Full-Stack AI Engineer / Data Scientist – Agentic Systems — Roche

Descrizione completa

A Roche potete presentarvi come voi stessi, abbracciati per le qualità uniche che portate. La nostra cultura incoraggia l'espressione personale, il dialogo aperto e i legami genuini, dove siete valorizzati, accettati e rispettati per chi siete, permettendovi di prosperare sia personalmente che professionalmente. Questo è il modo in cui vogliamo prevenire, fermare e curare le malattie e garantire che tutti abbiano accesso alla salute oggi e per le generazioni a venire. Unisciti a Roche, dove ogni voce conta.

La posizione Informazioni sul ruolo A Roche Digital Technology, stiamo avanzando i confini di Applied AI. Il team Application AI Use Case Engineering & Operations è incaricato di costruire applicazioni AI innovative, agenti GenAI e fondazioni agentiche. Nel 2026 il panorama tecnologico, le linee tra le discipline tradizionali hanno sfocato. Operiamo in piccole squadre agili (ad esempio, ~6 membri) alimentate da agenti avanzati di codifica (come Claude Code) per sviluppare e spedire soluzioni più velocemente che mai. Stiamo cercando un altamente qualificato, hands-on Full-Stack AI Engineer / Data Scientist con un profondo senso di proprietà. Piuttosto che essere uno scienziato dati strettamente specializzato, ingegnere ML o ingegnere MLOps, si unirà questi set di abilità. Costruirete sistemi AI generativi agentici e sistemi ML classici end-to-end, tenendo conto della fattibilità dell'analisi dei dati concettuale e esplorativa fino a release di produzione e monitoraggio.

Core Tech Stack & Scope Questo ruolo consiste nel lavorare profondamente con modelli di fondazione multimodale, flussi di lavoro agentici avanzati (tra cui comunicazione Agent-to-Agent/A2A), protocolli di modello (MCP), pipeline di generazione aumentata (RAG), altre tecnologie AI emergenti e sottosistemi MLOps. Utilizzerai servizi cloud (AWS e multicloud) insieme a vettori, grafici e database tradizionali per sviluppare soluzioni AI scalabili e robuste.

Principali responsabilità

Sviluppo delle applicazioni Agentic & GenAI

• Progettazione e costruzione di sistemi agentici AI avanzati, macchine statali, sistemi di conversazione basati sulla ricerca che risolvono problemi aziendali complessi.
• Sviluppare flussi di lavoro sfruttando Modelli Multimodali Grandi Fondamentali per elaborare e ragionare in modalità testo, audio e video.
• Implement Model Context Protocol (MCP) server/clienti per standardizzare lo scambio di contesto tra agenti, fonti di dati e strumenti esterni.
• Collabora con AI Architects, Product Owners e altri sviluppatori per integrare le funzionalità AI in applicazioni end-user scalabili, eque e e etiche incentrate sulla rilevanza e sulle prestazioni in tempo reale.

Ingegneria e SDLC agente

• Leverage AI agenti di codifica (ad esempio, Claude Code) al giorno per accelerare i cicli di sviluppo full-stack, mantenendo alta produttività tra frontend, backend e attività infrastrutturali.
• Prendere la responsabilità end-to-end per le caratteristiche: scrivere di alta qualità, produzione-ready Python (e occasionalmente TypeScript) codice con test e documentazione complete.
• Gestire il ciclo di vita DevOps/MLOps: containerizzare le applicazioni utilizzando Docker, configurare le tubazioni CI/CD e l'architetto ad alto rendimento, soluzioni cloud-native affidabili su AWS/multicloud.

Scienza dei dati, EDA & Strategia

• Eseguire l'analisi approfondita dei dati esplorativi (EDA) per comprendere le caratteristiche del set di dati, scoprire i modelli, rilevare i pregiudizi e identificare i problemi di qualità dei dati.
• Utilizzare tecniche di statistica e visualizzazione per informare l'ingegneria delle caratteristiche, la selezione dei modelli e l'ottimizzazione delle applicazioni basate sui modelli di fondazione.
• Progettare linee di dati robuste per curare, preprocessare e strutturare diversi dataset che massimizzano l'efficacia LLM e riducono i pregiudizi.

Sviluppo e ottimizzazione degli algoritmi

• Progettare, personalizzare, ottimizzare e perfezionare gli algoritmi di AI basati su LLM e tradizionali per casi di utilizzo specifici (ad esempio, generazione di testo, sintesi, agenti AI, modellazione di sequenze).
• Condurre strategie avanzate di ingegneria rapida, utilizzando zero-shot, pochi-shot e altri paradigmi per ottimizzare i risultati del modello senza una vasta messa a punto.
• Implementare modelli AI pre-generativi (ad esempio, cla