Paese
Settore
Search a job
INTELLIGENCE-ARTIFICIELLE-IA
NLP Engineer
Sviluppo di sistemi di comprensione del linguaggio naturale per applicazioni ad alta complessità semantica
28 000 – 70 000 EUR (€)
Stipendio / anno
Laurea Magistrale
Livello formazione
00
Automazione
Medio
Difficoltà
Positivo
Occupabilità
12-24 mesi
Tensione del mercato
Moderata
Mobilità
Possibile
Automazione
Medio
Difficoltà
Positivo
Occupabilità
12-24 mesi
Tensione del mercato
Moderata
Mobilità
Possibile
About
L'ingegnere NLP progetta, addestra e ottimizza modelli di elaborazione del linguaggio naturale in ambienti di ricerca applicata o produzione industriale. Opera con framework come Hugging Face Transformers, spaCy, PyTorch e TensorFlow, integrando pipeline di pre-elaborazione testuale, fine-tuning di modelli linguistici di grandi dimensioni e valutazione delle prestazioni. Collabora con data scientist, ingegneri software, linguisti computazionali e product manager per trasformare requisiti funzionali in architetture NLP scalabili e misurabili.
Competenze
Competenze tecniche
- Competenza in Python avanzato con librerie come PyTorch, TensorFlow, JAX
- Esperienza con Hugging Face Transformers e Tokenizers
- Tecniche di fine-tuning avanzate come LoRA, QLoRA, instruction tuning
- Utilizzo di spaCy, NLTK, Gensim per NLP classico
- Gestione di dataset testuali su larga scala con Spark, Pandas
- Implementazione di MLOps con MLflow, DVC, Docker, Kubernetes
- Conoscenza di SQL e database vettoriali come Pinecone, Weaviate, FAISS
- Valutazione con metriche NLP come BLEU, ROUGE, BERTScore
Competenze interpersonali
- Dimostra rigore metodologico nella gestione degli esperimenti
- Capacità di comunicare risultati tecnici a interlocutori non specialisti
- Autonomia nella definizione delle priorità di ricerca
- Adattabilità rapida a nuovi paradigmi e architetture
Compiti
- Progettare architetture di modelli NLP come BERT, GPT, T5, ottimizzando F1-score e latenza di inferenza
- Eseguire il fine-tuning di LLM su dataset proprietari con tecniche LoRA, QLoRA e PEFT
- Costruire pipeline di pre-elaborazione testuale (tokenizzazione, lemmatizzazione, NER) riducendo il rumore del corpus del 30%
- Valutare le prestazioni dei modelli con benchmark standard come GLUE, SuperGLUE e metriche custom
- Implementare sistemi di classificazione del testo, analisi del sentiment e question answering in produzione
- Integrare modelli NLP in API REST e microservizi tramite FastAPI o Flask
- Monitorare il drift semantico dei modelli in produzione con strumenti di MLOps come MLflow, DVC
- Collaborare con i team di annotazione per definire schemi di labeling e controllare la qualità dei dati
- Documentare le architetture e i risultati sperimentali in report tecnici e articoli interni
- Condurre esperimenti comparativi su tecniche di data augmentation per NLP in scenari low-resource
Ambienti di lavoro
Gli ambienti di lavoro possono variare:
Startup AI e scale-up tecnologiche, focalizzate sull'innovazione
Laboratori di ricerca universitari e industriali, dove si esplora il futuro dell'NLP
Grandi gruppi tecnologici con divisioni AI, leader nel settore
Software house specializzate in soluzioni enterprise per clienti globali
Settore finanziario e legale per analisi documentale avanzata
Aziende editoriali e media per elaborazione contenuti innovativi
Possibili evoluzioni
- Avanzamento verso Machine Learning Engineer senior
- Ruolo di Research Scientist in NLP
- Diventare Head of AI o Responsabile del laboratorio AI
- Evoluzione in AI Product Manager
- Consulente indipendente in NLP e linguistica computazionale
Profilo ricercato
Pensiero analitico applicato a strutture linguistiche complesse
Orientamento alla riproducibilità e documentazione degli esperimenti
Capacità di tradurre problemi linguistici in soluzioni computazionali
Aggiornamento continuo sullo stato dell'arte NLP
Come diventare NLP Engineer?








