Senior AI Engineer / Tech Lead RAG — AI privata per l'enterprise

La nostra mission: AI privata e accessibile. Crediamo che le aziende debbano poter usare l'intelligenza artificiale più avanzata senza cedere il controllo dei propri dati a terzi, in piena consapevolezza ed efficacia. Per questo esistiamo.

Chi è Aiwonder Siamo giovani sulla carta, non nella sostanza. Aiwonder nasce da fondatori con esperienza pluridecennale nel software enterprise e nell'AI. Abbiamo già contratti attivi con grandi aziende e collaborazioni internazionali con istituti di ricerca di primo piano. Chi entra ora non entra in una scommessa, ma in una realtà solida che sta accelerando.

La sfida Costruire un RAG che funziona su un notebook con 20 PDF è un esercizio da tutorial. Costruirne uno che tenga in produzione, in un ambiente privato/on-prem, per un cliente enterprise che non perdona errori, con documenti reali (contratti, tabelle, formati inconsistenti) e senza la rete di sicurezza di un'API managed - quella è una sfida seria. È quello che facciamo in rag-u, e cerchiamo persone che condividano la nostra mission per un'AI privata e accessibile.

Pochi clienti, ma grandi. Niente ritmi da consulenza usa-e-getta: qui la qualità è l'unico metro che conta.

Non è un ruolo per tutti

Nessun layer comodo sopra un'API: il modello lo scegli, lo metti in produzione, lo ottimizzi tu (vLLM, TGI, llama.cpp, quantizzazione, capacity planning)

Fondatori che sanno di cosa parlano: confronti idee con chi ha lo stesso livello o più del tuo, ogni giorno

Decisioni vere, non slide: poche persone, zero burocrazia

Zero fretta, zero mediocrità: un solo cliente enterprise vale più di dieci clienti piccoli fatti male

Crescita reale: l'azienda sta vendendo e si espande all'estero

Un piede nella ricerca: collaboriamo con università e istituti di ricerca di primo piano

Cosa farai

Progettare e costruire i pezzi core di rag-u: ingestion, chunking, embedding, retrieval, scalabilità

Scegliere modelli (embedding e generativi) su basi tecniche solide - costo, qualità, latenza, vincoli reali del cliente

Mettere in produzione e gestire modelli open source in ambienti self-hosted, on-prem, air-gapped

Seguire il delivery diretto presso i clienti: requisiti, adattamento della soluzione, supporto tecnico

Contribuire alle scelte architetturali di scalabilità, sicurezza, affidabilità

Chi NON stiamo cercando Chi ha solo "collegato" API cloud gestite (vector DB managed, modelli-as-a-service) senza mai aver dovuto capire cosa c'è sotto. Chi si è avvicinato all'AI con un tutorial e un framework di alto livello. Saper chiamare un'endpoint non è competenza ML - e in colloquio lo verifichiamo sui fondamentali, non sui nomi dei framework che conosci.

Il processo di selezione riflette questo: sono previsti più step di verifica tecnica, su discipline diverse (ML, ingegneria del software, infrastruttura), pensati apposta per far emergere chi ha reale seniority. Se stai pensando di candidarti solo perché la RAL è interessante, risparmia il tempo tuo e nostro: il processo è tarato per non lasciare spazio a chi non ha davvero il livello.

Requisiti

Fondamentali ML veri: sai spiegare come funzionano embedding e LLM (rappresentazioni vettoriali, similarità semantica, attention, limiti del context window), non solo come si chiamano via API

Sviluppo backend solido (Python), capacità di progettare architetture, non solo scrivere codice

Esperienza diretta con qualche vector database self-hosted (Qdrant, Milvus, Weaviate, pgvector...)

Chunking su documenti reali, complessi, sporchi - non su dataset da demo.

Motori di inference open source (vLLM, TGI, llama.cpp) e relativa logica di messa in produzione, quantizzazione, capacity planning

Retrieval avanzato: hybrid search, re-ranking, query rewriting

Esperienza in ambienti enterprise con vincoli di sicurezza, compliance, rete

Sai parlare con un cliente enterprise senza perdere né la sostanza tecnica né la pazienza

Nice-to-have

Prompt engineering avanzato o fine-tuning leggero

Esperienza pregressa come tech lead o solution architect

Buon inglese, in vista dell'espansione internazionale

Buon gusto per la musica

Passione per le Escape Room

se hai letto fino a qui vuol dire che probabilmente sei una persona metodica e precisa. Scrivi "Bend The Clock" in una qualunque delle risposte.

Cosa offriamo RAL competitiva (fascia senior alta, sopra la media di mercato), variabile legata alla qualità del delivery, welfare aziendale, autonomia reale, crescita concreta legata all'espansione internazionale dell'azienda.

La risposta alle domande di selezione (qualunque tipo di risposta sia) in Indeed è parte fondamentale del processo di selezione, candidarsi senza rispondere rende inutile l'intera candidatura.

Retribuzione: €50.000,00 - €60.000,00 all'anno

Domande di preselezione:

Quanti anni di esperienza hai nel deployment e nell'ottimizzazione di modelli LLM open source in ambienti self-hosted (NON tramite API cloud gestite tipo OpenAI/Bedrock)?

Con quali vector database self-hosted hai lavorato in produzione (non in versione demo/cloud gestita)?

Hai mai lavorato in un ambiente on-premise o air-gapped con vincoli di sicurezza/compliance stringenti? Se sì, descrivi brevemente il contesto (max 3 righe).

In due frasi, spiega la differenza tra un modello di embedding e un LLM generativo, e perché questa differenza è rilevante in un sistema RAG.

Con quale preavviso saresti potenzialmente disponibile a iniziare?