È richiesta una conoscenza approfondita dei modelli di Machine Learning e Deep Learning e delle relative applicazioni, tra cui forecasting e time series, classification, regression, anomaly detection, NLP e Computer Vision , maturata in contesti progettuali complessi. Il/la candidato/a deve avere familiarità con l’intero lifecycle dei modelli ML ed essere in grado di guidare, valutare e validare le scelte modellistiche e architetturali, anche quando lo sviluppo operativo è svolto da altri team. È inoltre richiesta una solida conoscenza ed esperienza su soluzioni di Generative AI , in particolare architetture Retrieval-Augmented Generation (RAG) e sistemi basati su AI Agents , inclusi scenari con architetture multi-agent . Il profilo ideale conosce e ha utilizzato framework e librerie quali LangChain, LangGraph, Semantic Kernel o ADK , ed è in grado di valutarne l’adozione all’interno di architetture AI più ampie e ibride. Una parte rilevante del ruolo riguarda la valutazione dei sistemi AI . È richiesta esperienza nell’utilizzo di metriche e tecniche di valutazione per modelli ML/DL (Accuracy, Precision, Recall, F1, ROC-AUC, RMSE, MAE, MAPE, backtesting) e per sistemi Generative AI e agentici (retrieval quality, relevance, groundedness, task success rate, tool usage accuracy, robustness), oltre alla capacità di monitorare performance, drift e qualità dei modelli in produzione. Il profilo ideale possiede un robusto background di programmazione in Python , esperienza con framework di Machine Learning e Deep Learning (ad esempio PyTorch, TensorFlow, Hugging Face ) e familiarità con pattern di sviluppo orientati alla produzione. È richiesta esperienza nell’adozione di soluzioni AI su Microsoft Azure , incluse piattaforme come Azure Machine Learning, Azure OpenAI e Cognitive Services , nonché una buona conoscenza delle pratiche di MLOps (CI/CD, versioning, monitoring, retraining).