Data & Analytics Jobs in Turin, Italy (Now Hiring) — 125 open — Page 7

Job Description:

Leonardo è un gruppo industriale internazionale, tra le principali realtà mondiali nell’Aerospazio, Difesa e Sicurezza che realizza capacità tecnologiche multidominio in ambito Elicotteri, Velivoli, Aerostrutture, Elettronica, Cyber Security e Spazio. Con oltre 60.000 dipendenti nel mondo, l’azienda ha una solida presenza industriale in Italia, Regno Unito, Polonia, Stati Uniti, e opera in 150 paesi anche attraverso aziende controllate, joint venture e partecipazioni. Protagonista dei principali programmi strategici a livello globale, è partner tecnologico e industriale di Governi, Amministrazioni della Difesa, Istituzioni e imprese. Nel 2024 Leonardo ha registrato ricavi consolidati pari a € 17,8 mld, nuovi ordini per € 20,9 mld, e ha investito € 2,5 mld in attività di R&S. Innovazione, ricerca continua, industria digitale e sostenibilità sono i pilastri del suo business nel mondo.

Tutor esperte/i nel proprio settore ti seguiranno, consentendoti di approfondire la parte teorica e di sviluppare la tua tesi, preparandoti al meglio per le sfide professionali future.

Le tematiche proposte per le tesi da svolgere in Leonardo abbracciano un vasto spettro di ambiti tecnologici, ricerca e innovazione: dall’Intelligenza Artificiale all’High-Performance Computing, dalla Cyber Sicurezza all’Ingegneria dei materiali, passando per i settori aerospaziali. Potrai esplorare le aree più all’avanguardia del tuo settore di studi, con creatività e spirito di innovazione.

Per supportarti nel corso di questa esperienza, della durata massima di sei mesi, è previsto inoltre un rimborso spese.

Stiamo ricercando n. 1 giovane studente o studentessa da inserire in stage con l’obiettivo di sviluppare la propria tesi di laurea sulla tematica riguardante “L’ Addestramento tramite tecniche di Reinforcement Learning di entità virtuali generate al computer all'interno di un simulatore di volo “presso il sito di Torino.

Scopo di questa tesi è lo studio, complementato dallo sviluppo, di un software di controllo di un velivolo sintetico basato su un modello di intelligenza artificiale addestrato con tecniche di Reinforcement Learning. Il controllo di volo è usualmente dominato dalle logiche PID (Proporzionale-Integrale-Derivativo), sebbene efficaci, questi sistemi presentano limiti che il Reinforcement Learning (RL) punta a superare.

Un modello RL ha la capacità di apprendere direttamente dall’interazione con l’ambiente e di costruire una rappresentazione implicita di queste dinamiche, riuscendo a catturare comportamenti complessi. A differenza dei parametri fissi di un PID, un agente RL può apprendere una politica di controllo capace di gestire una maggiore varietà di condizioni operative. Grazie all’addestramento in ambienti simulati che includono scenari variabili, l’agente può sviluppare tecniche di controllo più robuste migliorando la stabilità e le prestazioni del sistema. Mentre un PID si focalizza sul ridurre un errore (es. mantenere la quota), il RL può essere addestrato per massimizzare una funzione di ricompensa complessa che integra diversi criteri di prestazione all’interno dello stesso processo di apprendimento. In questo modo, l’agente può essere addestrato a trovare le migliori politiche di controllo che bilancino simultaneamente diversi fattori operativi, come la precisione nel seguire una traiettoria desiderata, il risparmio di carburante e l’integrità strutturale.

L’obiettivo principale di questa tesi è la progettazione e l'implementazione di un agente intelligente capace di gestire il controllo dinamico di un velivolo sintetico.

Il lavoro si articolerà nelle seguenti fasi:

• Analisi dei prodotti commerciali ed integrazione: Studio dei simulatori di volo disponibili sul mercato (es. X-Plane 12 o DCS World) come motori di fisica. L'agente AI interagirà con il simulatore tramite API o plugin dedicati, ricevendo in input lo stato del velivolo (assetto, velocità, posizione) e fornendo in output i comandi sulle superfici di controllo;

• Definizione del Modello di Apprendimento: Progettazione della “reward function” per addestrare l'agente a eseguire manovre specifiche (es: mantenimento del volo livellato, intercettazione di waypoint o manovre evasive) massimizzando i parametri scelti a progetto;

• Validazione in Ambiente Sintetico: Il modello addestrato verrà integrato in uno scenario complesso, tipico degli standard di addestramento militare, per valutare la capacità dell'AI di reagire a variabili dinamiche e imprevisti ambientali.

Titolo di studio: Laurea Magistrale in Ingegneria Informatica o Informatica.

Seniority: Junior

Conoscenze e competenze tecniche:

• Conoscenze di linguaggi di programmazione;
• Fondamenti di Machine Learning;
• Deep Learning;
• Reinforcement Learning Technique.

Competenze comportamentali:

• Proattività;
• Capacità di lavorare in team;
• Orientamento all’apprendimento;
• Flessibilità;
• Orientamento al risultato;
• Interesse per il mondo aeronautico.

Conoscenze linguistiche:

• Ottima conoscenza della lingua inglese, scritta e parlata livello B2/C1.

Conoscenze informatiche:

• Linguaggi di programmazione (Python, C++, C#);
• Reinforcement Learning libs;
• Gymnasium;
• GIT/GitHub;
• Protocolli di scambio dati.

Come funziona il processo di selezione?

A seguito della raccolta delle candidature, vengono valutati e identificati i CV maggiormente in linea con i requisiti richiesti.

Le/i candidate/i selezionate/i sostengono un colloquio conoscitivo con il team delle Risorse Umane e con il Business, dove saranno approfondite tematiche tecniche, motivazione e attitudini personali.

Al termine del processo, alla persona viene restituito un feedback, sia in caso di esito positivo che negativo.

Aspettiamo la tua candidatura.

Collaborando con noi avrai modo di confrontarti costantemente con le sfide dell’alta tecnologia, di accrescere le tue competenze e costruire un percorso professionale di eccellenza.

Seniority:

New Graduate

Primary Location:

IT - Torino - C.so Francia

Contract Type:

Total Base Pay Range:

Rimborso spese

Hybrid Working:

Onsite