Junior Machine Learning Engineer

Intesa Sanpaolo è un gruppo bancario internazionale, leader in Italia e fra i primi 5 gruppi dell'area euro con oltre 20 milioni di clienti in Italia e all’estero. Estremamente innovativo è anche motore di crescita sostenibile e inclusiva, con impatto concreto sulla società e con un forte impegno per l’ambiente.

Scopo e Attività

Nell'ambito del perimetro della Direzione Data & Artificial Intelligence Office struttura all'interno dell'area di Governo Chief Data, A.I, Innovation and Technology officer , siamo alla ricerca di un Machine Learning la cui mission sarà progettare, sviluppare e rilasciare soluzioni di Machine Learning e Generative AI, integrandole in produzione e collaborando attivamente con Machine Learning Engineer, Data Scientist, esperti di dominio e altre fabbriche applicative, sfruttando al contempo la piattaforma MLOps e LLMOps del gruppo.

Nell'ambito del perimetro della Direzione Data & Artificial Intelligence Office, struttura all'interno dell'area di Governo Chief Data, A.I, Innovation and Technology Officer, siamo alla ricerca di un Machine Learning Engineer.

Le tue attività includeranno:

• Partecipazione a diverse fasi dei progetti di ML e di GenAI, in particolare:
  • Setup per definire le necessità architetturali e di strumenti;
  • Creazione di prototipi software per la gestione di pipeline di dati e modelli;
  • Ingegnerizzazione del codice in forma di pipeline che soddisfino i requisiti funzionali;
• Ottimizzazione del codice con particolare attenzione a
  • Scalabilità
  • Robustezza
  • Modularità

secondo gli standard degli ambienti di produzione.

• Aggiornamento continuo su tecnologie e metodologie di sviluppo.

Esperienza Richiesta

1-3 anni di esperienza in ruoli di Machine Learning Engineer

Qualifiche Richieste, Skills e Competenze

• Laurea in Informatica, Ingegneria Informatica o Matematica, Data Science, Statistica, Matematica, Fisica o relativi ambiti quantitativi.
• Sviluppo in Python
• Manipolazione dei dati in Python
• Versionamento del codice per mezzo di Git.
• Librerie di ML e DL come scikit-learn e PyTorch

Possono costituire elementi di interesse ma non indispensabili le seguenti conoscenze:

• Software testing e debugging.
• Pipeline di ML, incluse le fasi di feature engineering, modeling, performance evaluation, monitoring.
• Pipeline RAG.
• Framework ad agenti come LangGraph, ADK e AG2.
• DB SQL e NoSQL come PostgreSQL e MongoDB.
• Kubernetes, Red Hat OpenShift.
• Google Cloud Platform e/o Microsoft Azure.
• Processamento dei big data con Spark
• Gestione delle code Kafka. 

Entra a far parte di una realtà internazionale e innovativa. Il futuro non si aspetta, si sceglie!

#sharingfuture

DAIExp