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, con chi lavorerai

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 solido. Codice pulito e testato, a tuo agio con Git e CI/CD (GitHub Actions). Il production-ready non ti spaventa: la base la padroneggi.
• Algoritmi ML, supervisionati e non. Conosci i principali e sai quale serve per quale problema, e porti un modello dal dataset a un risultato utile. Data preparation e feature engineering (Pandas, NumPy) sono pane quotidiano.
• Deep learning con PyTorch e/o TensorFlow. Addestri e ottimizzi modelli (CNN, RNN, Transformer) e li hai applicati a NLP o Computer Vision (BERT, GPT, YOLO). Parti da basi solide e le adatti al problema.
• Fondamenti matematici e statistici. Algebra lineare, probabilità, statistica. Ti servono per leggere le metriche, capire se un modello funziona e accorgerti quando qualcosa non torna.
• Principi di MLOps e messa in produzione. ML pipeline per deployment e monitoring, Docker nel flusso quotidiano, serving su cloud (AWS, GCP o Azure). Hai visto modelli arrivare in produzione e sai muoverti nel loro ciclo di vita.
• Data engineering. SQL e NoSQL, query e pipeline per alimentare training e inference. Tieni d'occhio la qualità del dato.
• Model evaluation e monitoring. Metriche serie (accuracy, precision, recall, F1; MAE, RMSE), confusion matrix, overfitting e underfitting riconosciuti al volo. Ti accorgi quando un modello in produzione sta degradando.
• Agentic coding tools nel flusso quotidiano.
• Inglese professionale, scritto e parlato.

Plus

• Kubernetes e orchestrazione, autoscaling e ottimizzazione dei costi inference.
• Vector database (es. Qdrant) e