Ma route pour devenir architecte IA

Après de nombreuses années dans le logiciel, je suis passé des apps de bureau au web, au mobile, au cloud et maintenant à l'IA. Ce qui me frappe le plus, c'est que l'IA n'est pas seulement un nouvel ensemble d'outils pour développeurs : elle change la façon dont des systèmes logiciels entiers sont conçus.

Je pensais auparavant à la conception de bases de données, aux frontières d'API et au déploiement. Il y a maintenant aussi le LLM (Large Language Model, qui comprend et génère du texte), le RAG (Retrieval-Augmented Generation, où le modèle consulte des données avant de répondre), l'Agent (un programme qui appelle des outils de lui-même pour terminer une tâche), la Vector Database (qui stocke des vecteurs sémantiques pour la recherche par similarité) et le MLOps (Machine Learning Operations, couvrant le déploiement, le monitoring et les mises à jour de modèles) — plus le coût des modèles, la sécurité et les permissions sur les données.

J'ai donc fixé une nouvelle direction : devenir un AI Solution Architect. Six certifications, environ 12–15 mois, en commençant volontairement par le facile et en allant vers le développement d'applications, l'ingénierie ML et l'architecture cloud.

1. AI-901 : poser les fondations. Quand on utilise déjà des LLM et des API au quotidien, il est facile de croire qu'on comprend tout, mais avoir utilisé quelque chose et le comprendre systématiquement sont différents. Le premier est volontairement facile : il réorganise des connaissances IA dispersées.

2. AIF-C01 : voir la même chose sur un second cloud. AWS utilise des noms de produits et des mécanismes différents pour les mêmes idées sous-jacentes. Si vous ne connaissez qu'un fournisseur, votre première réaction à un problème est « quel produit utiliser ? » ; un architecte doit d'abord demander quelle architecture le problème exige réellement.

3. Microsoft AI Apps & Agents Developer : commencer à construire de vrais systèmes. Appeler une API LLM est facile ; intégrer l'IA dans un système ne l'est pas. Comment atteint-elle les données de l'entreprise, comment appelle-t-elle les API existantes, que peut décider un agent seul, que faut-il confirmer par un humain, comment gérer les permissions, et que se passe-t-il quand la réponse est fausse ?

4. AWS Machine Learning Engineer : ajouter l'ingénierie ML et le MLOps. Les entreprises ont encore beaucoup de besoins en machine learning classique, et en production la question n'est rarement que la précision du modèle — c'est le déploiement, les pipelines de données, les mises à jour de version, le monitoring et le coût.

5. Google Professional ML Engineer : séparer les produits de l'architecture. Après trois clouds, l'enjeu n'est pas de connaître trois consoles mais de voir que trois services aux noms différents résolvent la même classe de problèmes. Les ingénieurs demandent comment ; les architectes demandent aussi pourquoi, quelles sont les alternatives, et ce qu'elles coûtent.

6. AWS Solutions Architect – Professional : revenir à l'architecture elle-même. Le dernier n'est volontairement pas un examen d'IA, parce qu'un architecte IA est d'abord un architecte. Adopter l'IA ne supprime pas les préoccupations de base de données, réseau, sécurité, IAM (Identity and Access Management), scalabilité, reprise après sinistre ou coût — elle les rend plus difficiles.

Ce n'était pas prévu. En étudiant pour AIF-C01, j'ai parcouru beaucoup de matériel et de banques de questions, et il manquait toujours quelque chose. Je ne voulais pas seulement enchaîner les questions : quand j'avais faux, je voulais savoir pourquoi, et certaines bonnes réponses n'étaient que des coups de chance.

L'autre problème était le temps. Les heures devant un bureau sont limitées, mais la marche, les trajets et les courtes pauses s'additionnent. Comme j'écris du logiciel pour vivre, j'ai construit la version que je voulais utiliser.

La première version commence par AIF-C01, rythmée sur 14 jours pour que vous sachiez quoi étudier aujourd'hui au lieu d'ouvrir une banque de centaines de questions. L'apprentissage audio est intégré, pour réviser en marchant ou en trajet. Elle est disponible en English, 日本語, 한국어, Chinese, Español et Português (Brasil).

Je passe des examens parce qu'ils définissent un périmètre d'étude et donnent à chaque étape une cible claire. Mais six certificats ne font pas d'une personne un architecte IA — si dans un an je n'ai que six badges sur LinkedIn et n'ai jamais construit de système IA, l'année n'aura pas fait ce que je voulais.

J'ai donc fixé une règle de plus : chaque étape doit laisser derrière quelque chose que je peux réellement montrer. Une app, un agent, un système RAG, un pipeline ML, ou une conception d'architecture complète. Les certifications me disent quoi apprendre ; construire me dit si j'en suis capable.

Je ne veux pas devenir quelqu'un qui ne fait que rechercher des modèles. Ce qui m'intéresse, c'est connecter l'IA aux logiciels existants, faire coopérer les agents avec les systèmes actuels, gérer les données, déployer et scaler, contrôler le coût, garder la sécurité — et enfin assembler quelque chose que les gens peuvent réellement utiliser et qu'une entreprise est prête à faire tourner en production.

Douze à quinze mois, six certifications, en construisant et en apprenant en chemin — et en écrivant tout cela.