Siamo alla ricerca di profili AI & Data Scienceper attività in presenza.

Se desidera saperne di più su questa possibilità o sta pensando di candidarsi, la preghiamo di leggere le seguenti informazioni.

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 LangChain/LangGraph, Google ADK, Microsoft Agent Framework, Claude Agent SDK e OpenAI 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 agenti e individuazione dei punti in cui l'esecuzione si ferma per chiedere conferma a una persona.

- Strumenti di lavoro: versionamento, integrazione continua, gestione delle configurazioni e dei segreti.

- Dati:



padronanza di SQL e capacità di lavorare con dati strutturati e documentali.

Competenze relazionali richieste

-

- Chiarezza espositiva: sa spiegare a un interlocutore non tecnico cosa fa il sistema, cosa non può fare e con quale grado di affidabilità. Su questi temi le aspettative del cliente sono spesso superiori alla realtà e vanno riportate a terra con garbo.

- Onestà nel raccontare i risultati: riporta i risultati per quello che sono, anche quando sono deludenti, e non presenta un dimostratore riuscito come una soluzione pronta.

- Metodo nel problem solving: davanti a un comportamento anomalo procede per ipotesi verificabili, isola le variabili e sa ricostruire il ragionamento seguito. In un sistema non deterministico è più difficile e più importante che altrove.

- Ascolto e traduzione: comprende una richiesta funzionale, individua le ambiguità e le chiarisce con domande puntuali prima di iniziare a sviluppare.

- Trasparenza: segnala difficoltà e ritardi per tempo, riconosce i propri limiti e chiede supporto prima che il problema si aggravi.

- Postura di consulenza: mantiene un comportamento professionale presso il cliente e distingue ciò che può comunicare direttamente da ciò che va concordato con il riferimento tecnico o con il project manager.

- Curiosità disciplinata: in un ambito che cambia rapidamente, sa aggiornarsi in autonomia distinguendo le novità sostanziali dal rumore di fondo.

Requisiti di accesso

-

- Laurea STEM, oppure esperienza equivalente maturata sul campo.

- 2-4 anni di esperienza in sviluppo software, di cui almeno uno su progetti che integrano modelli di intelligenza artificiale.

- Almeno una soluzione basata su modelli generativi portata oltre la fase di dimostratore.

- Inglese tecnico sufficiente a leggere documentazione e partecipare a riunioni operative.

- Disponibilità alla presenza presso la sede del cliente secondo le esigenze del progetto.

- Sede di lavoro: Napoli.

Elementi preferenziali

-

- Certificazioni sui servizi di intelligenza artificiale di una piattaforma cloud.

- Esperienza su più di un framework di orchestrazione agentica.

- Contributi a progetti open source o pubblicazione di lavori personali verificabili.

- Esperienza di messa in esercizio e monitoraggio di sistemi basati su modelli.

- Esperienza in contesti di consulenza o multi-cliente.

- Esperienza con agenti applicati al ciclo di vita del software: generazione e revisione del codice, test, documentazione.

- Interesse o esperienza su Physical AI: agenti che interagiscono con sistemi fisici, sensoristica, robotica. xysqume

- Conoscenza di ambiti applicativi ricorrenti per la capability: manifatturiero, energia, retail, banche e assicurazioni, pubblica amministrazione.

#J-18808-Ljbffr

📌 AI & Data Science rif 23722 (Napoli)
🏢 DIGIMAT
📍 Napoli