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
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)
