AWS ML Engineer Associate (MLA-C01) : ce qu'il faut attendre de la nouvelle certification

Le MLA-C01 est devenu généralement disponible (GA) en août 2024 et est discrètement devenu la certification AWS ML la plus pertinente. Il a remplacé l'ancienne Machine Learning Specialty (MLS-C01), qui a été retirée en 2024 — bien que le MLS-C01 apparaisse encore dans des guides d'étude obsolètes parce qu'Internet ne se met pas à jour au rythme d'AWS. Si vous êtes venu ici pour savoir si vous deviez étudier le MLS-C01 ou le MLA-C01, la réponse est MLA-C01. L'ancienne certification est obsolète.

Ce qui est intéressant, c'est le changement de portée. Le MLS-C01 était fortement axé sur le côté science des données — choix d'algorithmes, réglage des hyperparamètres, la logique mathématique de l'utilisation de XGBoost par rapport à un réseau neuronal. Le MLA-C01 prend une direction totalement différente. C'est un examen d'ingénierie. Déploiement SageMaker, pipelines MLOps, surveillance de la dérive, débogage d'endpoints. Si vous vouliez une certification qui teste votre capacité à entraîner un modèle, ce n'est pas celle-ci. Si vous vouliez une certification qui teste votre capacité à livrer et à opérer un modèle, le MLA-C01 est exactement cela.

Format

65 questions, 170 minutes, 150 $, score de réussite ajusté de 720/1000. Quatre domaines :

• Préparation des données pour le ML (28 %)
• Développement de modèles ML (26 %)
• Déploiement et orchestration des workflows ML (22 %)
• Surveillance, maintenance et sécurité des solutions ML (24 %)

Cette répartition est trompeuse à première vue. Le « Développement de modèles ML » donne l'impression qu'il s'agit d'entraîner des modèles, mais dans le MLA-C01, il s'agit en fait de choisir des algorithmes SageMaker intégrés et de configurer des tâches d'entraînement. Il ne vous est pas demandé de concevoir un transformateur à partir de zéro.

À qui s'adresse cette certification

Honnêtement, trois groupes :

Ingénieurs de données qui ont été entraînés dans le ML. Vous avez construit les pipelines. Maintenant, votre équipe a besoin d'endpoints SageMaker derrière une API Gateway et c'est vous qui les connectez. Le MLA-C01 correspond parfaitement à ce travail.

Ingénieurs backend déployant des fonctionnalités ML. Vous n'entraînez pas de modèles. Un scientifique des données vous remet un artefact de modèle et vous devez le déployer, le surveiller, le réentraîner et le restaurer s'il dérive. C'est la certification pour cela.

Ingénieurs cloud se tournant vers les plateformes ML. Vous êtes déjà à l'aise avec IAM, les VPC, le cycle de vie S3, CloudWatch. Maintenant, vous devez apprendre les différentes configurations de SageMaker. Le MLA-C01 est un moyen ciblé de le faire.

Ce n'n'est pas la certification pour les scientifiques des données qui font de la R&D de modèles. Ils veulent une certification différente — peut-être rien de spécifique à AWS, peut-être le GCP Professional ML Engineer s'ils veulent un signal cloud quelconque. La certification pure ML d'AWS a disparu ; AIF-C01 (AI Practitioner) est fondamentale et plus légère ; AIP-C01 (GenAI Developer Pro) est la nouvelle certification ML lourde au niveau Professionnel.

Ce qui est réellement couvert

SageMaker, de bout en bout. SageMaker Studio, tâches d'entraînement (algorithmes intégrés, conteneurs personnalisés, mode Script), tâches de traitement, transformation par lots, registre de modèles, endpoints (en temps réel, serverless, asynchrones, multi-modèles), tests fantômes, variantes de modèles A/B, autoscaling. Également SageMaker Canvas, SageMaker JumpStart pour les modèles de fondation, SageMaker Pipelines pour l'orchestration.

Vous n'avez pas besoin de connaître chaque algorithme intégré par cœur. Vous devez savoir à peu près quand utiliser le linear learner vs XGBoost vs DeepAR vs Object2Vec, et comment configurer les tâches d'entraînement pour utiliser Spot, l'entraînement distribué et les managed warm pools.

Préparation des données sur AWS. AWS Glue, Glue DataBrew, EMR, Kinesis Data Streams / Firehose / Analytics, Athena, SageMaker Data Wrangler, SageMaker Feature Store. Une grande partie de l'ingénierie des données se retrouve dans cet examen. Si vous avez passé le DEA-C01, environ 25 % du MLA-C01 vous semblera familier.

Modèles MLOps. SageMaker Pipelines, AWS Step Functions, EventBridge pour les déclencheurs, intégration CodePipeline, déploiement de modèles blue/green, déploiements canary, approbations du registre de modèles, CI/CD pour le ML. Pas aussi approfondi que le DOP-C02 sur le pur CI/CD, mais une couverture solide.

Surveillance et dérive. SageMaker Model Monitor (qualité des données, qualité du modèle, dérive de biais, dérive d'attribution des fonctionnalités), SageMaker Clarify pour le biais et l'explicabilité, Model Dashboard. Métriques CloudWatch pour les endpoints. C'est l'un des sujets sous-estimés — la plupart des candidats le survolent car la surveillance semble ennuyeuse, puis 12 questions de l'examen réel portent dessus.

Sécurité. IAM pour SageMaker, chiffrement KMS pour les données d'entraînement et les artefacts de modèle, mode VPC pour SageMaker, isolation réseau, SageMaker Role Manager, PrivateLink pour les endpoints, journalisation d'audit.

Ce qui n'est pas fortement testé (bonne nouvelle)

• Théorie ML pure. Vous n'avez pas besoin de calcul. Vous n'avez pas besoin de dériver la rétropropagation. Il ne vous est pas demandé quel optimiseur est le meilleur.
• Conception d'architecture de deep learning. Aucune question sur le choix du nombre de têtes de transformateur.
• Tests d'hypothèses statistiques. L'ancien MLS-C01 l'avait ; le MLA-C01 en a abandonné la majeure partie.
• Spécificités de l'IA générative. C'est l'AIF-C01 (fondamentale) et l'AIP-C01 (Pro). Le MLA-C01 mentionne JumpStart et Bedrock mais au niveau de l'intégration, pas en profondeur.

Comment étudier

Les ressources sont encore en cours de maturation — la certification n'a que ~20 mois. En avril 2026 :

• AWS Skill Builder propose le parcours d'apprentissage officiel du MLA-C01. Il est bon et gratuit avec un compte.
• Stephane Maarek propose un cours MLA-C01 sur Udemy qui est bien rythmé.
• Adrian Cantrill n'avait pas encore publié de cours complet MLA-C01 fin 2025 — vérifiez s'il en existe un maintenant. Si c'est le cas, ce sera l'option la plus approfondie.
• Tutorials Dojo propose des examens pratiques et des explications. La qualité est solide.
• Les examens pratiques officiels AWS sur Skill Builder. Les plus proches de la réalité.

La pratique est plus importante que pour le SAA-C03. Créez un domaine SageMaker Studio, entraînez un algorithme intégré sur un jeu de données Kaggle, déployez-le sur un endpoint en temps réel, interrogez-le avec curl, puis déployez le même modèle sur un endpoint serverless et observez le démarrage à froid (cold start). Configurez Model Monitor sur l'endpoint et déclenchez une alerte de dérive. Tout cet exercice coûte entre 5 $ et 15 $ en factures AWS et vous enseigne 30 % de l'examen.

Budget temps :

• Ingénieur de données ou backend avec exposition au ML : 6 à 8 semaines à 10 heures/semaine.
• Ingénieur cloud sans expérience ML : 12 semaines. Construisez quelque chose de réel.
• Scientifique des données apprenant le côté AWS : 6 à 10 semaines, principalement sur les sujets de déploiement et d'opérations.

Signal de carrière : encore émergent

C'est là que je vais être honnête sur l'incertitude : le MLA-C01 est trop récent pour des données salariales claires. levels.fyi et Glassdoor ne le regroupent pas encore comme une qualification distincte — la plupart des rôles d'« ingénieur ML » en 2026 listent encore le MLS-C01 (qui n'existe plus) ou ne listent aucune certification AWS. Les offres d'emploi qui mentionnent le MLA-C01 sont concentrées dans les entreprises de taille moyenne à grande avec des équipes de plateforme ML formelles.

Ce que je peux dire d'après des données informelles et des conversations : les ingénieurs ML seniors dans les grandes métropoles américaines perçoivent un salaire de base de 180 000 $ à 280 000 $ en 2026, avec une rémunération totale (Total Compensation) dépassant les 400 000 $ dans les entreprises de type FAANG. Le MLA-C01 ne fait pas beaucoup bouger ce chiffre à lui seul — c'est l'expérience qui le fait. La certification vaut probablement entre 5 000 $ et 15 000 $, de la même manière que le SAA-C03 l'est pour les rôles d'Architecte de Solutions : un signal pour les recruteurs indiquant que vous avez atteint un certain niveau de connaissances.

Ce que le MLA-C01 signale clairement : que vous pouvez prendre un modèle d'un notebook et le mener à un endpoint de production sans causer de problèmes. Ce qui, si vous êtes un responsable du recrutement pour une équipe de plateforme ML, est exactement ce que vous voulez savoir.

Comparaison : MLA-C01 vs alternatives

• AIF-C01 est fondamental. Passez-le si vous voulez un signal IA générique pour des rôles non techniques. Il ne remplace pas le MLA-C01.
• AIP-C01 est la certification Développeur GenAI de niveau Pro. Elle est plus axée sur l'intégration de l'IA générative (Bedrock, ingénierie des invites, modèles RAG). Passez-le si votre travail consiste à livrer des fonctionnalités LLM. Combinez-le après le MLA-C01 si vous souhaitez à la fois un signal ML et GenAI.
• DEA-C01 (Data Engineer Associate) chevauche environ 25 % le MLA-C01 sur la partie préparation des données. Si vous passez les deux, passez le DEA-C01 en premier.
• GCP Professional ML Engineer (PMLE) est l'équivalent le plus proche sur Google Cloud. Plus axé sur Vertex AI et les spécificités des TPU. Non interchangeable mais de forme similaire.

En résumé

Le MLA-C01 est un examen d'Associate ciblé, assez difficile, qui correspond étroitement à un véritable poste — ingénieur de plateforme ML / ingénieur MLOps. Si vous faites ce travail, passez-le. Si vous essayez de vous lancer dans le ML à partir d'un background backend et que vous voulez une certification qui signale votre compétence aux recruteurs, c'est celle-ci. Les données salariales sont encore émergentes, mais la trajectoire est clairement ascendante — les postes d'ingénieur ML recrutent rapidement en 2026.

Si vous étudiez, parcourez la banque de questions MLA-C01 sur CertLabPro ou commencez un examen chronométré. Et mettez en place un endpoint SageMaker cette semaine. Le travail pratique est ce qui rend l'examen évident.