Machine Learning Engineer

Competenze

Competenze tecniche

• Utilizzo avanzato di Python con librerie come NumPy, Pandas, scikit-learn
• Esperienza con framework di deep learning come TensorFlow e PyTorch
• Gestione piattaforme MLOps tra cui MLflow e Kubeflow
• Implementazione di soluzioni su cloud come AWS SageMaker
• Competenze in containerizzazione con Docker e Kubernetes
• Esperto in feature engineering e gestione feature store
• Utilizzo di SQL e database NoSQL per la gestione dei dati
• Tecniche di explainability AI come SHAP e LIME per interpretabilità

Competenze interpersonali

• Dimostra rigore metodologico nella validazione sperimentale
• Capacità di tradurre problemi complessi in soluzioni algoritmiche
• Collaborazione interfunzionale con team tecnici e di business
• Autonomia nella gestione di progetti multi-fase
• Pensiero critico nell'analisi dei risultati dei modelli

Compiti

• Progettare architetture di modelli ML supervisionati e non supervisionati per rispondere ai requisiti aziendali
• Addestrare e validare modelli su dataset di grandi dimensioni con TensorFlow, PyTorch o scikit-learn
• Costruire e mantenere pipeline MLOps con Kubeflow, MLflow o Airflow per automatizzare training e deployment
• Ottimizzare iperparametri con tecniche di grid search, random search e Bayesian optimization per ridurre l'errore del 15-30%
• Distribuire modelli in produzione su infrastrutture cloud come AWS SageMaker, GCP Vertex AI, Azure ML con latenza inferiore a 100ms
• Monitorare il comportamento dei modelli in produzione rilevando concept drift e data drift con strumenti come Evidently o Fiddler
• Collaborare con i data engineer per definire schemi di feature store e strategie di data versioning con DVC
• Scrivere test unitari e di integrazione per codice ML, garantendo la riproducibilità degli esperimenti
• Documentare architetture, scelte algoritmiche e metriche di performance in model card strutturate
• Analizzare i fallimenti dei modelli tramite tecniche di explainability come SHAP e LIME per migliorare l'interpretabilità

Ambienti di lavoro

Gli ambienti di lavoro possono variare:

Possibili evoluzioni

• Evoluzione verso Lead Machine Learning Engineer per guidare team tecnici
• Ruolo di Head of AI con responsabilità strategiche
• Posizione come Data Scientist Senior per progetti complessi
• Crescita come MLOps Engineer per ottimizzare pipeline
• Possibilità di diventare Chief Data Officer con visione globale

Profilo ricercato