Machine Learning Engineer

Siamo Humans.tech. Creiamo interfacce intelligenti che risolvono tematiche complesse e migliorano esperienze, oltre a essere, ovviamente, belle Collaboriamo con aziende globali come Airbnb, Amazon, Angelini… e siamo solo alla lettera A. In 10 anni abbiamo lanciato oltre 700 prodotti digitali, lavoriamo per il 70% con clienti globali, tra Europa e Stati Uniti, e abbiamo sedi a Frosinone e San Francisco. Siamo tra le 1000 aziende europee in più rapida crescita per Financial Times Statista e tra le top 5 aziende per cui lavorare in Italia per la Gen Z secondo Great Place to Work 2026. Lavoriamo con AI dal 2015, non da quando è diventata un trend. I nostri Partner si chiamano OpenAI, Meta, AWS, Translated. Non siamo la solita consulenza. Affianchiamo product company e aziende che vogliono diventarlo, e i prodotti li costruiamo davvero: dall'analisi all'architettura, dal codice al delivery. È come lavorare dentro un team prodotto, solo che il team prodotto siamo noi.

Chi cerchiamo

• Non cerchiamo qualcuno che sappia sviluppare. Cerchiamo qualcuno che si annoi a farlo in modo ordinario.
• Una persona senior. Senior vera, non senior su LinkedIn.
• Una che sistemi ad alto traffico li ha sviluppati, mantenuti e scalati e non guardati da fuori, non toccati a pezzi. Una che ha messo prodotti in produzione e che chiude il cerchio, dal training al serving, non addestra un prototipo e passa la palla.
• Una persona AI‑first: l'architettura del progetto la pensa con la sua testa, poi usa gli strumenti giusti per costruirla, riprogettarla, accelerarla. L'AI è leva, non scorciatoia.
• Qui dentro funziona così: noi ti diamo le opportunità. Tu le prendi, le capisci, le contestualizzi. Procedi velocemente verso le soluzioni, prendi le decisioni, le porti in produzione. Senza creare frizione.

Come ragioniamo

• Si lavora per obiettivi. Questo ci rende flessibili e molto esigenti. Spingiamo ogni persona del team oltre i suoi limiti attuali perché solo così si arriva a risultati che superano l'aspettativa iniziale.
• Non vogliamo che tu abbia le risposte pronte. Vogliamo che tu sappia fare le domande giuste e che abbia il pensiero critico per scavarci dentro.
• Entrerai in un team cross‑funzionale: la versione a pieni poteri di un gruppo coeso, trasversale nelle conoscenze e verticale nelle competenze. Software Engineer, ML/AI, Product Designer, dentro la stessa stanza, fisica o virtuale che sia.
• Qui si supporta l'idea migliore, non la propria idea. Ti chiediamo di portarne tante, e di lasciar andare le tue quando ne arriva una più solida. "Abbiamo sempre fatto così" non è una risposta accettabile.
• Coltiviamo l'eccellenza, ma sappiamo che la perfezione, nei processi umani, è una bugia. Le persone qui restano: significa team stabili, basso turnover, continuità reale sui progetti. È il nostro indicatore migliore.

Cosa devi saper fare

• Python, padroneggiato sul serio. Codice production‑ready, con clean code, testing e CI/CD (Git, GitHub Actions).
• Algoritmi ML, supervisionati e non. Conosci i principali e sai quale serve per quale problema e costruisci soluzioni che si ripetono su più casi d'uso, non one‑off. Data preparation e feature engineering (Pandas, NumPy) sono parte del mestiere, non un fastidio da delegare.
• Deep learning con PyTorch e/o TensorFlow. Progetti, addestri e ottimizzi le architetture (CNN, RNN, Transformer) e le hai applicate sul serio a NLP e Computer Vision (BERT, GPT, YOLO). Non adatti un tutorial: lo riscrivi quando serve.
• Fondamenti matematici e statistici. Algebra lineare, probabilità, statistica inferenziale. Ti servono per validare un modello e scovare un bias nei dati, non per superare un esame.
• MLOps e produzione. ML pipeline per deployment e monitoring, Docker e Kubernetes nel flusso quotidiano, serving su cloud (AWS, GCP o Azure) con autoscaling e costi inference sotto controllo. Gestisci l'intero lifecycle, dal training al maintenance, non solo il momento bello del training.
• Data engineering. SQL e NoSQL per volumi seri, pipeline robuste, data quality. E ti muovi con i vector database (es. Qdrant) e i graph database (es. Neo4j) che le applicazioni AI moderne richiedono. I dati sporchi a valle li paghi a monte, e lo sai.
• Observability e model governance. Monitoring, drift detection, metriche di valutazione serie, retraining e model versioning (es. MLflow, DVC). Un modello in produzione che nessuno guarda è un debito, non un asset.
• Agentic coding tools nel flusso quotidiano.
• Inglese professionale, scritto e parlato.

Plus di valore

• LLM, RAG e orchestrazione di sistemi multi‑agente (LangGraph, AutoGen o CrewAI). Interesse o esperienza concreta in ambito GenAI.
• Training distribuito e fine‑tuning su larga scala (SageMaker, Vertex AI).
• Techniche avanzate (Re