Ai & data science rif 23722

Siamo alla ricerca di profili AI & Data Science per attività in presenza. richiediamo almeno 2/4 anni di esperienza e ottima conoscenza della lingua inglese Responsabilità Sviluppa componenti applicativi che integrano modelli generativi: recupero e selezione delle informazioni, costruzione del contesto, orchestrazione delle chiamate, restituzione dei risultati.

Realizza flussi agentici secondo un disegno definito con il riferimento tecnico: definizione dei passi, gestione degli strumenti a disposizione dell'agente, controllo dei casi di uscita e dei limiti di esecuzione. Integra le soluzioni con i sistemi del cliente — basi dati, servizi applicativi, repository documentali — curando affidabilità e gestione degli errori.

Espone agli agenti gli strumenti di accesso ai sistemi del cliente — ERP, CRM, piattaforme di gestione dei servizi IT — attraverso i protocolli di interoperabilità standard, curandone il contratto d'uso, la gestione degli errori e il controllo dei permessi. Realizza i componenti di memoria e di knowledge base a supporto degli agenti: conservazione del contesto fra le esecuzioni, indicizzazione documentale e a grafo, meccanismi di aggiornamento al variare delle fonti.

Estende i flussi agentici agli scenari multi-agente: suddivisione dei compiti fra agenti specializzati, protocolli di scambio, gestione dello stato condiviso e dei casi di conflitto. Valuta sistematicamente la qualità dei risultati, costruendo insiemi di casi di prova, misurando accuratezza e coerenza delle risposte e documentando i limiti riscontrati. Progetta e affina le istruzioni fornite ai modelli in modo strutturato e versionato, trattandole come artefatti di progetto e non come testo da modificare a caso.

Porta in esercizio quanto sviluppa e ne presidia il funzionamento: monitorandone il comportamento, la qualità delle risposte e il costo di esecuzione, e intervenendo sulle anomalie con il supporto del team. Contribuisce all'industrializzazione delle soluzioni applicando le pratiche del team: revisione del codice, test automatici, rilascio controllato, tracciamento delle esecuzioni. Partecipa alle sessioni di lavoro con il cliente: illustra quanto realizzato, raccoglie riscontri e li traduce in interventi tecnici concordati con il team.

Documenta il proprio lavoro segnalando al riferimento tecnico i casi in cui il comportamento del sistema non è affidabile o presenta rischi. Competenze tecniche richieste Sviluppo software: padronanza del linguaggio Python, con codice strutturato, testato e manutenibile. Modelli generativi: comprensione del funzionamento dei modelli linguistici, dei loro limiti intrinseci e delle conseguenze pratiche — finestra di contesto, non determinismo, tendenza a produrre risposte plausibili ma errate.

Recupero delle informazioni: esperienza di costruzione di sistemi che recuperano informazioni da fonti proprietarie per fondare le risposte: segmentazione dei documenti, rappresentazione vettoriale, ricerca semantica, criteri di selezione del contesto. Conoscenza delle rappresentazioni a grafo della conoscenza (Graph RAG) e capacità di riconoscere quando la sola ricerca vettoriale non basta.

Sistemi agentici: comprensione di come si struttura un agente: scomposizione del compito, uso di strumenti esterni, gestione della memoria, controllo del ciclo di esecuzione e dei suoi limiti.

Framework di orchestrazione agentica: esperienza pratica su almeno uno fra Lang Chain/Lang Graph, Google ADK, Microsoft Agent Framework, Claude Agent SDK e Open AI Agents SDK, con comprensione del modello di esecuzione adottato — in particolare l'orchestrazione a grafo di stati — dei meccanismi di definizione degli strumenti e dei protocolli di interoperabilità che consentono ad agenti e sistemi di dialogare. Valutazione: capacità di definire criteri di qualità misurabili e di costruire una procedura di verifica ripetibile.

Distinguere un sistema che funziona da uno che sembra funzionare o funziona solo per uno specifico scenario. La valutazione va condotta a livello di agente, sul singolo passo e sulla traiettoria completa, con suite di non-regressione che intercettino i peggioramenti fra versioni di prompt, modello o flusso.

Fondamenti di machine learning: nozioni solide di apprendimento supervisionato, delle metriche di valutazione e del significato di "overfitting". Ambienti di esecuzione: uso corrente di container e di Kubernetes, con attenzione alla portabilità della soluzione fra cloud pubblico e infrastruttura on-premise; comprensione dei meccanismi di autenticazione, di limitazione delle chiamate e di controllo dei costi dei servizi di modello.

Sicurezza e riservatezza: consapevolezza dei rischi specifici: manipolazione delle istruzioni, trattamento di dati riservati nei contesti inviati ai modelli, tracciabilità delle decisioni automatiche. Guardrail e supervisione umana: controlli sugli input e sui output, definizione dei limiti di azione degli ag