Data Scientist & AI Engineer
Stiamo ampliando il nostro team dati e intelligenza artificiale e cerchiamo due figure complementari: un/una Data Scientist e un/una AI Engineer . Lavorerete a stretto contatto su progetti che vanno dall’analisi avanzata dei dati allo sviluppo di soluzioni basate su Large Language Model. In comune vi chiediamo rigore, curiosità e una solida comprensione della natura del dato: la sua provenienza, la sua qualità, i suoi limiti e le implicazioni del suo utilizzo.
Ruolo 1 – Data Scientist Di cosa ti occuperai
- Preprocessing e analisi esplorativa (EDA): pulizia, trasformazione e preparazione dei dataset; individuazione di pattern, anomalie e relazioni significative.
- Machine Learning: progettazione, addestramento e validazione di modelli che producano risultati concreti e utili per il business, in particolare:
- modelli supervisionati (classificazione, regressione);
- modelli non supervisionati (clustering, riduzione della dimensionalità, rilevamento di anomalie);
- Advanced Analytics: sviluppo di analisi predittive e prescrittive a supporto delle decisioni strategiche.
- Gestione del dato: collaborazione con il team di data engineering per garantire qualità, coerenza e disponibilità dei dati lungo le pipeline.
Requisiti
- Ottima padronanza di Python e/o R e delle principali librerie per l’analisi dati e il machine learning (es. pandas, scikit-learn, TensorFlow/PyTorch, tidyverse).
- Esperienza concreta nell’addestramento e nella valutazione di modelli supervisionati e non supervisionati.
- Conoscenza dei principi di data engineering: strutture dati, database, pipeline ETL/ELT.
- Solide basi di statistica e matematica applicata.
Costituiscono un plus
- Esperienza con tecniche di reinforcement learning.
- Conoscenza di SQL e di strumenti di data visualization (es. Power BI, Tableau, matplotlib, ggplot2).
- Familiarità con ambienti cloud (AWS, GCP, Azure) e con Git.
Ruolo 2 – AI Engineer Di cosa ti occuperai
- LLM e AI generativa:
integrazione e ottimizzazione di Large Language Model in prodotti e processi aziendali, con particolare attenzione al prompt engineering per ottenere output affidabili, coerenti e controllabili.
- Architetture RAG (Retrieval-Augmented Generation): progettazione e sviluppo di pipeline che combinano recupero di informazioni e generazione, inclusi chunking, embedding, vector store, strategie di retrieval e valutazione della qualità delle risposte.
- Database a grafo: modellazione e costruzione di knowledge graph a partire da dati non strutturati (documenti, testi, contenuti eterogenei), per rappresentare entità e relazioni e potenziare le capacità di ricerca e ragionamento dei sistemi AI.
- Architetture a microservizi: progettazione e sviluppo delle soluzioni AI come microservizi indipendenti e scalabili, esponendo modelli, pipeline RAG e servizi di inferenza tramite API integrate con l’ecosistema applicativo aziendale.
Requisiti
- Ottima padronanza di Python .
- Padronanza dell’utilizzo di LLM e delle tecniche di prompt engineering .
- Esperienza nella progettazione di architetture RAG e nell’uso di framework dedicati (es. LangChain, LlamaIndex) e di vector database.
- Conoscenza dei database a grafo (es. Neo4j) e dei relativi linguaggi di interrogazione (es. Cypher), con esperienza nella strutturazione di dati non strutturati.
- Capacità di progettare e realizzare architetture a microservizi , con esperienza nello sviluppo di API (es. FastAPI, Flask, REST/gRPC) e nella containerizzazione e orchestrazione dei servizi (es. Docker, Kubernetes).
Costituiscono un plus
- Esperienza con approcci GraphRAG o con l’integrazione tra knowledge graph e LLM.
- Esperienza con sistemi di messaggistica asincrona (es. Kafka, RabbitMQ) e pipeline CI/CD.
- Familiarità con ambienti cloud e pratiche MLOps/LLMOps.
Cosa offriamo (per entrambi i ruoli)
- Progetti sfidanti con impatto reale sul business, all’avanguardia nel campo dei dati e dell’AI.
- Aggiornamento continuo e aggiornamento sulle tecnologie più recenti.
- Tariffa in base alla seniority
Ruolo 1 – Data Scientist Di cosa ti occuperai
- Preprocessing e analisi esplorativa (EDA): pulizia, trasformazione e preparazione dei dataset; individuazione di pattern, anomalie e relazioni significative.
- Machine Learning: progettazione, addestramento e validazione di modelli che producano risultati concreti e utili per il business, in particolare:
- modelli supervisionati (classificazione, regressione);
- modelli non supervisionati (clustering, riduzione della dimensionalità, rilevamento di anomalie);
- Advanced Analytics: sviluppo di analisi predittive e prescrittive a supporto delle decisioni strategiche.
- Gestione del dato: collaborazione con il team di data engineering per garantire qualità, coerenza e disponibilità dei dati lungo le pipeline.
Requisiti
- Ottima padronanza di Python e/o R e delle principali librerie per l’analisi dati e il machine learning (es. pandas, scikit-learn, TensorFlow/PyTorch, tidyverse).
- Esperienza concreta nell’addestramento e nella valutazione di modelli supervisionati e non supervisionati.
- Conoscenza dei principi di data engineering: strutture dati, database, pipeline ETL/ELT.
- Solide basi di statistica e matematica applicata.
Costituiscono un plus
- Esperienza con tecniche di reinforcement learning.
- Conoscenza di SQL e di strumenti di data visualization (es. Power BI, Tableau, matplotlib, ggplot2).
- Familiarità con ambienti cloud (AWS, GCP, Azure) e con Git.
Ruolo 2 – AI Engineer Di cosa ti occuperai
- LLM e AI generativa:
integrazione e ottimizzazione di Large Language Model in prodotti e processi aziendali, con particolare attenzione al prompt engineering per ottenere output affidabili, coerenti e controllabili.
- Architetture RAG (Retrieval-Augmented Generation): progettazione e sviluppo di pipeline che combinano recupero di informazioni e generazione, inclusi chunking, embedding, vector store, strategie di retrieval e valutazione della qualità delle risposte.
- Database a grafo: modellazione e costruzione di knowledge graph a partire da dati non strutturati (documenti, testi, contenuti eterogenei), per rappresentare entità e relazioni e potenziare le capacità di ricerca e ragionamento dei sistemi AI.
- Architetture a microservizi: progettazione e sviluppo delle soluzioni AI come microservizi indipendenti e scalabili, esponendo modelli, pipeline RAG e servizi di inferenza tramite API integrate con l’ecosistema applicativo aziendale.
Requisiti
- Ottima padronanza di Python .
- Padronanza dell’utilizzo di LLM e delle tecniche di prompt engineering .
- Esperienza nella progettazione di architetture RAG e nell’uso di framework dedicati (es. LangChain, LlamaIndex) e di vector database.
- Conoscenza dei database a grafo (es. Neo4j) e dei relativi linguaggi di interrogazione (es. Cypher), con esperienza nella strutturazione di dati non strutturati.
- Capacità di progettare e realizzare architetture a microservizi , con esperienza nello sviluppo di API (es. FastAPI, Flask, REST/gRPC) e nella containerizzazione e orchestrazione dei servizi (es. Docker, Kubernetes).
Costituiscono un plus
- Esperienza con approcci GraphRAG o con l’integrazione tra knowledge graph e LLM.
- Esperienza con sistemi di messaggistica asincrona (es. Kafka, RabbitMQ) e pipeline CI/CD.
- Familiarità con ambienti cloud e pratiche MLOps/LLMOps.
Cosa offriamo (per entrambi i ruoli)
- Progetti sfidanti con impatto reale sul business, all’avanguardia nel campo dei dati e dell’AI.
- Aggiornamento continuo e aggiornamento sulle tecnologie più recenti.
- Tariffa in base alla seniority