Comproprietario
TensorLoops ricerca un/una Junior Machine Learning Engineer, anche neolaureato/a, da inserire nel team impegnato nello sviluppo di un progetto industriale di Intelligenza Artificiale applicata all’Energy Trading, realizzato insieme a un operatore del mercato energetico italiano. La nuova risorsa lavorerà su problemi reali di forecasting di serie temporali, Machine Learning e analisi dei dati, contribuendo allo sviluppo di sistemi per la previsione dei consumi elettrici, l’analisi degli sbilanciamenti e il supporto alle decisioni operative. La posizione è pensata anche per una persona all’inizio del proprio percorso competente, con una buona preparazione quantitativa e informatica e con interesse per applicazioni industriali dell’Intelligenza Artificiale. La risorsa sarà affiancata da ricercatori e ingegneri del team e acquisirà progressivamente conoscenze specifiche sul mercato energetico. Responsabilità
* Analizzare e preparare serie temporali e dataset energetici reali, occupandosi delle principali attività di pulizia, trasformazione, aggregazione e controllo della qualità dei dati.
* Sviluppare e sperimentare modelli di Machine Learning per il forecasting dei consumi elettrici e per altri problemi predittivi legati al mercato energetico.
* Collaborare alla progettazione di feature e pipeline per l’elaborazione di dati temporali provenienti da differenti sorgenti.
* Valutare i modelli mediante benchmark, backtesting temporali e metriche quantitative appropriate.
* Confrontare differenti approcci modellistici e analizzare sistematicamente gli errori e le condizioni nelle quali i modelli risultano maggiormente affidabili.
* Contribuire all’integrazione dei modelli predittivi con moduli di simulazione, valutazione economica e supporto alle decisioni.
* Produrre visualizzazioni, report e strumenti di analisi dei risultati.
* Contribuire alla manutenzione e al miglioramento delle pipeline software del progetto.
* Utilizzare Git per il versionamento del codice e documentare esperimenti, configurazioni e risultati in modo da garantirne la riproducibilità.
* Collaborare con il team tecnico e scientifico nelle attività di sperimentazione e progressiva validazione del sistema su processi operativi reali.
* Laurea magistrale o triennale in Ingegneria Informatica, Elettronica, dell’Informazione, Automatica, Energetica o in discipline scientifiche e quantitative affini.
* Buona conoscenza di Python.
* Conoscenza dei fondamenti di Machine Learning, statistica e analisi dei dati.
* Familiarità con librerie quali NumPy, Pandas e scikit-learn.
* Interesse per problemi di forecasting, serie temporali e modellazione predittiva.
* Capacità di analizzare un problema in maniera metodica, verificare i risultati e documentare il lavoro svolto.
* Attitudine al lavoro in gruppo, curiosità scientifica e disponibilità ad apprendere nuove metodologie e tecnologie. Costituiscono elementi preferenziali, anche quando acquisiti attraverso tesi di laurea, progetti universitari o progetti personali, esperienze con LightGBM, XGBoost, PyTorch, Git, tecniche di forecasting e analisi di serie temporali. La conoscenza preventiva del mercato energetico è gradita, ma non richiesta. Il contesto applicativo e gli elementi specifici dell’Energy Trading saranno approfonditi durante l’attività con il team. #J-18808-Ljbffr
* Analizzare e preparare serie temporali e dataset energetici reali, occupandosi delle principali attività di pulizia, trasformazione, aggregazione e controllo della qualità dei dati.
* Sviluppare e sperimentare modelli di Machine Learning per il forecasting dei consumi elettrici e per altri problemi predittivi legati al mercato energetico.
* Collaborare alla progettazione di feature e pipeline per l’elaborazione di dati temporali provenienti da differenti sorgenti.
* Valutare i modelli mediante benchmark, backtesting temporali e metriche quantitative appropriate.
* Confrontare differenti approcci modellistici e analizzare sistematicamente gli errori e le condizioni nelle quali i modelli risultano maggiormente affidabili.
* Contribuire all’integrazione dei modelli predittivi con moduli di simulazione, valutazione economica e supporto alle decisioni.
* Produrre visualizzazioni, report e strumenti di analisi dei risultati.
* Contribuire alla manutenzione e al miglioramento delle pipeline software del progetto.
* Utilizzare Git per il versionamento del codice e documentare esperimenti, configurazioni e risultati in modo da garantirne la riproducibilità.
* Collaborare con il team tecnico e scientifico nelle attività di sperimentazione e progressiva validazione del sistema su processi operativi reali.
* Laurea magistrale o triennale in Ingegneria Informatica, Elettronica, dell’Informazione, Automatica, Energetica o in discipline scientifiche e quantitative affini.
* Buona conoscenza di Python.
* Conoscenza dei fondamenti di Machine Learning, statistica e analisi dei dati.
* Familiarità con librerie quali NumPy, Pandas e scikit-learn.
* Interesse per problemi di forecasting, serie temporali e modellazione predittiva.
* Capacità di analizzare un problema in maniera metodica, verificare i risultati e documentare il lavoro svolto.
* Attitudine al lavoro in gruppo, curiosità scientifica e disponibilità ad apprendere nuove metodologie e tecnologie. Costituiscono elementi preferenziali, anche quando acquisiti attraverso tesi di laurea, progetti universitari o progetti personali, esperienze con LightGBM, XGBoost, PyTorch, Git, tecniche di forecasting e analisi di serie temporali. La conoscenza preventiva del mercato energetico è gradita, ma non richiesta. Il contesto applicativo e gli elementi specifici dell’Energy Trading saranno approfonditi durante l’attività con il team. #J-18808-Ljbffr