Ai Platform Engineer

Pubblicato il 21-11-2026 · altermAInd · Bardi

alterm AInd
è una società AI-Native che opera nella transizione verso l'
impresa post-routine
: un modello organizzativo dove intelligenza umana e agenti AI collaborano per costruire aziende più fluide, veloci e adattive.
Per noi l'AI non è un immediato tool, ma una nuova infrastruttura operativa.
Lavoriamo per aiutare organizzazioni e persone a ripensare processi, flussi di lavoro e modelli decisionali attraverso sistemi AI, agenti, automazioni e nuove modalità collaborative.
Sperimentiamo direttamente su noi stessi ciò che proponiamo ai clienti: prototipiamo, iteriamo e riprogettiamo continuamente il nostro modo di lavorare per costruire un'organizzazione realmente AI-native.
La posizione
Lavorerai all'evoluzione di Gravity, la piattaforma alterm AInd che governa accesso, utilizzo, sicurezza e osservabilità dei servizi AI in contesti enterprise.
Cerchiamo un Java engineer con mentalità di platform engineering: non un profilo limitato al Dev Ops, ma una persona che costruisca componenti software di prodotto e ne garantisca il funzionamento in produzione.
Di cosa ti occuperai Java backend e architetture distribuite
Progettare, sviluppare ed evolvere servizi backend Java/JVM, microservizi, API REST e contratti di integrazione della piattaforma.
Realizzare componenti dell'AI Gateway: instradamento verso modelli e provider, fallback, streaming delle risposte, gestione dei timeout e resilienza.
Implementare tenancy, configurazioni per organizzazioni e use case, API key, policy, limiti di utilizzo e controllo dei budget.
Ottimizzare concorrenza, I/O, thread management, caching e interazioni con database e servizi esterni.
Cloud-native engineering e operatività
Distribuire e mantenere servizi containerizzati su Azure Kubernetes Service (AKS)



tramite Kubernetes e Helm.
Gestire configurazioni, secrets, networking, scalabilità orizzontale, health check e strategie di rilascio/rollback.
Sviluppare e migliorare pipeline CI/CD e pratiche di automazione, troubleshooting e gestione degli ambienti.
Contribuire alla resilienza della piattaforma in scenari cloud e infrastrutture enterprise private.
AI infrastructure, governance e sicurezza
Integrare API LLM e servizi di inferenza self-hosted, inclusi runtime basati su v LLM e Ray, attraverso interfacce controllate.
Evolvere meccanismi di routing, TPM/RPM, token accounting, attribution dei costi, caching e guardrail.
Realizzare controlli di autenticazione e autorizzazione, segregazione multi-tenant, audit trail e protezione delle credenziali.
Supportare l'integrazione di nuovi modelli, servizi agentici e interfacce MCP in coerenza con le policy enterprise.
Misurare e migliorare latency p95/p99, throughput, error rate, saturazione, disponibilità e costi per richiesta.
Implementare logging strutturato, metriche e distributed tracing con Open Telemetry e Datadog.
Diagnosticare incidenti applicativi e problemi JVM, definire runbook, test automatici e azioni di prevenzione.
Collaborare con AI Factory, Use Case e Delivery Team per costruire interfacce stabili, servizi riutilizzabili e standard di qualità.




Competenze tecniche richieste Java e software engineering
Ottima padronanza di Java e dell'ecosistema JVM; esperienza diretta con applicazioni backend in produzione.
Architetture a microservizi, API REST/HTTP, concorrenza, thread, pooling, gestione degli errori e performance engineering.
Design pattern, principi di progettazione modulare, testing (JUnit e framework equivalenti), Git, Maven/Gradle e code review.
Cloud e sistemi distribuiti
Esperienza operativa con Docker, Kubernetes e Helm; comprensione di risorse, service networking, ingress e autoscaling.
Esperienza su Azure o cloud equivalenti, preferibilmente AKS/ACR, CI/CD e gestione di ambienti dev/test/prod.
Conoscenza di SQL e database relazionali; gestione di transazioni, integrazioni applicative e data access.
Conoscenza pratica di OAuth2/OIDC, JWT, RBAC, API security e gestione sicura dei secret.
Esperienza con log, metriche, distributed tracing e diagnosi dei problemi in produzione.
Conoscenza delle API LLM e dei concetti di token, context window, inferenza, streaming, latency e throughput.
Capacità di integrare servizi modello tramite API, comprendendone disponibilità, limiti, costi e failure mode.
Competenze preferenziali
Spring Boot, Spring Security o Spring Web Flux; reactive programming e ottimizzazione avanzata della JVM.
Esperienza diretta con API Gateway, service mesh o piattaforme multi-tenant Saa S/Paa S.
v LLM, Ray, sistemi GPU, serving di modelli open-weight e strategie di efficientamento dell'inferenza.
Argo CD, Git Ops, Terraform, Rancher e ambienti Open Shift/on-premise.
Redis, Mongo DB, Postgre SQL avanzato, sistemi di caching e vector database.
Python per tooling, integrazioni con servizi AI, benchmark o automazione
Max. 8 MB. Formati Accettati: PDF, RTF, DOC, DOCX, ODT.