Artificial Intelligence Engineer

Competenze

Competenze tecniche

• Esperienza con linguaggi come Python e R e librerie ML come TensorFlow e PyTorch
• Conoscenza di architetture deep learning come CNN, RNN e Transformer
• Esperienza in MLOps con strumenti come MLflow, Kubeflow e DVC
• Competenza in cloud computing su AWS, GCP e Azure con servizi AI
• Elaborazione dati su larga scala con strumenti come Spark e Dask
• Containerizzazione e orchestrazione con tecnologie come Docker e Kubernetes
• Implementazione di NLP e modelli di linguaggio di grandi dimensioni come BERT e GPT
• Applicazione di tecniche di statistica e ottimizzazione bayesiana

Competenze interpersonali

• Dimostrazione di rigore analitico nella valutazione dei risultati
• Comunicazione tecnica adattata a interlocutori non specialisti
• Autonomia nella gestione di progetti di ricerca applicata
• Collaborazione interfunzionale con team eterogenei
• Adattabilità rapida a nuovi framework e paradigmi algoritmici

Compiti

• Progettare architetture di modelli di machine learning e deep learning che siano adattate agli obiettivi di business e con metriche di performance ben definite
• Sviluppare pipeline di pre-elaborazione dati utilizzando strumenti come Pandas, Spark o Dask per gestire volumi superiori a 10 GB
• Addestrare e validare modelli supervisionati e non supervisionati, misurando l'accuratezza, F1-score e AUC-ROC su set di test indipendenti
• Implementare soluzioni NLP con trasformatori BERT, GPT o modelli personalizzati per la classificazione di testi, named entity recognition e generazione di contenuti
• Orchestrare workflow MLOps con MLflow, Kubeflow o SageMaker per il versionamento dei modelli e la gestione del loro ciclo di vita
• Eseguire tecniche di ottimizzazione dei modelli come pruning, quantizzazione e distillazione per ridurre la latenza di inferenza del 30-50%
• Monitorare il drift dei modelli in produzione tramite dashboard Grafana o strumenti custom con soglie di alert automatizzate
• Condurre esperimenti A/B su varianti algoritmiche e documentare i risultati in report strutturati con analisi statistica
• Integrare API REST e microservizi per esporre i modelli AI a sistemi esterni, garantendo SLA di disponibilità definiti
• Collaborare con i team di data engineering per definire schemi di dati e contratti di qualità misurabili
• Redigere documentazione tecnica e model card conformi agli standard di AI governance e reproducibilità

Ambienti di lavoro

Gli ambienti di lavoro possono variare:

Possibili evoluzioni

• Evoluzione verso Lead AI Engineer per guidare team di sviluppo
• Ruolo di Machine Learning Architect per progettare sistemi complessi
• Capo della divisione come Head of Data Science per strategie avanzate
• Posizione di Chief AI Officer per definire visioni aziendali
• Ruolo accademico come AI Research Scientist per ricerca pionieristica
• Diventare Consulente AI indipendente per progetti su misura

Profilo ricercato