AI Solution Expert
Modello di lavoro ibrido (3 giorni in sede e 2 da casa) Per importante Cliente Finale con sede a Roma siamo alla ricerca di un AI Solution Expert con resistente taglio tecnico-funzionale e capacità di disegnare, realizzare e portare in produzione soluzioni AI su stack OpenShift AI, con componenti n8n, Langfuse, MongoDB Vector Search, in contesto on premise e con architetture ibride on prem/on cloud.
Mission del ruolo Tradurre esigenze di business in soluzioni AI end-to-end (design → implementazione → rilascio → miglioramento continuo).
Essere riferimento tecnico per pattern RAG/Agents, integrazioni enterprise, osservabilità e qualità.
Contribuire alla standardizzazione (blueprint, componenti riusabili, best practice di sicurezza e compliance).
Responsabilità principali Disegno dell'architettura applicativa per use case RAG/Agents: flussi conversazionali, knowledge retrieval, tool use, policy e guardrail.
Implementazione e configurazione di componenti su OpenShift AI (deploy, runtime, scaling, config), in collaborazione con DevOps.
Orchestrazione workflow e integrazioni con sistemi aziendali tramite n8n (API, webhooks, connettori, gestione errori, retry, idempotenza).
Implementazione di Vector Search con MongoDB Vector Search: ingestion, indicizzazione, metadata filtering, strategie di retrieval e tuning performance.
Supporto al ciclo di vita: ambienti dev/test/prod, release, hotfix, supporto.
- RAG engineering (qualità e performance) Progettazione pipeline di ingestion/KB: normalizzazione documenti, chunking, embedding, versioning e refresh.
Definizione e tuning dei parametri di retrieval (k, threshold, reranking se previsto, filtri su metadata).
Definizione di metriche e criteri di qualità: groundedness, precision/recall retrieval, risposta corretta vs allucinazione, coverage KB, latency.
Progettazione agenti: tool selection, planning,
multi-step execution, gestione stato e contesto.
Implementazione di pattern per agenti MCP-compliant (contratti, versioning, test, compatibilità, fallback).
Hardening: timeouts, rate limit, policy di sicurezza, error handling e circuit breaker.
- Observability, evaluation e miglioramento continuo Implementazione osservabilità e tracing con Langfuse (o equivalenti): prompt/versioning, session tracking, feedback loop, monitoring.
Definizione di test suite e evaluation (golden set, regression test, analisi drift contenuti/risposte).
Analisi log e telemetria per migliorare qualità e ridurre costi/latency.
- Sicurezza, compliance e Hybrid AI Progettazione di soluzioni AI ibride on prem/on cloud: scelte su dove risiedono KB/dati, dove gira l'inferenza, dove risiede l'osservabilità/eval.
Gestione aspetti security-by-design: access control su KB, segreti, cifratura, audit log, data masking/redaction.
Collaborazione con Security/Compliance su vincoli di data residency e controlli.
Competenze richieste (must have) Esperienza pratica (2–5+ anni indicativi) nello sviluppo di soluzioni AI: chatbot, RAG, agenti, integrazioni.
Conoscenza solida di
concetti RAG (retrieval, embeddings, chunking, KB refresh, valutazione qualità)
integrazioni MCP, API e workflow automation (es. n8n o strumenti analoghi)
osservabilità/evaluation per SLM/LLM (tracing, prompt versioning, feedback)
Familiarità con ambienti containerizzati (Kubernetes/OpenShift) e rilascio in contesti on premise.
Buone capacità di analisi e problem solving (debug end-to-end: retrieval → prompting → risposta → logging).
Redazione ed aggiornamento Solution design (high level + dettagli implementativi), blueprint riusabili.
Design di flussi n8n e integrazioni API con logging e gestione errori.
Dashboard/strumentazione Langfuse + set di metriche e test di regressione.
Mission del ruolo Tradurre esigenze di business in soluzioni AI end-to-end (design → implementazione → rilascio → miglioramento continuo).
Essere riferimento tecnico per pattern RAG/Agents, integrazioni enterprise, osservabilità e qualità.
Contribuire alla standardizzazione (blueprint, componenti riusabili, best practice di sicurezza e compliance).
Responsabilità principali Disegno dell'architettura applicativa per use case RAG/Agents: flussi conversazionali, knowledge retrieval, tool use, policy e guardrail.
Implementazione e configurazione di componenti su OpenShift AI (deploy, runtime, scaling, config), in collaborazione con DevOps.
Orchestrazione workflow e integrazioni con sistemi aziendali tramite n8n (API, webhooks, connettori, gestione errori, retry, idempotenza).
Implementazione di Vector Search con MongoDB Vector Search: ingestion, indicizzazione, metadata filtering, strategie di retrieval e tuning performance.
Supporto al ciclo di vita: ambienti dev/test/prod, release, hotfix, supporto.
- RAG engineering (qualità e performance) Progettazione pipeline di ingestion/KB: normalizzazione documenti, chunking, embedding, versioning e refresh.
Definizione e tuning dei parametri di retrieval (k, threshold, reranking se previsto, filtri su metadata).
Definizione di metriche e criteri di qualità: groundedness, precision/recall retrieval, risposta corretta vs allucinazione, coverage KB, latency.
Progettazione agenti: tool selection, planning,
multi-step execution, gestione stato e contesto.
Implementazione di pattern per agenti MCP-compliant (contratti, versioning, test, compatibilità, fallback).
Hardening: timeouts, rate limit, policy di sicurezza, error handling e circuit breaker.
- Observability, evaluation e miglioramento continuo Implementazione osservabilità e tracing con Langfuse (o equivalenti): prompt/versioning, session tracking, feedback loop, monitoring.
Definizione di test suite e evaluation (golden set, regression test, analisi drift contenuti/risposte).
Analisi log e telemetria per migliorare qualità e ridurre costi/latency.
- Sicurezza, compliance e Hybrid AI Progettazione di soluzioni AI ibride on prem/on cloud: scelte su dove risiedono KB/dati, dove gira l'inferenza, dove risiede l'osservabilità/eval.
Gestione aspetti security-by-design: access control su KB, segreti, cifratura, audit log, data masking/redaction.
Collaborazione con Security/Compliance su vincoli di data residency e controlli.
Competenze richieste (must have) Esperienza pratica (2–5+ anni indicativi) nello sviluppo di soluzioni AI: chatbot, RAG, agenti, integrazioni.
Conoscenza solida di
concetti RAG (retrieval, embeddings, chunking, KB refresh, valutazione qualità)
integrazioni MCP, API e workflow automation (es. n8n o strumenti analoghi)
osservabilità/evaluation per SLM/LLM (tracing, prompt versioning, feedback)
Familiarità con ambienti containerizzati (Kubernetes/OpenShift) e rilascio in contesti on premise.
Buone capacità di analisi e problem solving (debug end-to-end: retrieval → prompting → risposta → logging).
Redazione ed aggiornamento Solution design (high level + dettagli implementativi), blueprint riusabili.
Design di flussi n8n e integrazioni API con logging e gestione errori.
Dashboard/strumentazione Langfuse + set di metriche e test di regressione.