Senior 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
** 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
.
Lavoriamo con AI dal **, 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
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
LLM, RAG e orchestrazione di sistemi multi-agente (LangGraph, AutoGen o Crew