(Hybrid - NO REMOTE)Chemometrics & Machine Learning Scientist – NMR e Spettroscopia

Chi siamo

Siamo una giovane azienda con una profonda esperienza nell’intelligenza artificiale e nell’analisi di dati scientifici. Sviluppiamo sistemi proprietari e brevettati di AI per l’analisi di dati spettroscopici, in particolare di risonanza magnetica nucleare, e collaboriamo con clienti internazionali su problemi scientifici e industriali complessi. Siamo un piccolo gruppo di persone altamente qualificate. Apprezziamo il pensiero intelligente, concreto e rigoroso. Crediamo nelle relazioni umane, nell’onestà intellettuale e nella libertà di svolgere un lavoro serio senza burocrazia inutile. Vogliamo costruire un’azienda ad alta densità di talento, nella quale persone capaci possano realizzare il miglior lavoro della propria carriera. Se ti riconosci in questo ambiente, continua a leggere.

Il ruolo

Cerchiamo una persona capace di lavorare all’intersezione tra chemiometria, chimica analitica e machine learning. Utilizzerai metodi statistici multivariati, machine learning e deep learning per estrarre informazioni chimicamente significative da dati scientifici complessi, con particolare attenzione alla spettroscopia NMR. Collaborerai con chimici, data scientist e software engineer per trasformare problemi scientifici reali in sistemi computazionali affidabili. Dovrai saper comprendere la natura del dato, scegliere un approccio quantitativo adeguato e valutare i risultati non soltanto attraverso le metriche, ma anche sulla base della loro plausibilità chimica. Non è un ruolo nel quale si addestra un modello per poi passarlo a qualcun altro. Seguirai l’intero percorso: dalla comprensione del problema e dalla preparazione dei dati fino alla ricerca sul modello, alla validazione scientifica e al suo utilizzo in produzione.

Cosa farai

In concreto, ti occuperai di:

• comprendere problemi chimici e tradurli in obiettivi quantitativi e computazionali;
• analizzare dati NMR e altre tipologie di dati spettroscopici o scientifici;
• progettare strategie di preprocessing, normalizzazione, allineamento, correzione della baseline e riduzione dimensionale;
• sviluppare modelli chemiometrici, statistici e di machine learning;
• progettare, implementare e addestrare reti neurali complesse per l’analisi di spettri e segnali scientifici;
• contribuire allo sviluppo di foundation model per la spettroscopia NMR;
• lavorare su strategie di pretraining, fine-tuning, transfer learning e apprendimento auto-supervisionato;
• sviluppare rappresentazioni generali di spettri, strutture molecolari e relazioni tra struttura e segnale;
• sperimentare con architetture neurali differenti, scegliendo quelle più adatte alla struttura dei dati e al problema scientifico;
• confrontare modelli neurali avanzati con approcci classici come PCA, PLS, PLS-DA, clustering, classificazione e regressione multivariata;
• costruire dataset di grandi dimensioni e pipeline riproducibili per l’addestramento dei modelli;
• definire criteri di validazione solidi dal punto di vista statistico, computazionale e chimico;
• analizzare interpretabilità, generalizzazione, robustezza e dominio di applicabilità dei modelli;
• individuare errori, bias, fenomeni di data leakage e limiti dei dataset;
• curare qualità, tracciabilità e consistenza dei dati;
• contribuire allo sviluppo di pipeline e servizi di machine learning pronti per la produzione;
• ottimizzare modelli e processi di inferenza per il loro utilizzo in ambienti reali;
• collaborare con software engineer, ricercatori, partner scientifici e clienti;
• contribuire alle decisioni tecniche relative ai nostri prodotti e ai progetti realizzati per i clienti;
• seguire progetti in settori differenti, senza limitarti a un unico caso d’uso.
• 
  

Il nostro stack tecnologico

Il nostro stack è in evoluzione, ma attualmente potresti lavorare con:

• Python;
• PyTorch e/o TensorFlow;
• scikit-learn, NumPy, SciPy e pandas;
• strumenti per l’elaborazione di spettri, segnali e dati chimici;
• strumenti per il monitoraggio degli esperimenti, il versionamento dei modelli e la gestione dei dataset;
• piattaforme cloud come AWS, GCP o Azure;
• GPU, container e strumenti backend;
• pipeline distribuite per l’elaborazione dei dati e l’addestramento dei modelli.
• Nvidia H100 e Nvidia Spark

Requisiti essenziali

• Laurea magistrale, dottorato o esperienza equivalente in chimica, chimica analitica, chemiometria, chimica computazionale, chimica farmaceutica, fisica, machine learning scientifico o un ambito affine.
• Solida comprensione dei principi fondamentali della chimica e dell’analisi quantitativa dei dati.
• Esperienza pratica nell’applicazione di metodi chemiometrici o di machine learning a dati chimici, spettroscopici, fisici o biologici.
• Conoscenza dei principali metodi statistici multivariati.
• Solida conoscenza di Python e dell’ecosistema scientifico associato.
• Esperienza con PyTorch, TensorFlow o framework equivalenti.
• Capacità di progettare, addestrare e valutare reti neurali, oltre il semplice utilizzo di modelli preesistenti.
• Comprensione dei principi di rappresentazione dei dati, generalizzazione, regolarizzazione e validazione dei modelli.
• Capacità di valutare un modello andando oltre le sole metriche numeriche e verificando la plausibilità scientifica dei risultati.
• Capacità di affrontare problemi aperti e lavorare anche quando le informazioni disponibili sono incomplete.
• Buona conoscenza dell’inglese scritto e parlato.
• Autonomia, curiosità e attitudine a lavorare in un ambiente startup con molta responsabilità individuale.

Cerchiamo indicativamente almeno 3 anni di esperienza rilevante. Un dottorato o un’attività di ricerca sperimentale e computazionale coerente con il ruolo possono essere considerati parte di questa esperienza.

Requisiti preferenziali

Costituiscono un valore aggiunto:

• esperienza diretta con spettroscopia NMR;
• esperienza con spettroscopia IR o Raman, spettrometria di massa o dati cromatografici;
• conoscenza di self-supervised learning, transfer learning, fine-tuning o apprendimento multimodale;
• esperienza con transformer, modelli sequenziali, autoencoder, modelli generativi o altre architetture adatte a segnali scientifici;
• esperienza con training distribuito, utilizzo di GPU e ottimizzazione di modelli di grandi dimensioni;
• conoscenza approfondita del preprocessing e dell’analisi di segnali spettroscopici;
• esperienza con identificazione di composti, elucidazione strutturale o predizione di proprietà molecolari;
• conoscenza di cheminformatica, rappresentazioni molecolari o strumenti come RDKit;
• esperienza nella progettazione sperimentale e nella gestione della qualità dei dati scientifici;
• conoscenza di uncertainty quantification, interpretabilità dei modelli e domain of applicability;
• esperienza con MLOps, monitoraggio dei modelli, CI/CD o sistemi di calcolo distribuito;
• esperienza nel deployment di sistemi ML in ambienti di produzione;
• esperienza precedente in una startup o in un contesto ad alta autonomia;
• esperienza internazionale di studio o di lavoro;
• esperienza diretta con clienti, utilizzatori o interlocutori tecnici esterni al team.

Equity

Crediamo che le prime persone che entrano in azienda debbano partecipare al valore che contribuiscono a creare. Abbiamo riservato il 10% della società all’equity per i dipendenti, con particolare attenzione alle prime assunzioni. Questo ruolo può ricevere una partecipazione nell’ambito del piano di equity aziendale. L’assegnazione dipenderà dalla seniority, dal momento di ingresso, dalle responsabilità e dal bilanciamento tra componente economica ed equity dell’offerta finale. Per questo ruolo, l’assegnazione tipica è compresa tra lo 0,15% e lo 0,40% del capitale su base fully diluted. Per candidature eccezionali potrà essere superiore. Il piano standard prevede una maturazione in 4 anni, con un cliff di 1 anno.

Cosa offriamo

• Retribuzione annua lorda tra €28.000 e €36.000
• Equity
• Un giorno aggiuntivo di ferie retribuite per il tuo compleanno
• Lavoro ibrido
• Un ambiente umano basato su flessibilità, fiducia e pochissima burocrazia inutile
• La possibilità di lavorare su problemi scientifici difficili, con un impatto concreto sulla ricerca, sui prodotti e sui clienti