FTNet è una startup innovativa fondata nel 2021, dopo anni di analisi e ascolto diretto delle esigenze dei principali players del mercato farmaceutico.

Il team di FTNet è guidato da una visione comune: l’innovazione tecnologica è una grande opportunità per rendere più efficaci ed efficienti i processi relazionali che generano valore sul mercato.

Digital Innovation, Data Integration & Business Intelligence sono i pilastri alla base del prodotto che FTNet ha lanciato nel 2023.

Siamo una realtà innovativa, dinamica, in forte evoluzione e ricerchiamo risorse che condividano la nostra passione per l'innovazione e il cambiamento.

Come profilo Data Scientist/ML Engineer cerchiamo una risorsa che abbia alle spalle un background di studi e lavorativo nello sviluppo e rilascio di sistemi di Machine Learning/Deep Learning, nello studio degli algoritmi e nella conduzione di esperimenti di Artificial intelligence.

In particolare, i requisiti operativo/tecnici sono i seguenti:

- Conoscenza di Python (versione 3.7+) come linguaggio per la data science e, più genericamente, come linguaggio di programmazione a oggetti (devono essere chiari i concetti, ad esempio, di classi, metodi, ereditarietà, override).

- Forti conoscenze statistiche in ambito serie temporali/ analisi fattoriale/ Anomaly detection/ clustering/ natural language processing

- Conosce la differenza tra supervised e unsupervised Learning

- Conoscenza dei framework per l’analisi di base dei dati in python (Numpy e Pandas su tutti) e per gli algoritmi di base del Machine Learning (necessario scikit-learn)

- Conoscenza dei framework per la rappresentazione visuale dei dati (seaborn e matplotlib in primis, ma vanno bene anche altri)

- Necessaria la conoscenza di almeno 1 dei seguenti framework per il Machine Learning e il Deep Learning : Pytorch e/o Tensorflow 2.x . Andrebbe bene anche la conoscenza di Tensorflow 1.x in assenza di altro, ma bisognerebbe valutare il caso specifico e la propensione a passare alla versione successiva

- Conoscere per esperienza accademica/lavorativa i seguenti modelli : Random Forest, XGBoost, GBM, Artificial Neural Network, Convolutional Neural Network, Autoencoder, Variational Autoencoder, Recurrent Neural Networks, LSTM Networks, Generative Avversaria Networks

- Aver avuto esperienza con pipeline di addestramento dei modelli di Machine Learning/ Deep Learning e col “fine tuning” degli stessi(esempio: stabilire il numero di epoche ottimali per terminare un addestramento di un modello)

- Esperienza nelle scelte di architetture ML/DL in rapporto al problema in oggetto

- Esperienza nel rilascio dei modelli di ML/DL per l’utilizzatore finale (API, Docker)

- Essere in grado di leggere e comprendere ricerche sull’AI in inglese

- Capacità di scrivere codice AI a partire da informazioni ricavate da PDF di ricerche ed esperimenti o da pseudocodice