AI Engineer

DOS Design; Roma; In loco; EUR 60.000 - 90.000; Tempo pieno

Descrizione del lavoro

DOS Design cerca un AI Engineer per progettare e sviluppare soluzioni GenAI in produzione, con focus su RAG, agenti e function calling. Il candidato gestirà l’intero ciclo, dall’ideazione al deployment.

Richiesta esperienza con pipeline di valutazione, osservability di LLM e infrastrutture cloud/on-premise. Si privilegia esperienza con Kubernetes, Docker e modelli di retrieval ibrido.

Competenze

• Esperienza di 2–5 anni nello sviluppo software o ML Engineering, con almeno 1 anno in produzione di LLM.
• Esperienza end-to-end con soluzioni RAG, chunking, embedding, retrieval ibrido e re-ranking.
• Conoscenza di database vettoriali in produzione (Milvus, pgvector, Qdrant o simili).
• Competenze solide in Python, FastAPI e architetture a microservizi.
• Padronanza di Docker e deployment su AWS/Azure/GCP.

Mansioni

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

Conoscenze

Python

FastAPI

Docker

Microservizi

LangGraph/LangSmith

Strumenti

Milvus

pgvector

Qdrant

Kubernetes

Langfuse

LangSmith

Ragas

vLLM/Ollama

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