AI Engineer

DOS Design; Roma; In loco; EUR 55.000 - 90.000; Tempo pieno

Descrizione del lavoro

DOS Design cerca un AI Engineer per sviluppare soluzioni GenAI end-to-end, includendo RAG, agenti e function calling, con responsabilità dall'ideazione al deployment. Collaborerai con Discovery per ideare nuovi prodotti e garantire l’ownership delle feature in produzione.

È richiesta esperienza con LLM in produzione, Python, FastAPI e architetture microservizi, oltre a Docker e deployment su cloud. Parteciperai a pipeline di valutazione qualità output e attività di pairing per junior.

Competenze

• Comprovata esperienza professionale, 2–5 anni, nello sviluppo software o ML Engineering, con almeno 1 anno su LLM in produzione.
• Esperienza end-to-end con soluzioni RAG, chunking, embedding, retrieval ibrido e re-ranking.
• Competenze Python e FastAPI; architetture a microservizi.
• Uso di Docker e deployment su cloud (AWS/Azure/GCP).
• Conoscenza di strumenti di osservabilità per LLM (Langfuse/LangSmith/Ragas o simili).

Mansioni

• Progettare e sviluppare applicazioni GenAI end-to-end (RAG, agenti, function calling) in produzione.
• Gestire ownership delle feature: design tecnico, implementazione, deployment e monitoraggio in cloud o on-premise.
• Ottimizzare qualità, costi e latenza: comparazione modelli, caching e retrieval/prompt optimization.
• Sviluppare pipeline di valutazione automatica per misurare accuratezza, hallucination e groundedness.
• Integrare soluzioni AI con sistemi dati interni e della committenza.
• Supportare la crescita dei colleghi junior con pairing e code review.

Conoscenze

LLM produzione

RAG end-to-end

Python

FastAPI

Docker

Microservizi

LangGraph

Langfuse

Observability

Kubernetes

Vector DB

Strumenti

Milvus

pgvector

Qdrant

Descrizione del lavoro

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