Python e pacchetti per il calcolo scientifico: pandas, numpy, matplotlib, scikit-learn, librerie NLP per la lingua italiana NLTK/GENSIM/SPACY/PYENCHANT, tensorflow, pytorch Elaborazione del linguaggio naturale (NLP), costruzione e distribuzione di sistemi NLP, Machine Learning, Deep Learning – solo per dataset di grandi dimensioni Buone basi di informatica, incluse strutture dati, algoritmi, sistemi distribuiti Competenza in algoritmi NLP statistici, inclusi trasformatori, modelli grafici e tecniche di recupero delle informazioni. Tecnologie di database, inclusi SQL e NO-SQL Cloud in una certa misura Un atteggiamento flessibile e motivato rispetto agli incarichi lavorativi e all’apprendimento di nuove competenze. Capacità di gestire compiti vari con entusiasmo e di stabilire priorità nel carico di lavoro. Disponibilità a lavorare in un ambiente a matrice e a valorizzare l’importanza del lavoro di squadra.

1. Contribuire e progettare l’infrastruttura NLP Costruire framework interni, librerie, pipeline e infrastrutture per migliorare le capacità di machine learning e NLP, consentendo una rapida prototipazione e la consegna di nuovi prodotti (o forse chiamarli funzionalità). Esaminare e adattare le recenti ricerche in NLP, ML e deep learning (utilizzate solo per dataset di grandi dimensioni) per costruire approcci di modellazione robusti, riutilizzabili e automatici su diverse fonti di dati e compiti. Collaborare con data scientist, ingegneri, clinical annotators (non ne abbiamo ma possiamo utilizzare gli esperti del caso d’uso aziendale), e product manager per identificare le tecnologie NLP all’avanguardia del settore, costruire e mantenere la roadmap NLP e implementare le migliori pratiche. Creare e mantenere la documentazione dell’infrastruttura NLP per consentire ad altri ingegneri NLP e data scientist di utilizzare lo stack. Rivedere e migliorare il codice di altri ingegneri per aumentare la qualità e la sicurezza.
2. Nice To Have: Pre-elaborazione e pulizia dei dati di testo: comprendere perché è un processo iterativo. Visualizzazione, interpretazione e presentazione dei dati in modo comprensibile per stakeholders tecnici e non tecnici Precedente esperienza nel lavorare con dati NON ETICHETTATI – almeno in minima misura Precedente esperienza nel lavorare con corpus di dati di testo brevi – almeno in minima misura Se si ha esperienza di fine-tuning, ancora meglio Esperienza con TensorFlow e PyTorch Costruire metriche di valutazione – quando quelle tradizionali non possono essere applicate Capacità di comprendere dove una soluzione può essere replicata e dove diversi casi d’uso aziendali richiedono soluzioni specifiche (ML/NLP) e costruirle Esperienza nel distribuire ML/NLP on-premises e cloud – principalmente on-premises, in minima misura Competenza in italiano e inglese Preferibile avere: Python: pandas, numpy, matplotlib, scikit-learn, SQL, NoSQL Partecipare a tutte le fasi del ciclo di vita della data science, inclusi acquisizione, pulizia, esplorazione, analisi e visualizzazione dei dati. Assistere i data scientist senior con compiti di analisi dei dati e sviluppo di modelli. Sviluppare e implementare pipeline di dati di base per un’elaborazione efficiente dei dati. Eseguire analisi esplorativa dei dati (EDA) per comprendere le caratteristiche dei dati e identificare tendenze e modelli. Costruire e valutare semplici modelli di machine learning sotto la guida di data scientist senior. Comunicare efficacemente intuizioni e risultati attraverso report, presentazioni e visualizzazioni. Rimanere aggiornati sulle ultime tendenze e strumenti di data science attraverso l’apprendimento indipendente. Collaborare efficacemente con team interdisciplinari (ingegneria dei dati, gestione del prodotto, marketing) per garantire il successo dell’esecuzione del progetto.

Familiarità con concetti e metodi statistici (ad esempio, test di ipotesi, analisi della correlazione). Competenze analitiche e di problem-solving. Desiderio di apprendere e crescere nel campo della data science.