Machine Learning Engineer

pbSiamo Humans.tech.
/b /ppbr/ppCreiamo interfacce intelligenti che risolvono tematiche complesse e migliorano esperienze, oltre a essere, ovviamente, belle
Collaboriamo con aziende globali come bAirbnb /b, bAmazon /b, bAngelini /b... e siamo solo alla lettera A. /ppbr/ppIn 10 anni abbiamo lanciato boltre 700 prodotti digitali /b, lavoriamo per il b70% con clienti globali /b btra Europa e Stati Uniti /b, e abbiamo sedi a Frosinone e San Francisco.
Siamo tra le b** aziende europee in più rapida crescita per Financial Times Statista /b e tra le btop 5 aziende /b per cui lavorare in Italia per la Gen Z secondo bGreat Place to Work /b.
/ppbr/ppLavoriamo con AI dal **, non da quando è diventata un trend.
I nostri Partner si chiamano bOpenAI /b, bMeta /b, bAWS /b, bTranslated /b.
/ppbr/ppNon 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.
/ppbr/ppb Chi cerchiamo /b /ppbr/ppNon cerchiamo qualcuno che sappia sviluppare.
Cerchiamo qualcuno che si annoi a farlo in modo ordinario.
/ppbr/ppUna persona senior.
Senior vera, non senior su LinkedIn.
/ppbr/ppUna 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.
/ppbr/ppUna 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.
/ppbr/ppQui 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.
/ppbr/ppb? Come ragioniamo, con chi lavorerai /b /ppbr/ppSi 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.
/ppbr/ppNon vogliamo che tu abbia le risposte pronte.
Vogliamo che tu sappia fare le domande giuste e che abbia il pensiero critico per scavarci dentro.
/ppbr/ppEntrerai 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.
/ppbr/ppQui 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.
/ppbr/ppColtiviamo 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.
/ppbr/ppb?? Cosa devi saper fare /b /ppbr/pullibPython /b 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.
/lilibAlgoritmi ML /b, 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.
/lilibDeep learning con PyTorch e/o TensorFlow.
/b 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.
/lilibFondamenti matematici e statistici /b.
Algebra lineare, probabilità, statistica.
Ti servono per leggere le metriche, capire se un modello funziona e accorgerti quando qualcosa non torna.
/lilibPrincipi di MLOps /b 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.
/lilibData engineering /b.
SQL e NoSQL, query e pipeline per alimentare training e inference.
Tieni d'occhio la qualità del dato.
/lilibModel evaluation e monitoring /b.
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.
/lilibAgentic coding tools /b nel flusso quotidiano.
/lilibInglese professionale /b, scritto e parlato.
/li /ulpbr/ppPlus /pulliKubernetes e orchestrazione, autoscaling e ottimizzazione dei costi inference.
/liliVector database (es. Qdrant) e/o graph database (es. Neo4j).
/liliLLM, RAG e p