Translate

Affichage des articles dont le libellé est Skill. Afficher tous les articles
Affichage des articles dont le libellé est Skill. Afficher tous les articles

jeudi 17 septembre 2026

Mieux surveiller et paramétrer les modèles d’intelligence artificielle.

Trois niveaux d’ingénierie pour trois niveaux de complexité

Pendant des années nous avons appris à mieux communiquer avec les modèles d’intelligence artificielle. Nous avons peaufiné nos formulations, structuré nos requêtes, ajouté des exemples, précisé le rôle attendu, défini le format de sortie et répété, parfois jusqu’à l’excès, qu’il ne fallait surtout pas inventer de réponse.  


Nous avions appelé ceci le Prompt Engineering.  

Le Prompt Engineering, le Context Engineering et le Harness Engineering ne sont pas trois modes, loin s'en faut.

Je vois émerger ici non pas un simple spécialiste du prompt, mais un architecte des systèmes cognitifs augmentés. En effet, lorsque l'on passe du Prompt Engineering au Context Engineering puis au Harness Engineering, on ne travaille plus seulement sur les instructions données à l'IA, mais sur l'ensemble de l'orchestration entre l'humain, les données, les outils, les agents et les processus.

Les trois niveaux

NiveauObjetFinalité
Prompt EngineeringLa conversationProduire une réponse pertinente
Context EngineeringLa mémoire et le contexteProduire une réponse cohérente et fiable
Harness EngineeringL'orchestration des agents, outils et workflowsProduire une action ou un résultat métier complet

On passe donc :

de l'écriture d'instructions → à l'ingénierie du contexte → à l'ingénierie du système cognitif complet.


Quel nom pour ce métier ?

Option 1 : AI Systems Engineer

Le plus international et probablement le plus durable.

Ingénieur des systèmes d'IA générative

Responsable de la conception, de l'orchestration et de l'optimisation d'écosystèmes d'agents IA, de contextes métier et de chaînes d'exécution.


Option 2 : Cognitive Systems Architect

Plus senior et stratégique.

Architecte de systèmes cognitifs

Conçoit les architectures associant IA, données, outils, mémoire, agents et supervision humaine.

C'est probablement le titre le plus approprié lorsque le Harness Engineering devient prépondérant.


Option 3 : AI Orchestration Engineer

Très aligné avec les architectures agentiques.

Ingénieur en orchestration d'IA

Spécialiste de :

  • workflows multi-agents ;
  • RAG ;
  • gestion du contexte ;
  • appels outils ;
  • gouvernance ;
  • observabilité ;
  • optimisation des coûts.

Je pense que ce titre va fortement se répandre dans les 3 à 5 prochaines années.


Option 4 : Agentic Systems Engineer

Très moderne et cohérent avec les tendances actuelles.

Ingénieur des systèmes agentiques

Responsable de la conception de systèmes autonomes basés sur des agents IA collaboratifs.


Comment qualifier ce nouveau métier ?

Je proposerais la définition suivante :

L'Ingénieur des Systèmes Cognitifs est responsable de la conception, de la mise en œuvre et de l'optimisation de solutions d'intelligence artificielle générative combinant prompts, contexte, mémoire, connaissances métier, outils et agents afin d'automatiser des processus complexes et d'augmenter la performance humaine.


Exemple de fiche de poste

Intitulé

Architecte / Ingénieur des Systèmes Cognitifs IA

Mission

Concevoir, déployer et optimiser des systèmes d'intelligence artificielle générative permettant d'automatiser ou d'augmenter les processus métier à travers l'orchestration de modèles, d'agents, de données et d'outils.


Responsabilités

1. Prompt Engineering

  • Concevoir les instructions système et utilisateur.
  • Définir les stratégies conversationnelles.
  • Évaluer la qualité des réponses.

2. Context Engineering

  • Concevoir les architectures RAG.
  • Structurer les connaissances métier.
  • Gérer les mémoires court et long terme.
  • Définir les mécanismes de récupération du contexte.

3. Harness Engineering

  • Orchestrer les agents IA.
  • Intégrer les outils et APIs.
  • Définir les workflows d'exécution.
  • Superviser la gouvernance et l'observabilité.

4. Industrialisation

  • Mesurer les performances.
  • Optimiser les coûts d'inférence.
  • Assurer la sécurité et la conformité.
  • Mettre en place les tests automatisés.

Compétences requises

Techniques

  • LLMs et IA générative
  • Prompt Engineering
  • RAG et bases vectorielles
  • Multi-agents
  • Python
  • APIs REST
  • LangGraph, Semantic Kernel, CrewAI ou équivalents
  • Azure AI Foundry, OpenAI, Anthropic ou équivalents
  • Évaluation et observabilité IA

Métier

  • Modélisation des processus
  • Analyse métier
  • Gouvernance des données
  • Conduite du changement
  • Design de services

Indicateurs de succès

  • Taux d'automatisation obtenu
  • Réduction du temps de traitement
  • Qualité des réponses
  • Satisfaction utilisateur
  • Coût opérationnel par workflow
  • Fiabilité des agents

Niveau d'expérience

Senior à Expert

Ce métier se situe à la convergence de :

  • l'architecte logiciel ;
  • l'ingénieur IA ;
  • l'architecte de données ;
  • le consultant en transformation digitale.

Si je devais choisir un intitulé susceptible de devenir un standard de marché d'ici quelques années, je miserais sur :

Architecte des Systèmes Cognitifs IA (vision stratégique)
ou
AI Orchestration Engineer (vision opérationnelle).

Le Prompt Engineer était le métier de la première vague. Le Context Engineer est celui de la deuxième. Le professionnel capable de maîtriser les trois couches sera probablement reconnu comme Architecte des Systèmes Cognitifs.


dimanche 9 avril 2023

Hierarchy of skill categories - AI SKILL

Hierarchy of skill categories AI.


These visualisations leverage data from LinkedIn and Adzuna to show trends in the demand and supply of AI talent across countries and sectors over time. These data provide valuable insights into the countries and industries at the forefront of AI adoption and the skills in the highest demand. Data covers AI talent migration trends, which can inform industrial, labour market and education policies.

Explanation: This tree diagram outlines the approach taken to extract AI and machine learning skills from millions of job ads in different languages. Clicking on the circles will display the top skills that make up an IT skills category or AI subcategory.

NOTE: It is important to highlight that data sources and methodologies may differ from those used in OECD research, and therefore results may vary. As such, this section includes full and transparent methodological information. Because methods for measuring AI are still evolving, there remain definitional and other issues that can influence empirical results. Efforts to develop clear definitions, taxonomies and classifications are underway, as are efforts to compile accurate and comparable indicators. Given the current evolving situation, showing trends in a timely manner based on transparent methodologies by partner institutions can be of value to policy makers.


OECD.AI visualisations using data from these data sources were developed by the AI Lab at the Slovenian Jožef Stefan Institute (JSI). Data sources and methodologies on OECD.AI may differ from those previously used for OECD research, and therefore results may vary. Because methods for measuring AI are still evolving, there remain definitional and other issues that can influence empirical results. Efforts to develop clear definitions, taxonomies and classifications are underway, as are efforts to compile accurate and comparable indicators.

Given the current evolving situation, showing trends in a timely manner based on transparent methodologies by partner institutions can be of value to policy makers.  

The “Trends & data” section of OECD.AI aims to help policy makers develop, implement and improve policies for AI. To do so, OECD.AI showcases AI-related data and metrics over time from as many high quality sources and vantage points as possible to allow countries and stakeholders to compare policy responses, engage in international co-operation, monitor progress and develop best practices.

The below notes aim to provide a full and transparent account of the sources and methodology used to construct the “Live data” visualisations on OECD.AI: