AI Engineer Senior
AI Engineer – Ingegnere di Intelligenza Artificiale Requisiti essenziali (Must-Have) Ottime competenze nello sviluppo Python, inclusa la progettazione e realizzazione di API e servizi software di livello production-ready. Solida conoscenza dei fondamenti del Machine Learning, dei processi di sviluppo dei modelli, della feature engineering, della validazione e della valutazione delle prestazioni. Esperienza pratica nell'utilizzo di PyTorch e scikit-learn. Conoscenza approfondita dei Large Language Models (LLM), delle architetture Transformer, della tokenizzazione, degli embeddings e dei processi di inferenza. Esperienza con LangChain e LangGraph per lo sviluppo di applicazioni basate su LLM e sistemi di intelligenza artificiale agentica. Capacità di progettare e implementare sistemi di AI agentica e multi-agente, inclusi orchestrazione, utilizzo di strumenti (tool usage), gestione dello stato e meccanismi di controllo e sicurezza (guardrail). Esperienza nella progettazione di soluzioni Retrieval-Augmented Generation (RAG), comprese strategie di suddivisione dei documenti (chunking), generazione degli embeddings, recupero delle informazioni (retrieval), riordinamento dei risultati per rilevanza (reranking) e gestione del contesto. Esperienza con database vettoriali, preferibilmente Qdrant, e tecnologie di caching e gestione dello stato, come Redis. Conoscenza delle tecniche di fine-tuning dei modelli LLM e di Deep Learning, inclusi approcci efficienti nell'utilizzo dei parametri, come LoRA/PEFT. Conoscenza delle infrastrutture hardware per lo sviluppo e l'inferenza dei modelli AI, comprese GPU, limitazioni della memoria VRAM, fondamenti di CUDA e distribuzione dei modelli orientata all'ottimizzazione delle prestazioni. Capacità di progettare soluzioni AI scalabili, efficienti, affidabili e ad alte prestazioni,
con particolare attenzione a latenza, throughput, costi, utilizzo della memoria e osservabilità. Conoscenza delle architetture a microservizi. Conoscenza di algoritmi e strutture dati, con capacità di individuare la soluzione più appropriata in funzione del contesto. Esperienza con Docker (Dockerfile, Docker Compose) e gestione di workload AI containerizzati. Conoscenza delle pratiche di CI/CD applicate ai sistemi software e ML/AI. Capacità di progettare sistemi distribuiti e integrare servizi AI in architetture software di produzione. Esperienza in ambienti di lavoro Agile. Conoscenza fluente della lingua inglese. Requisiti preferenziali (Nice-to-Have) Conoscenza dell'ecosistema Hugging Face (Transformers, Datasets, Accelerate, PEFT). Esperienza con framework per il serving e l'inferenza dei modelli LLM, come vLLM e Ray. Conoscenza delle pratiche MLOps / LLMOps, inclusi monitoraggio degli esperimenti, versionamento dei modelli, pipeline di valutazione e gestione del ciclo di vita dei modelli (ad esempio MLflow). Esperienza con piattaforme di osservabilità, tracciamento e valutazione dei sistemi LLM, come Phoenix. Competenze di prompt engineering e valutazione sistematica di prompt, agenti e pipeline RAG. Conoscenza delle tecniche di quantizzazione dei modelli, batching, caching, distillazione e altre strategie di ottimizzazione dell'inferenza.
Familiarità con gli strumenti NVIDIA per la gestione e il profiling delle GPU e capacità di selezionare l'hardware più adeguato per attività di training, fine-tuning e inferenza. Familiarità con Kubernetes e l'orchestrazione di container che utilizzano GPU. Conoscenza delle pipeline di elaborazione dati e degli strumenti di orchestrazione, come Dagster. Comprensione delle problematiche relative alla qualità dei dati, alla preparazione e selezione dei dataset, ai dati sintetici e alla gestione responsabile dei dati utilizzati per l'addestramento e la valutazione. Familiarità con i temi della sicurezza dell'intelligenza artificiale, inclusi prompt injection, fuga di dati (data leakage), utilizzi impropri dei modelli, controllo degli accessi e framework NIST per la cybersicurezza. Esperienza nei test automatizzati dei sistemi AI, inclusi test unitari, di integrazione, di regressione, di valutazione e delle prestazioni. Conoscenza di GitLab CI e dei registri per la gestione di artefatti e pacchetti software. Competenze personali e trasversali (Soft Skills) Capacità di lavorare efficacemente in ambienti tecnologici dinamici e in continua evoluzione. Spiccate capacità di problem solving e analisi. Attitudine al lavoro di squadra e capacità di collaborare trasversalmente con team di sviluppo software, dati, infrastrutture e prodotto. Impegno nell'aggiornamento professionale continuo e nella condivisione delle conoscenze, in un settore in rapida evoluzione come quello dell'intelligenza artificiale. Approccio intraprendente, autonomia operativa, capacità di assumersi la responsabilità delle attività assegnate e orientamento al risultato. Capacità di bilanciare sperimentazione e qualità delle soluzioni in produzione, tenendo conto di manutenibilità, sicurezza e vincoli di busin
con particolare attenzione a latenza, throughput, costi, utilizzo della memoria e osservabilità. Conoscenza delle architetture a microservizi. Conoscenza di algoritmi e strutture dati, con capacità di individuare la soluzione più appropriata in funzione del contesto. Esperienza con Docker (Dockerfile, Docker Compose) e gestione di workload AI containerizzati. Conoscenza delle pratiche di CI/CD applicate ai sistemi software e ML/AI. Capacità di progettare sistemi distribuiti e integrare servizi AI in architetture software di produzione. Esperienza in ambienti di lavoro Agile. Conoscenza fluente della lingua inglese. Requisiti preferenziali (Nice-to-Have) Conoscenza dell'ecosistema Hugging Face (Transformers, Datasets, Accelerate, PEFT). Esperienza con framework per il serving e l'inferenza dei modelli LLM, come vLLM e Ray. Conoscenza delle pratiche MLOps / LLMOps, inclusi monitoraggio degli esperimenti, versionamento dei modelli, pipeline di valutazione e gestione del ciclo di vita dei modelli (ad esempio MLflow). Esperienza con piattaforme di osservabilità, tracciamento e valutazione dei sistemi LLM, come Phoenix. Competenze di prompt engineering e valutazione sistematica di prompt, agenti e pipeline RAG. Conoscenza delle tecniche di quantizzazione dei modelli, batching, caching, distillazione e altre strategie di ottimizzazione dell'inferenza.
Familiarità con gli strumenti NVIDIA per la gestione e il profiling delle GPU e capacità di selezionare l'hardware più adeguato per attività di training, fine-tuning e inferenza. Familiarità con Kubernetes e l'orchestrazione di container che utilizzano GPU. Conoscenza delle pipeline di elaborazione dati e degli strumenti di orchestrazione, come Dagster. Comprensione delle problematiche relative alla qualità dei dati, alla preparazione e selezione dei dataset, ai dati sintetici e alla gestione responsabile dei dati utilizzati per l'addestramento e la valutazione. Familiarità con i temi della sicurezza dell'intelligenza artificiale, inclusi prompt injection, fuga di dati (data leakage), utilizzi impropri dei modelli, controllo degli accessi e framework NIST per la cybersicurezza. Esperienza nei test automatizzati dei sistemi AI, inclusi test unitari, di integrazione, di regressione, di valutazione e delle prestazioni. Conoscenza di GitLab CI e dei registri per la gestione di artefatti e pacchetti software. Competenze personali e trasversali (Soft Skills) Capacità di lavorare efficacemente in ambienti tecnologici dinamici e in continua evoluzione. Spiccate capacità di problem solving e analisi. Attitudine al lavoro di squadra e capacità di collaborare trasversalmente con team di sviluppo software, dati, infrastrutture e prodotto. Impegno nell'aggiornamento professionale continuo e nella condivisione delle conoscenze, in un settore in rapida evoluzione come quello dell'intelligenza artificiale. Approccio intraprendente, autonomia operativa, capacità di assumersi la responsabilità delle attività assegnate e orientamento al risultato. Capacità di bilanciare sperimentazione e qualità delle soluzioni in produzione, tenendo conto di manutenibilità, sicurezza e vincoli di busin