AI Machine 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.

L’AI Machine Learning Engineer industrializza i modelli di Machine Learning: prende prototipi sviluppati dal Data Scientist o ricercatore e li porta in produzione su sistemi reali. Costruisce pipeline MLOps end-to-end (training, validazione, deployment, monitoring), gestisce infrastruttura, scalabilità, latenza, costi, integra modelli nelle applicazioni, automatizza re-training e gestisce versioning di codice, dati e modelli.

Competenze chiave: Python avanzato e software engineering pulito, framework ML (PyTorch, TensorFlow, scikit-learn), MLOps tooling (MLflow, Kubeflow, SageMaker, Vertex AI, Azure ML), container e orchestrazione (Docker, Kubernetes), cloud (AWS, Azure, GCP), CI/CD per ML (GitHub Actions, GitLab CI, Argo), API e microservizi (FastAPI, gRPC), monitoring (Prometheus, Grafana, Evidently, Arize), serving (BentoML, TorchServe, Triton, vLLM).

In Italia nel 2025: junior 35-55k€, mid 55-80k€, senior 80-120k€ lordi annui. Specialisti senior in MLOps avanzato o piattaforme GenAI raggiungono 130-160k€. Profili con esperienza in serving di LLM a scala o ottimizzazione inference (vLLM, quantizzazione, KV cache) sono particolarmente ricercati. All’estero gli stipendi senior superano facilmente 200k€.

L’ML Engineer copre tutto il ciclo: modello + ingegnerizzazione. L’MLOps Engineer è più specializzato sulla piattaforma e sui processi di automazione (pipeline, monitoring, governance, FinOps per ML, scalabilità). In molte aziende le due figure si sovrappongono; in aziende grandi MLOps Engineer è team di piattaforma centrale che abilita molti ML Engineer di prodotto. Per profili senior la distinzione si attenua.

MLOps è l’insieme di pratiche, strumenti e cultura per portare e mantenere modelli ML in produzione in modo affidabile, scalabile e governato. È cruciale perché il 70-80% dei modelli sviluppati non arriva in produzione o degrada rapidamente: senza MLOps si accumula technical debt e si perde valore. MLOps copre training automatizzato, deployment continuo, monitoring del drift, gestione versioning, governance e conformità AI Act.

Le pratiche includono: monitoring delle metriche di sistema (latency, throughput, errori), metriche di modello (accuracy live se disponibili groundtruth, distribuzione predizioni), data drift sulle feature di input, concept drift sulle relazioni input-output, fairness metric su sottogruppi, alert e dashboard, processi automatici di retraining trigger-based, A/B testing continuo, logging dei prompt e output per LLM, audit log per compliance AI Act.

Sì, sempre più frequentemente. Il ruolo si sta evolvendo verso LLM Engineer / GenAI Engineer per applicazioni di GenAI. Le attività specifiche includono: deployment di LLM con framework di serving ottimizzati (vLLM, TGI, TensorRT-LLM), quantizzazione (INT8, INT4, AWQ, GPTQ), gestione di prompt management, costruzione di pipeline RAG, integrazione di agent, monitoring di hallucination e costi token, sicurezza prompt injection.

Certificazioni utili: AWS Certified Machine Learning – Specialty, Google Cloud Professional Machine Learning Engineer, Microsoft Certified: Azure AI Engineer Associate, Databricks Certified Machine Learning Professional, NVIDIA Deep Learning Institute, Kubernetes (CKA/CKAD) per chi lavora su Kubeflow. La UNI 11621-8 conferisce il riconoscimento normativo del ruolo professionale, le certificazioni vendor attestano la padronanza delle piattaforme.