Ai Engineer Senior - Source: Iprogrammatori.It
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 qualificato continuo e nella condivisione delle conoscenze, in un settore in rapida evoluzione come quello dell'intelligenza artificiale.
Approccio proattivo, 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 business.
Seniority Senior – Profilo professionale con esperienza avanzata.
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.
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 qualificato continuo e nella condivisione delle conoscenze, in un settore in rapida evoluzione come quello dell'intelligenza artificiale.
Approccio proattivo, 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 business.
Seniority Senior – Profilo professionale con esperienza avanzata.
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.