AI Deep Learning Engineer: ruolo, competenze e percorso secondo la norma UNI 11621-8

La UNI 11621-8 è la norma tecnica italiana pubblicata da UNI nel 2024 che definisce 12 profili professionali specifici per l’Intelligenza Artificiale, allineati al framework europeo e-CF (EN 16234-1). È importante perché fornisce un linguaggio condiviso tra aziende, enti formativi e professionisti per riconoscere competenze, ruoli e responsabilità in ambito AI, e costituisce la base per la certificazione delle persone secondo lo schema ISO/IEC 17024.

Il Regolamento UE 2024/1689 (AI Act) è entrato in vigore il 1° agosto 2024 con applicazione graduale fino al 2 agosto 2027. L’articolo 4 sulla AI literacy del personale è applicabile dal 2 febbraio 2025. Per i sistemi di AI ad alto rischio, le organizzazioni devono dimostrare che il personale abbia competenze documentate: la UNI 11621-8 è lo strumento normativo italiano per identificare e certificare questi profili.

La certificazione formale di terza parte secondo ISO/IEC 17024 sarà rilasciata da organismi accreditati Accredia. Alla data attuale nessun organismo italiano risulta ancora accreditato per i profili UNI 11621-8: l’iter di accreditamento è in corso. La credenziale digitale europea EDC (European Digital Credentials for Learning) rilasciata da AIPIA è invece già operativa e riconosciuta a livello europeo.

La certificazione UNI 11621-8 secondo ISO/IEC 17024 è rilasciata da un organismo di certificazione accreditato Accredia ed è la forma più formale di riconoscimento. La credenziale digitale EDC è un attestato di competenza rilasciato secondo lo standard europeo European Digital Credentials for Learning della Commissione Europea: è verificabile online, ha valore in tutti i Paesi UE e rappresenta lo strumento più rapido e moderno per certificare le proprie competenze AI già oggi.

L’iter prevede: 1) iscrizione ad AIPIA come socio professionista; 2) presentazione del proprio dossier di competenze (CV, formazione, esperienza, portfolio progetti AI); 3) valutazione del comitato tecnico secondo i criteri della norma UNI 11621-8; 4) eventuale colloquio o prova; 5) rilascio della credenziale digitale europea EDC con QR di verifica. La credenziale ha validità triennale ed è rinnovabile con aggiornamento continuo.

La UNI 11621-8 è la declinazione italiana di profili allineati al framework europeo e-Competence Framework (e-CF, EN 16234-1) usato in tutti i Paesi UE. Essendo i profili mappati su e-CF, le competenze certificate sono comprensibili e riconoscibili in tutta Europa. La credenziale EDC rilasciata da AIPIA aggiunge un livello di interoperabilità tecnica perché segue lo standard europeo dei diplomi digitali.

Il Deep Learning Engineer è specializzato in reti neurali profonde (CNN, RNN, Transformer, GAN, diffusion model). Progetta architetture, gestisce training su GPU/TPU, ottimizza loss function e iperparametri, lavora con dataset di grandi dimensioni e gestisce problemi specifici del DL (overfitting, vanishing gradient, memoria GPU). L’ML Engineer è più ampio e copre anche modelli classici, mentre il DL Engineer è verticale sul deep learning.

I principali sono PyTorch (oggi de facto standard in ricerca e crescente in produzione) e TensorFlow/Keras (ancora molto usato in produzione enterprise). JAX è in forte crescita per ricerca avanzata e training distribuito. Per inference: ONNX Runtime, TensorRT, OpenVINO. Per LLM e GenAI: Hugging Face Transformers, DeepSpeed, vLLM, Megatron-LM. Per distributed training: PyTorch Lightning, Hugging Face Accelerate, DeepSpeed.

In Italia nel 2025: junior 35-55k€, mid 55-80k€, senior 80-120k€ lordi annui. Specialisti in LLM e GenAI con esperienza in training di modelli grandi raggiungono 130-160k€ + bonus. Profili con PhD e pubblicazioni top-tier sono molto richiesti e possono ottenere ulteriori premi. All’estero (UK, USA, Svizzera) gli stipendi senior arrivano facilmente a 200-400k$ con equity.

A livello consumer/research: GPU NVIDIA RTX 4090/5090, A6000 Ada. Per training serio: NVIDIA A100, H100, H200 (datacenter), o TPU di Google Cloud. Per LLM grandi servono cluster multi-GPU con interconnessione NVLink/InfiniBand. Molti DL Engineer lavorano su cloud (AWS p4/p5, Azure NDv5, GCP A3) per evitare investimenti iniziali. Servono anche storage veloce (NVMe), CPU di buona qualità e RAM abbondante.

Strategie: usare modelli pre-addestrati e fine-tuning (transfer learning), PEFT (LoRA, QLoRA, adapter), mixed precision training (FP16/BF16), gradient checkpointing, gradient accumulation per batch grandi senza memoria, distillation per modelli più piccoli, quantizzazione post-training (INT8/INT4), early stopping aggressivo, hyperparameter search bayesiano invece di grid, scelta intelligente di spot/preemptible instance sul cloud.

Le architetture dominanti restano i Transformer per NLP, visione (ViT, Swin) e multimodalità. Le architetture state-space (Mamba, S4) emergono come alternativa ai Transformer per sequenze lunghe. I diffusion model dominano la generazione di immagini e video. Per visione: ConvNeXt, YOLO v8-v11 per detection. Per multimodalità: CLIP, LLaVA, Gemini-style architectures. Mixture of Experts (MoE) è centrale per LLM di frontiera.

Sì, è uno dei profili più richiesti per progetti GenAI. Il DL Engineer specializzato in LLM lavora su: pre-training e continued pre-training, instruction tuning, RLHF/DPO, fine-tuning efficiente con LoRA/QLoRA, valutazione modelli, ottimizzazione inference (quantizzazione, speculative decoding, batching dinamico), distillation. La sovrapposizione con il ruolo di LLM Engineer è significativa nelle aziende che addestrano modelli proprietari.

Si valutano: metriche specifiche del task (accuracy, F1, BLEU, ROUGE, FID, ecc.), generalizzazione su test set out-of-distribution, robustezza adversarial, fairness e bias su sottogruppi, costo computazionale (FLOPs, latency, memoria), riproducibilità (seed, ambiente, versioning dati), impatto di business (riduzione costi, aumento revenue, KPI di prodotto), accettazione da parte degli utenti finali e compliance con AI Act per sistemi a rischio.