AI & Data Science rif 23722

DIGIMAT SPA; Milano; In loco; EUR 50.000 - 70.000; Tempo pieno

Descrizione del lavoro

DIGIMAT SPA cerca profili AI & Data Science da impiegare in presenza a Milano per sviluppare componenti che integrano modelli generativi e flussi agentici complessi. Si lavora sull’orchestrazione, la gestione della memoria e l’integrazione con ERP/CRM e repository documentali, assicurando affidabilità e controllo degli errori.

Richiesta esperienza 2–4 anni e ottima conoscenza dell’inglese. Disponibilità a lavorare in presenza presso la sede del cliente e contesto multinizzato con attenzione a

Competenze

• 2-4 anni di esperienza nello sviluppo software con progetti IA.
• Ottima conoscenza della lingua inglese.
• Presenza fisica presso la sede del cliente a Milano/Sede indicata.

Mansioni

• Sviluppa componenti che integrano modelli generativi e orchestrazione delle chiamate.
• Gestisce flussi agentici e la memoria/knowledge base per il contesto.
• Integra soluzioni con sistemi del cliente (DB, servizi, repository) e gestisce errori e permessi.
• Definisce e verifica istruzioni per modelli, confrontando performance e limiti.
• Partecipa al monitoraggio, iterazione e rilascio controllato delle soluzioni.

Conoscenze

Python

Modelli generativi

Recupero informazioni

Sistemi agentici

Conoscenza grafo

SQL

Kubernetes

Docker

LangChain/LangGraph

Formazione

Laurea STEM

Strumenti

LangChain/LangGraph

Kubernetes

Docker

SQL

Descrizione del lavoro

Siamo alla ricerca di profili AI & Data Science per attività in presenza.

richiediamo almeno 2/4 anni di esperienza e ottima conoscenza della lingua inglese

Responsabilità

• Sviluppa componenti applicativi che integrano modelli generativi: recupero e selezione delle informazioni, costruzione del contesto, orchestrazione delle chiamate, restituzione dei risultati.
  Realizza flussi agentici secondo un disegno definito con il riferimento tecnico: definizione dei passi, gestione degli strumenti a disposizione dell'agente, controllo dei casi di uscita e dei limiti di esecuzione.
  Integra le soluzioni con i sistemi del cliente — basi dati, servizi applicativi, repository documentali — curando affidabilità e gestione degli errori.
  Espone agli agenti gli strumenti di accesso ai sistemi del cliente — ERP, CRM, piattaforme di gestione dei servizi IT — attraverso i protocolli di interoperabilità standard, curandone il contratto d'uso, la gestione degli errori e il controllo dei permessi.
  Realizza i componenti di memoria e di knowledge base a supporto degli agenti: conservazione del contesto fra le esecuzioni, indicizzazione documentale e a grafo, meccanismi di aggiornamento al variare delle fonti.
  Estende i flussi agentici agli scenari multi-agente: suddivisione dei compiti fra agenti specializzati, protocolli di scambio, gestione dello stato condiviso e dei casi di conflitto.
  Valuta sistematicamente la qualità dei risultati, costruendo insiemi di casi di prova, misurando accuratezza e coerenza delle risposte e documentando i limiti riscontrati.
  Progetta e affina le istruzioni fornite ai modelli in modo strutturato e versionato, trattandole come artefatti di progetto e non come testo da modificare a caso.
  Porta in esercizio quanto sviluppa e ne presidia il funzionamento: monitorandone il comportamento, la qualità delle risposte e il costo di esecuzione, e intervenendo sulle anomalie con il supporto del team.
  Contribuisce all'industrializzazione delle soluzioni applicando le pratiche del team: revisione del codice, test automatici, rilascio controllato, tracciamento delle esecuzioni.
  Partecipa alle sessioni di lavoro con il cliente: illustra quanto realizzato, raccoglie riscontri e li traduce in interventi tecnici concordati con il team.
  Documenta il proprio lavoro segnalando al riferimento tecnico i casi in cui il comportamento del sistema non è affidabile o presenta rischi.

Competenze tecniche richieste

• Sviluppo software: padronanza del linguaggio Python, con codice strutturato, testato e manutenibile.
  Modelli generativi: comprensione del funzionamento dei modelli linguistici, dei loro limiti intrinseci e delle conseguenze pratiche — finestra di contesto, non determinismo, tendenza a produrre risposte plausibili ma errate.
  Recupero delle informazioni: esperienza di costruzione di sistemi che recuperano informazioni da fonti proprietarie per fondare le risposte: segmentazione dei documenti, rappresentazione vettoriale, ricerca semantica, criteri di selezione del contesto. Conoscenza delle rappresentazioni a grafo della conoscenza (Graph RAG) e capacità di riconoscere quando la sola ricerca vettoriale non basta.
  Sistemi agentici: comprensione di come si struttura un agente: scomposizione del compito, uso di strumenti esterni, gestione della memoria, controllo del ciclo di esecuzione e dei suoi limiti.
  Framework di orchestrazione agentica: esperienza pratica su almeno uno fra LangChain/LangGraph, Google ADK, Microsoft Agent Framework, Claude Agent SDK e OpenAI Agents SDK, con comprensione del modello di esecuzione adottato — in particolare l'orchestrazione a grafo di stati — dei meccanismi di definizione degli strumenti e dei protocolli di interoperabilità che consentono ad agenti e sistemi di dialogare.
  Valutazione: capacità di definire criteri di qualità misurabili e di costruire una procedura di verifica ripetibile. Distinguere un sistema che funziona da uno che sembra funzionare o funziona solo per uno specifico scenario. La valutazione va condotta a livello di agente, sul singolo passo e sulla traiettoria completa, con suite di non-regressione che intercettino i peggioramenti fra versioni di prompt, modello o flusso.
  Fondamenti di machine learning: nozioni solide di apprendimento supervisionato, delle metriche di valutazione e del significato di “overfitting”.
  Ambienti di esecuzione: uso corrente di container e di Kubernetes, con attenzione alla portabilità della soluzione fra cloud pubblico e infrastruttura on‑premise; comprensione dei meccanismi di autenticazione, di limitazione delle chiamate e di controllo dei costi dei servizi di modello.
  Sicurezza e riservatezza: consapevolezza dei rischi specifici: manipolazione delle istruzioni, trattamento di dati riservati nei contesti inviati ai modelli, tracciabilità delle decisioni automatiche.
  Guardrail e supervisione umana: controlli sugli input e sugli output, definizione dei limiti di azione degli agenti e individuazione dei punti in cui l'esecuzione si ferma per chiedere conferma a una persona.
  Strumenti di lavoro: versionamento, integrazione continua, gestione delle configurazioni e dei segreti.
  Dati: padronanza di SQL e capacità di lavorare con dati strutturati e documentali.

Competenze relazionali richieste

• Chiarezza espositiva: sa spiegare a un interlocutore non tecnico cosa fa il sistema, cosa non può fare e con quale grado di affidabilità. Su questi temi le aspettative del cliente sono spesso superiori alla realtà e vanno riportate a terra con garbo.
  Onestà nel raccontare i risultati: riporta i risultati per quello che sono, anche quando sono deludenti, e non presenta un dimostratore riuscito come una soluzione pronta.
  Metodo nel problem solving: davanti a un comportamento anomalo procede per ipotesi verificabili, isola le variabili e sa ricostruire il ragionamento seguito. In un sistema non deterministico è più difficile e più importante che altrove.
  Ascolto e traduzione: comprende una richiesta funzionale, individua le ambiguità e le chiarisce con domande puntuali prima di iniziare a sviluppare.
  Trasparenza: segnala difficoltà e ritardi per tempo, riconosce i propri limiti e chiede supporto prima che il problema si aggravi.
  Postura di consulenza: mantiene un comportamento professionale presso il cliente e distingue ciò che può comunicare direttamente da ciò che va concordato con il riferimento tecnico o con il project manager.
  Curiosità disciplinata: in un ambito che cambia rapidamente, sa aggiornarsi in autonomia distinguendo le novità sostanziali dal rumore di fondo.

Requisiti di accesso

• Laurea STEM, oppure esperienza equivalente maturata sul campo.
  2-4 anni di esperienza in sviluppo software, di cui almeno uno su progetti che integrano modelli di intelligenza artificiale.
  Almeno una soluzione basata su modelli generativi portata oltre la fase di dimostratore.
  Inglese tecnico sufficiente a leggere documentazione e partecipare a riunioni operative.
  Disponibilità alla presenza presso la sede del cliente secondo le esigenze del progetto.
  Sede di lavoro: Milano, Bergamo

Elementi preferenziali

• Certificazioni sui servizi di intelligenza artificiale di una piattaforma cloud.
  Esperienza su più di un framework di orchestrazione agentica.
  Contributi a progetti open source o pubblicazione di lavori personali verificabili.
  Esperienza di messa in esercizio e monitoraggio di sistemi basati su modelli.
  Esperienza in contesti di consulenza o multi-cliente.
  Esperienza con agenti applicati al ciclo di vita del software: generazione e revisione del codice, test, documentazione.
  Interesse o esperienza su Physical AI: agenti che interagiscono con sistemi fisici, sensoristica, robotica.
  Conoscenza di ambiti applicativi ricorrenti per la capability: manifatturiero, energia, retail, banche e assicurazioni, pubblica amministrazione.