Lead AI Engineer

DOS Design; Roma; In loco; EUR 90.000 - 130.000; Tempo pieno

Descrizione del lavoro

DOS Design è alla ricerca di un Lead AI Engineer specializzato in GenAI per guidare architetture complesse, soluzioni per i clienti e tooling interno. Il ruolo prevede leadership tecnica, definizione di standard e crescita del team.

La figura lavorerà su scelte architetturali tra cloud e on‑premise, e guiderà lo sviluppo e l’implementazione di sistemi GenAI in ambienti multi‑tenant ad alto traffico, con particolare attenzione a sicurezza e costi.

Competenze

• 5+ anni di esperienza nel software o ML engineering, con 2+ anni in GenAI/LLM in produzione.
• Esperienza in sistemi agent-based e architetture RAG complesse multi-tenant.
• Conoscenza di hyperscaler (AWS/Azure/GCP) e deployment ibrido o on-premise.

Mansioni

• Definire architetture GenAI: scelte make/buy, modelli, cloud vs on-premise.
• Guidare progetti complessi, dallo design alla produzione, garantendo scalabilità e affidabilità.
• Progettare e gestire serving self-hosted di modelli open-weight (vLLM) e gestione risorse.
• Mentoring di profili junior e mid, review di design e codice.

Conoscenze

Leadership tecnica

Architettura GenAI

LLMOps

vLLM & open-weight serving

Cloud ibrido / on-premise

Mentoring

Interfaccia con stakeholder

Strumenti

Kubernetes

Langfuse

LangSmith

vLLM

Kubeflow

CI/CD pipelines

Descrizione del lavoro

Lead AI Engineer (GenAI)

Siamo alla ricerca di un/una Lead AI Engineer volto/a a guidare la progettazione e l'evoluzione dei nostri sistemi GenAI, delle soluzioni per i clienti e del tooling interno, dalle architetture RAG e agentiche in cloud fino al serving di modelli open-weight on-premise. In collaborazione con le competence area di Discovery, la risorsa selezionata contribuirà inoltre allo sviluppo di nuovi prodotti. Trattandosi di un ruolo di leadership tecnica, la figura professionale si occuperà di definire gli standard, assumere le scelte architetturali e guidare lo sviluppo e la crescita del team.

Attività

• Definire l'architettura dei sistemi GenAI: scelte make/buy, selezione dei modelli, trade-off cloud vs on-premise in base a vincoli di dati, costi e performance
• Guidare tecnicamente i progetti più complessi, dal design alla produzione, garantendo scalabilità e affidabilità
• Progettare e gestire il serving self-hosted di LLM open-weight (vLLM)
• Definire gli standard di qualità e LLMOps: evaluation, observability, testing, gestione dei costi, versionamento di prompt e modelli
• Implementare guardrail e sicurezza: mitigazione di prompt injection, gestione PII, controlli sull'output
• Svolgere attività di mentoring a beneficio di profili junior e mid, guidando code review e design review
• Operare come interfaccia tecnica verso clienti e stakeholder interni, contribuendo alle decisioni di prodotto e allo scouting tecnologico

Requisiti

• Comprovata esperienza (5+ anni) nel settore del software o ML engineering, di cui almeno 2 anni nello sviluppo e conduzione di sistemi GenAI/LLM in produzione
• Solida e dimostrabile esperienza nell'implementazione di sistemi agentici in produzione e nell'ingegnerizzazione di architetture RAG complesse su larga scala (ambienti multi-tenant, elevati volumi di traffico e gestione di dati sensibili)
• Approfondita conoscenza tecnica di almeno una piattaforma hyperscaler (AWS, Azure, GCP) e consolidata competenza in soluzioni di deployment ibride o on-premise
• Competenza nel serving e nell'ottimizzazione di modelli open-weight (tramite vLLM o framework equivalenti), comprese le logiche di quantizzazione, batching e gestione avanzata delle risorse GPU
• Solide basi metodologiche relative ad architetture di sistemi distribuiti, Kubernetes, networking e protocolli di sicurezza informatica
• Completa padronanza delle metodologie di evaluation avanzata e dei principali framework di observability/LLMOps (quali Langfuse o LangSmith, con relative valutazioni automatiche e processi human-in-the-loop)
• Consolidata esperienza nel ruolo di leadership tecnica, comprendente attività di mentoring, definizione di standard qualitativi e coordinamento di team di progetto multidisciplinari

Competenza preferenziali

• Comprovata esperienza nell'implementazione in ambiente di produzione di soluzioni di machine learning classico (computer vision, modelli predittivi) o nell'ambito del data engineering
• MLOps avanzato (gestione di Kubeflow e sviluppo di pipeline CI/CD per il ciclo di vita dei modelli)
• Esperienza maturata in contesti regolamentati o soggetti a stringenti vincoli di data residency
• Contributi attivi a progetti open source, interventi a conferenze di settore o pubblicazioni scientifiche in ambito AI/ML