de calcul (heures A100 / H100). 5) Phase d'ablation — expériences systématiques pour isoler quelle contribution compte (typiquement : 5-15 configurations d'ablation). 6) Comparaison aux baselines — comparaison équitable avec 3-5 baselines solides sur 3-5 jeux de données / benchmarks. Significativité statistique (3+ seeds, barres d'erreur). 7) Rédaction — premier jet (LaTeX via Overleaf), 8 pages pour NeurIPS / ICML / ICLR, 4-6 semaines pour un cycle de rédaction typique. Figures de qualité professionnelle (matplotlib / seaborn / plotly + étiquetage soigné des axes / légende / palette adaptée aux daltoniens). 8) Soumission — d'abord une prépublication arXiv (pour dater la contribution), soumission à la conférence via OpenReview. Échéances : NeurIPS en mai, ICML en janvier, ICLR en octobre. 9) Cycle de relecture — relecture de 3 mois, rebuttal (typiquement : 5-10 commentaires de relecteurs par article, rédaction des réponses), décision finale. Taux d'acceptation de 20-30 % dans les meilleures conférences. 10) Version finale + présentation (orale si dans les 1 % meilleurs acceptés, sinon poster). Publication du code sur GitHub + des poids du modèle sur Hugging Face Hub. 11) Transfert en production (recherche industrielle) — travailler avec l'équipe ML Engineer pour intégrer la recherche au produit. Souvent 3-6 mois d'écart entre la publication de l'article et le déploiement en production. 12) Travaux de suite — étendre, passer à l'échelle, appliquer à un nouveau domaine — typiquement 3-5 articles de suite à partir d'une direction initiale solide. Cycle de recherche sain : 1-2 articles/an par chercheur (profondeur en auteur principal), 3-5 articles/an (co-auteur en collaboration). Les meilleurs chercheurs des laboratoires de pointe : 5-10+ articles/an avec de nombreux co-auteurs du laboratoire.

Oui, 20 % des offres en recherche — entièrement à distance ou hybrides, mais moins que pour ML Engineer / DS en raison de la colocalisation du calcul (l'entraînement à grande échelle fonctionne mieux sur site, près du data center). Laboratoires d'IA de pointe — hybride standard, partiellement ouverts au télétravail pour des candidats exceptionnels, surtout pour l'interprétabilité / le travail théorique (moins dépendant du calcul). Laboratoires favorables à l'UE — ouverts au télétravail. Startups de recherche en IA de Y Combinator — variable. Côté russe (Yandex Research / Sber AI / AIRI) — hybride, partiellement à distance. Prestataires ayant une pratique de recherche (EPAM / Luxoft AI Research) — presque toujours à distance. Pôles d'expatriation pour la recherche : États-Unis (Bay Area / NYC — densité des grands laboratoires d'IA), Royaume-Uni, Canada (Toronto — Vector Institute / Mila), Allemagne (Tübingen — Max Planck / Berlin), Suisse (Zurich — ETH AI Center), Singapour (NUS / NTU AI Lab), Israël (Tel-Aviv). L'anglais pour la recherche internationale — indispensable (toute la littérature académique + la communauté + les conférences sont en anglais).

Recherche académique (PhD / Postdoc / Maître de conférences à l'université) : profondeur théorique + liberté de choisir sa direction + charge d'enseignement (à l'université, 30-50 % du temps consacré aux cours). Forte pression à la publication (h-index — principale métrique de carrière). Progression lente : PhD → Postdoc → Maître de conférences → Titularisation (10-15 ans). Atouts : liberté académique + son propre laboratoire + prestige intellectuel. Recherche industrielle : focus sur des travaux évolutifs et réalisables techniquement + potentiel de transfert vers le produit + budgets de calcul plus importants (entraînements à $1-100 M+ pour les modèles de fondation — inaccessibles au monde académique). Salaire 3-10× celui du tier-1 académique. Progression : Junior Researcher → Senior → Staff / Principal — 5-10 ans. Atouts : accès massif au calcul + équipe d'ingénierie solide + passage plus rapide de la publication à la production. Voie hybride — beaucoup de chercheurs de premier plan partagent leur temps : 60 % industrie + 40 % affiliation académique. Règle de choix : l'académique si vous aimez enseigner et privilégiez la liberté intellectuelle, l'industrie si vous privilégiez l'échelle + le calcul + un salaire 5-10× supérieur. Les chercheurs passent souvent de l'académique à l'industrie en milieu de carrière (calcul + salaire), rarement l'inverse.

Feuille de route : 1) Solides bases mathématiques — algèbre linéaire + analyse + théorie des probabilités + théorie de l'information + optimisation au niveau « comprendre les démonstrations ». Livres : Strang « Introduction to Linear Algebra », Boyd « Convex Optimization » (PDF gratuit), Cover & Thomas « Elements of Information Theory ». 2) Théorie du deep learning — au-delà d'Andrew Ng. Cours : Stanford CS231n (vision), CS224n (NLP), CS285 (Deep RL — Sergey Levine). Livres : Goodfellow « Deep Learning » (PDF gratuit), Murphy « Probabilistic Machine Learning » (2 volumes, gratuits). 3) Maîtrise approfondie de PyTorch : Modules / Optimizers / Autograd / hooks personnalisés, entraînement distribué (DDP / FSDP), torch.compile, profilage. 4) JAX en bonus (préféré par les labs Google — prime pour une compétence rare) : Flax / Haiku + maîtrise de vmap / pmap / grad. 5) Lecture des articles SOTA — 20-50 articles dans le domaine choisi (par ex. alignement des LLM, génération vidéo ou interprétabilité mécaniste). Utiliser Connected Papers + Semantic Scholar pour s'orienter. Reproduire 3-5 baselines SOTA — une compétence cruciale de confrontation au réel. 6) Maîtrise de LaTeX — Overleaf, patterns de rédaction d'articles, qualité des figures. La lecture s'entraîne en lisant 100+ articles ; l'écriture — en co-rédigeant avec un chercheur expérimenté. 7) Un article de workshop comme premier objectif — soumettre aux workshops de NeurIPS / ICML / ICLR (acceptation 40-60 % vs 20-30 % pour la conférence principale). Obtenir une première publication. 8) Accès au calcul — Kaggle (T4 / P100 gratuits + compétitions), Google Colab Pro+, Lambda Labs, vast.ai (GPU cloud bon marché), Hugging Face Spaces (GPU gratuit pour l'inférence). Pour entraîner de grands modèles — il faut l'accès d'un laboratoire / d'une entreprise. 9) Mentorat — trouver un directeur / mentor (programme doctoral ou laboratoire de recherche industriel). Prise de contact : écrire à froid aux chercheurs dont vous avez reproduit + amélioré les articles. 10) Plan à long terme : parcours doctoral (3-6 ans de recherche à temps plein) OU ML Engineer Senior → reconversion en Research Engineer (filière orientée ingénierie, sans doctorat). Formations en Russie : MIPT DLSchool (gratuit sur YouTube), Karpov.Courses Research Track, School21 (Sber) AI Research. International : fast.ai Practical Deep Learning Part 2 (avancé), Hugging Face NLP Course, Stanford CS25 Transformers, DeepLearning.AI Generative AI with LLMs. Livres à lire absolument : « Deep Learning » de Goodfellow, « Pattern Recognition and Machine Learning » de Bishop, « The Elements of Statistical Learning » de Hastie. Communautés : arXiv-sanity-lite, Papers with Code, Twitter ML (suivre les meilleurs chercheurs), Hugging Face Discord, EleutherAI Discord, Alignment Forum. ML Engineer Senior → Research Engineer Junior — 12-24 mois (il faut un premier article de workshop).

1042 active open Research vacancies — a premium niche. Geography: the US, the UK, France. Sources: hh.ru (Yandex Research / Sber AI / AIRI tickets), LinkedIn, Telegram, specialized boards: aijobs.net (research section), ai-jobs.net, OpenReview (jobs board), Papers with Code jobs, JobRxiv (academic), academic jobs online. Academic: Mathematical Job Wiki, CS Rankings, university careers pages. Twitter — many research roles posted there first. The real market is wider due to the international remote segment (frontier-AI labs hiring Russian-speaking Senior researchers with published papers). Senior Research closing time — 8-16 weeks (longest among ML niches due to rare-skill requirements).

Le chercheur Senior est responsable de tout le cycle de la recherche de pointe + du leadership scientifique. Mathématiques approfondies : algèbre linéaire + calcul matriciel + théorie des probabilités + théorie de l'information + théorie de l'optimisation — au niveau « lire n'importe quel article arXiv sans buter sur les blocs mathématiques ». Maîtrise approfondie de PyTorch : Modules personnalisés / hooks Autograd / distribué (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), entraînement en précision mixte, gradient checkpointing, optimisation ZeRO. JAX en bonus : Flax / Haiku + vmap / pmap pour des architectures exotiques (souvent nécessaires en recherche). Écriture de kernels CUDA / Triton : niveau avancé — pour la recherche limitée par le calcul. Expérience de l'entraînement à grande échelle : avoir piloté de vrais entraînements de 7B-70B+ paramètres (pas sur des jeux de données jouets — à l'échelle réelle de production). Maîtrise de la rédaction d'articles : articles en premier auteur dans des conférences de rang A (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP), historique de citations. Vitesse de lecture : 5-15 articles par semaine de façon soutenue, extraction de l'essentiel en 30-60 minutes par article, reproduction approfondie de 1-2 articles par mois. Maîtrise de l'infrastructure d'expériences : W&B / MLflow / Hydra / OmegaConf pour une gestion propre, reproductibilité (chaque résultat relié à un SHA git + une configuration). Spécifique aux LLM (2026) : fine-tuning via LoRA / QLoRA + RLHF (bibliothèque TRL) + DPO + patterns Constitutional AI + architecture RAG en profondeur + méthodologie d'évaluation (RAGAS / DeepEval / lm-evaluation-harness / Inspect AI) + bases de l'interprétabilité mécaniste (TransformerLens). Maîtrise du budget de calcul : analyse des coûts des entraînements (heures A100 / H100), recherche efficace d'hyperparamètres (bayésienne via Optuna, pas par grille). Rédaction scientifique : rédaction technique claire, qualité des figures, analyse statistique (significativité + plusieurs seeds + barres d'erreur). Soft skills : encadrement de chercheurs juniors + collaboration avec l'équipe d'ingénierie + interventions techniques en conférence + rédaction de demandes de subvention (pour le monde académique) + relecture d'articles (relecteur NeurIPS / ICML / ICLR, typiquement). Anglais pour Senior+ ABSOLUMENT INDISPENSABLE — la communauté de la recherche est entièrement anglophone (articles / conférences / interventions). Bonus facultatif : contributions open source à Hugging Face / EleutherAI / PyTorch — augmentent fortement la valeur sur le marché auprès des recruteurs en recherche.