Senior Deep Learning Expert
Pubblicato il 19-10-2026 - UBT in Assisi
UBT è un’azienda biomedica all'avanguardia, già attiva nello sviluppo e nella commercializzazione di dispositivi innovativi per l’imaging medico basati sulla tecnologia a microonde, nata nel 2015 come spin off accademico del Dipartimento di Fisica e Geologia dell’Università degli Studi di Perugia.
Possiede le competenze, l'esperienza e la determinazione necessarie per avere successo in questo ruolo? Lo scopra qui sotto.
UBT è oggi alla ricerca di un Senior Deep Learning Expert che, a diretto riporto dell’ IT, Cloud Computing & AI Manager, definisca, sviluppi e validi modelli avanzati per l’analisi dei segnali e delle immagini, per evolvere continuamente le performance di Mammowave, il primo test senologico al mondo basato su imaging a microonde.
La figura avrà un ruolo centrale nello sviluppo di architetture deep learning robuste e generalizzabili, capaci di integrare dati clinici, segnali elettromagnetici e conoscenza fisica del dominio, con particolare attenzione alla stabilità tra dispositivi, studi clinici e centri ospedalieri.
Principali responsabilità
-
- Sviluppo di modelli deep learning – Progettare, addestrare e ottimizzare architetture neurali per classificazione, rappresentazione latente, ricostruzione e feature extraction su segnali di imaging a microonde e dati clinici.
- Self-supervised learning e representation learning – Sviluppare encoder, autoencoder e modelli basati su masking per apprendere rappresentazioni robuste da dati etichettati e non etichettati, seguite da fine-tuning supervisionato.
- Transformer e architetture avanzate – Valutare e implementare transformer, reti convoluzionali, encoder-decoder e architetture ibride per dati multidimensionali nei domini del tempo e della frequenza.
- Analisi avanzata dei segnali – Progettare metodi di filtraggio, denoising, calibrazione, normalizzazione, trasformazione ed estrazione di feature da segnali biomedicali ed elettromagnetici complessi.
- Domain adaptation e generalizzazione – Definire strategie per ridurre bias legati a dispositivo, centro clinico o studio, utilizzando domain adaptation, loss multi-obiettivo, batch design controllato per sito e validazione leave-one-site/group-out.
- Integrazione tra fisica, signal processing e AI – Collaborare con esperti di elettromagnetismo per integrare principi fisici, geometria di acquisizione,
trasformazioni tempo-frequenza e vincoli di dominio nelle architetture deep learning.
- Collaborazione multidisciplinare – Lavorare a stretto contatto con team internazionali clinici, ingegneristici e di R&D; per tradurre le esigenze cliniche in specifiche tecniche e integrare soluzioni AI nell’ecosistema prodotto. Tradurre i requisiti clinici e di business in risultati concreti, valutando costantemente l’impatto clinico ed economico delle tecnologie sviluppate.
Competenze chiave
-
- Esperienza consolidata – Almeno 5 anni di esperienza applicata in Deep Learning e Machine Learning, preferibilmente in medical imaging, biomedical signal processing, dispositivi medici o ricerca clinica.
- Framework deep learning – Padronanza di Python e di almeno uno dei principali framework, con preferenza per PyTorch; esperienza con TensorFlow/Keras, NumPy, Pandas, Scikit-Learn e Matplotlib.
- Architetture neurali – Esperienza concreta con CNN, transformer, autoencoder, encoder-decoder, transfer learning, fine-tuning, self-supervised learning e metric learning.
- Training avanzato – Conoscenza di loss personalizzate e multi-obiettivo, sampling e batching, gestione dello sbilanciamento, regularization, hyperparameter optimization e training accelerato su GPU.
- Signal processing – Solida conoscenza dell’analisi di segnali multidimensionali nei domini del tempo e della frequenza, incluse FFT, IFFT, analisi spettrale, wavelet, filtraggio digitale e denoising.
- Preprocessing e feature engineering dei segnali – Esperienza con normalizzazione, calibrazione, baseline correction, allineamento, segmentazione, estrazione e selezione di feature; capacita di lavorare con segnali complessi (modulo e fase).
- MLOps e riproducibilità – Conoscenza di Git, code review, CI/CD, experiment tracking, containerizzazione e pipeline configurabili; esperienza con GitHub e documentazione tecnica strutturata.
- Calcolo ad alte prestazioni – Esperienza con GPU, ambienti Linux, HPC o cloud computing e capacità di ottimizzare memoria,
velocità e parallelizzazione dei workflow.
- Lingue: Italiano e inglese fluente, con capacità di presentare risultati tecnici a interlocutori scientifici, clinici e aziendali.
- Pubblicazioni scientifiche o contributi a progetti di ricerca in deep learning, medical imaging, biomedical engineering o signal processing.
- Esperienza con Variational Autoencoder, Diffusion Model, GAN, Generative AI, o Generative Transformer.
- Esperienza nella generazione di dati sintetici biomedicali e nella generazione o ricostruzione di immagini a partire da segnali fisici complessi.
- Familiarità con le normative di settore (ISO 13485, FDA, GDPR) e principi di qualità dei dispositivi medici, utile per sviluppare soluzioni conformi agli standard regolatori.
- Esperienza nell’integrazione di modelli AI in software destinato a dispositivi medici.
- Esperienza con dataset multicentrici, longitudinali o provenienti da dispositivi diversi.
- Esperienza con segnali a radiofrequenza.
Stiamo cercando
-
- Rigore scientifico e pensiero critico – capacità di mettere in discussione metriche, individuare bias e progettare esperimenti verificabili.
- Autonomia e ownership – capacità di trasformare obiettivi di ricerca in piani sperimentali, codice riproducibile e risultati documentati.
- Integrità e trasparenza – capacità di costruire relazioni di fiducia sia internamente che con partner e stakeholder esterni.
- Resilienza e passione – motivazione ad affrontare problemi di ricerca complessi e contribuire a un progetto altamente creativo, che può essere realizzato solo da chi crede davvero nel sogno che stiamo perseguendo.
Luogo
Assisi, Italia.
Modalità di lavoro
ibrida, secondo quanto previsto dalla policy aziendale di smart working vigente.
Inquadramento previsto
La posizione è inquadrata al 3° livello del CCNL Commercio, Distribuzione e Servizi. L'esatta attribuzione all'interno della fascia retributiva sarà determinata sulla base di criteri oggettivi, trasparenti e neutrali sotto il profilo del genere (nel rispetto della normativa vigente). xysqume
L'Azienda garantisce (ai sensi del D.Lgs 198/2006, D.Lgs.215/2003 e D.Lgs.216/2003) pari opportunità di accesso al lavoro a tutt* i/le candidat* e si impegna a favorire il rispetto delle diversità e l’inclusione sul posto di lavoro.
#J-18808-Ljbffr