Siamo alla ricerca di un/una AI Engineer che possieda una comprovata esperienza nello sviluppo di applicazioni LLM in produzione. La risorsa selezionata si occuperà della realizzazione di soluzioni GenAI per la nostra committenza e dello sviluppo di tooling interno, garantendo un' ownership end-to-end, dalla fase di progettazione fino al deployment. Inoltre, collaborando in stretta sinergia con il team di Discovery, potrà offrire il proprio contributo all'ideazione e allo sviluppo di nuovi prodotti.

Attività

• Progettare e sviluppare applicazioni GenAI end-to-end (RAG, agenti, function calling), con relativa conduzione in produzione

• Gestire in autonomia (ownership) le feature: design tecnico, implementazione, deployment in ambienti cloud o on-premise e monitoraggio

• Ottimizzare qualità, costi e latenza: selezione e confronto dei modelli, caching e ottimizzazione di retrieval e prompt

• Sviluppare pipeline di valutazione automatica per la misurazione della qualità degli output (accuratezza, hallucination, groundedness)

• Integrare le soluzioni AI con i sistemi dati interni e della committenza

• Supportare la crescita professionale dei colleghi junior mediante attività di pairing e code review

Requisiti

• Comprovata esperienza professionale, stimata tra i 2 e i 5 anni, nell'ambito dello sviluppo software o del Machine Learning Engineering, con almeno un anno dedicato specificamente ad applicazioni basate su LLM in contesti di produzione

• Esperienza consolidata nell'implementazione di soluzioni RAG end-to-end, con particolare riferimento alle metodologie di chunking, embedding, retrieval ibrido e re-ranking

• Competenza nell'utilizzo in ambiente di produzione di almeno un database vettoriale (quali Milvus, pgvector, Qdrant o analoghi)

• Solide competenze nell'impiego del linguaggio Python, del framework FastAPI (o strumenti equivalenti) e nello sviluppo di architetture orientate ai microservizi

• Padronanza di Docker e comprovata capacità di deployment su piattaforme cloud dei principali hyperscaler (AWS, Azure o GCP)

• Esperienza pregressa nell'adozione di framework agentici (come LangGraph o similari) o nella progettazione di sistemi di function e tool calling

• Approfondita conoscenza delle metodologie di evaluation e degli strumenti di observability dedicati ai Large Language Models (inclusi Langfuse, LangSmith, Ragas o applicativi equivalenti)

Competenza preferenziali

• Comprovata esperienza nello sviluppo e nella gestione di progetti afferenti al machine learning classico (quali computer vision e modelli predittivi) o all'ambito del data engineering

• Conoscenza delle metodologie fondamentali di MLOps, con particolare riferimento ai processi di CI/CD applicati ai modelli e alla strutturazione di pipeline di training e serving

• Competenza nell'implementazione di soluzioni di serving self-hosted per Large Language Models (LLM), mediante l'utilizzo di strumenti quali vLLM e Ollama, in contesti infrastrutturali on-premise

• Padronanza nell'utilizzo della piattaforma Kubernetes per l'orchestrazione dei container