Senior Deep Learning Expert
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 **** come spin off accademico del Dipartimento di Fisica e Geologia dell'Università degli Studi di Perugia.
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
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