LLM Fine-Tuning Engineer

Blox Space lavora al centro delleconomia techin partnership con un network di oltre 70 realtà attive nel mondo dellAI del software della cybersecurity e delle Freedom Technologies impegnate nello sviluppo di infrastrutture prodotti e servizi legati alleconomia digitale alla data protection e al futuro del denaro.
Aiutiamo a connettere i talenti con questo ecosistema operando come Talent Bridge tra le ambizioni di crescita dei professionisti e le opportunità offerte dal nostro network.
In questo momento stiamo supportando una delle nostre partner companies nella ricerca di un LLM Fine-Tuning Engineer e se pensi di essere il profilo giusto ci piacerebbe conoscerti.

Lazienda è una startup di cybersecurity italiana che costruisce sistemi di sicurezza autonomi: individuano vulnerabilità sconosciute prioritizzano il rischio reale e distribuiscono le correzioni senza intervento umano con un focus sui binari compilati perché è quello che gira davvero in produzione. È un team early pre-seed fondato da ricercatori di sicurezza e accademici di primo piano.
Cerchiamo un LLM Fine-Tuning Engineer che adatti valuti e metta in produzione modelli linguistici open-weight ma piegati a un unico scopo: trovare e capire vulnerabilità. Per questo cerchiamo una persona fortemente orientata alla cybersecurity che non si limiti ad addestrare modelli ma capisca il dominio su cui lavorano. Non è un ruolo di prompt engineering: è lintero ciclo di post-training dal design dei dataset al fine tuning dalla generazione di dati sintetici alla valutazione fino al deploy in ambienti locali privati o ristretti.
Non cerchiamo il curriculum perfetto cerchiamo la testa giusta. Cerchiamo chi sa trasformare un foundation model in un sistema affidabile e specifico per il compito sa quando il fine tuning è la strada giusta e quando invece conviene prompting retrieval orchestrazione o tooling e porta con sé una vera sensibilità per il mindset di chi attacca.
Le responsabilità di un LLM Fine-Tuning Engineer in questo contesto possono spaziare dal fine tuning e dalladattamento di LLM open-weight per casi duso di sicurezza interni o rivolti al cliente al confronto tra approcci di post-training (SFT tecniche parameter-efficient come LoRA e QLoRA preference tuning come DPO dove serve full fine tuning quando giustificato) dalla costruzione e pulizia di dataset di qualità e dalla generazione di dati sintetici alla definizione di metodi di valutazione che vanno oltre i benchmark generici fino allanalisi di regressioni e failure mode e al lavoro con il team di engineering per servire i modelli in ambienti vincolati.

• Esperienza pratica vera nel fine tuning di LLM: in produzione in ricerca applicata o in contesti sperimentali seri con più tecniche di post-training alle spalle idealmente SFT LoRA e QLoRA.
• Orientamento forte alla cybersecurity: capisci (o hai una gran voglia di capire a fondo) threat model bug hunting e la logica di chi attacca. È il dominio su cui i modelli lavorano e qui fa la differenza tra un buon fine tuning e uno inutile.
• Dati prima di tutto: sai costruire curare e mantenere dataset per training e valutazione e sai generare filtrare e validare dati sintetici per migliorare il comportamento del modello non per gonfiare le metriche.
• Stack solido: Python forte PyTorch Hugging Face Transformers tokenizzazione preprocessing e training pipeline sono pane quotidiano.
• Dimestichezza con i vincoli reali: limiti di GPU trade-off memoria/performance workflow quantization-aware e ottimizzazione del training.
• Mentalità da debugging: sai capire perché un modello è migliorato è regredito ha fatto overfit o ha fallito e la valutazione la imposti su quello che conta davvero a livello operativo non sui punteggi generici.
• Autonomia a cavallo tra ricerca dati ed engineering: ti muovi da solo su tutti e tre i fronti.
• Sono Very Nice to Have: un background in software security o vulnerability research esperienza in CTF deploy in ambienti air-gapped on-premise o ristretti inference optimization quantization model serving o runtime LLM locali training distribuito o multi-GPU eval harness red-teaming o model safety testing.

Ti manca qualcosa rispetto a quello che hai letto Candidati comunque: siamo a caccia di game-changer non di checklist da spuntare!

Il ruolo ha come sede preferenziale lhub di Blox Space a Torino un ambiente cost-effective e ad alta densità di persone tecniche di valore ma valutiamo candidature da tutta Italia con modalità operative flessibili da concordare insieme al team.
Per il ruolo è previsto un range retributivo di 40.000 60.000 lordi annui con la disponibilità a valutare anche proposte superiori per profili particolarmente senior o di valore eccezionale.
Sono inoltre previsti un contributo di 1.000 per il setup dellhome office un piano AI premium a tua scelta e retreat aziendali in Italia.

Se vuoi rendere i modelli open-weight davvero affidabili e utili contro uno dei problemi più difficili della sicurezza e farlo accanto a chi trova bug veri in sistemi veri questa è lopportunità che stavi aspettando: lavorare con una delle nostre partner companies significa entrare in un team innovativo e in forte crescita al centro di un ecosistema dove circolano idee competenze e progetti ad alta intensità. È un ambiente dove si costruisce si testa si discute e si migliora ogni giorno.