19 ott - Assisi
UBT
pUBT 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. /p pUBT è oggi alla ricerca di un bSenior Deep Learning Expert /b 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 bMammowave /b, il primo test senologico al mondo basato su imaging a microonde. /p pLa 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. /p h3Principali responsabilità /h3 ul libSviluppo di modelli deep learning /b – Progettare, addestrare e ottimizzare architetture neurali per classificazione, rappresentazione latente, ricostruzione e feature extraction su segnali di imaging a microonde e dati clinici. /li libSelf-supervised learning e representation learning /b – Sviluppare encoder, autoencoder e modelli basati su masking per apprendere rappresentazioni robuste da dati etichettati e non etichettati, seguite da fine-tuning supervisionato. /li libTransformer e architetture avanzate /b – Valutare e implementare transformer, reti convoluzionali, encoder-decoder e architetture ibride per dati multidimensionali nei domini del tempo e della frequenza. /li libAnalisi avanzata dei segnali /b – Progettare metodi di filtraggio, denoising, calibrazione, normalizzazione, trasformazione ed estrazione di feature da segnali biomedicali ed elettromagnetici complessi. /li libDomain adaptation e generalizzazione /b – 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. /li libIntegrazione tra fisica, signal processing e AI /b – Collaborare con esperti di elettromagnetismo per integrare principi fisici, geometria di acquisizione, trasformazioni tempo-frequenza e vincoli di dominio nelle architetture deep learning.
/li libCollaborazione multidisciplinare /b – Lavorare a stretto contatto con team internazionali clinici, ingegneristici e di RD 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. /li /ul h3Competenze chiave /h3 ul libEsperienza consolidata /b – Almeno 5 anni di esperienza applicata in Deep Learning e Machine Learning, preferibilmente in medical imaging, biomedical signal processing, dispositivi medici o ricerca clinica. /li libFramework deep learning /b – Padronanza di Python e di almeno uno dei principali framework, con preferenza per PyTorch; esperienza con TensorFlow/Keras, NumPy, Pandas, Scikit-Learn e Matplotlib. /li libArchitetture neurali /b – Esperienza concreta con CNN, transformer, autoencoder, encoder-decoder, transfer learning, fine-tuning, self-supervised learning e metric learning. /li libTraining avanzato /b – Conoscenza di loss personalizzate e multi-obiettivo, sampling e batching, gestione dello sbilanciamento, regularization, hyperparameter optimization e training accelerato su GPU. /li libSignal processing /b– Solida conoscenza dell’analisi di segnali multidimensionali nei domini del tempo e della frequenza, incluse FFT, IFFT, analisi spettrale, wavelet, filtraggio digitale e denoising. /li libPreprocessing e feature engineering dei segnali /b – Esperienza con normalizzazione, calibrazione, baseline correction, allineamento, segmentazione, estrazione e selezione di feature; capacita di lavorare con segnali complessi (modulo e fase). /li libMLOps e riproducibilità /b – Conoscenza di Git, code review, CI/CD, experiment tracking, containerizzazione e pipeline configurabili; esperienza con GitHub e documentazione tecnica strutturata. /li libCalcolo ad alte prestazioni /b– Esperienza con GPU, ambienti Linux, HPC o cloud computing e capacità di ottimizzare memoria, velocità e parallelizzazione dei workflow.
/li libLingue /b: Italiano e inglese fluente, con capacità di presentare risultati tecnici a interlocutori scientifici, clinici e aziendali. /li liPubblicazioni scientifiche o contributi a progetti di ricerca in deep learning, medical imaging, biomedical engineering o signal processing. /li liEsperienza con Variational Autoencoder, Diffusion Model, GAN, Generative AI, o Generative Transformer. /li liEsperienza nella generazione di dati sintetici biomedicali e nella generazione o ricostruzione di immagini a partire da segnali fisici complessi. /li liFamiliarità con le normative di settore (ISO 13485, FDA, GDPR) e principi di qualità dei dispositivi medici, utile per sviluppare soluzioni conformi agli standard regolatori. /li liEsperienza nell’integrazione di modelli AI in software destinato a dispositivi medici. /li liEsperienza con dataset multicentrici, longitudinali o provenienti da dispositivi diversi. /li liEsperienza con segnali a radiofrequenza. /li /ul h3Stiamo cercando /h3 ul libRigore scientifico e pensiero critico /b – capacità di mettere in discussione metriche, individuare bias e progettare esperimenti verificabili. /li libAutonomia e ownership /b – capacità di trasformare obiettivi di ricerca in piani sperimentali, codice riproducibile e risultati documentati. /li libIntegrità e trasparenza /b – capacità di costruire relazioni di fiducia sia internamente che con partner e stakeholder esterni. /li libResilienza e passione /b – motivazione ad affrontare problemi di ricerca complessi e contribuire a un progetto altamente innovativo, che può essere realizzato solo da chi crede davvero nel sogno che stiamo perseguendo. /li /ul h3Luogo /h3 pAssisi, Italia. /p h3Modalità di lavoro /h3 pibrida, secondo quanto previsto dalla policy aziendale di lavoro da remoto vigente. /p h3Inquadramento previsto /h3 pLa 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). /p pL'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. /p #J-18808-Ljbffr
19 ott - Casamassima
Società riconosciuta
19 ott - Massa
Azienda riconosciuta
19 ott - Roma
Gruppo importante
19 ott - Felino
Azienda importante