Le figure di un progetto AI: ruoli e responsabilità dalla raccolta dati al deploy
Un progetto AI moderno non è quasi mai opera di una sola persona. Richiede un insieme di competenze che si intrecciano lungo tutto il ciclo di vita del sistema: chi conosce i dati, chi costruisce i modelli, chi li porta in produzione, chi li rende accessibili agli utenti finali e chi garantisce che tutto funzioni in modo corretto ed etico. Vediamo quali sono le figure chiave, il loro ruolo e le responsabilità concrete.
AI Product Manager/Project Manager
Necessario in quasi tutti i progetti di media e grande dimensione. Nei progetti molto piccoli o puramente tecnici, il suo ruolo può essere assorbito da un tech lead o da uno stakeholder senior.
È il punto di raccordo tra stakeholder, team tecnico e utenti finali. Definisce il problema da risolvere, stabilisce le metriche di successo e mantiene il progetto allineato agli obiettivi di business. Deve avere una comprensione solida delle capacità e dei limiti dei modelli AI, senza necessariamente scrivere codice. Tra le sue responsabilità rientrano la definizione dei requisiti funzionali, la gestione della roadmap, la comunicazione con il management, la prioritizzazione delle feature e il monitoraggio del prodotto dopo il lancio.
Data Engineer
Indispensabile quando i dati provengono da sorgenti multiple, richiedono trasformazioni complesse o devono essere aggiornati continuamente. In progetti con dataset statici e piccoli, può essere sostituito da script semplici gestiti dal Data Scientist.
Senza dati di qualità non esiste modello AI funzionante. Il Data Engineer progetta e mantiene i flussi di acquisizione, trasformazione e archiviazione dei dati. Lavora a monte del Data Scientist, garantendo che i dataset siano affidabili, accessibili e documentati. Si occupa di pipeline ETL/ELT, integrazione di sorgenti eterogenee, controlli sulla qualità dei dati, versioning dei dataset e ottimizzazione delle infrastrutture di storage.
Data Annotator/Etichettatore
Necessario quando il progetto usa apprendimento supervisionato, richiede fine-tuning di un modello esistente, o prevede valutazione umana degli output (RLHF). Non serve in progetti che usano modelli pre-addestrati senza adattamento, o che si basano su dati già etichettati disponibili.
Figura spesso invisibile ma determinante. L’etichettatore applica le label ai dati grezzi seguendo linee guida precise: può classificare immagini, trascrivere audio, annotare entità in testi, valutare la qualità delle risposte di un modello o segnalare contenuti problematici. La qualità del lavoro di annotazione impatta direttamente le performance del modello, motivo per cui è essenziale definire linee guida chiare, misurare l’accordo tra annotatori (inter-annotator agreement) e prevedere cicli di revisione. L’annotatore può essere una figura a basso valore aggiunto (ad esempio annotare i numeri di targa da foto autostradali) oppure ad alto valore aggiunto e richiedere un esperto di dominio (ad esempio annotazione di patologie su imaging medico). In alcuni progetti questa funzione può essere esternalizzata nel caso di annotazioni a basso valore aggiunto, esistono diversi servizi appositi.
Data Scientist
Presente in quasi tutti i progetti AI. Può mancare solo quando si usa un modello terzo completamente as-is, senza alcun adattamento o valutazione approfondita delle performance.
È il ricercatore del team: esplora i dati, formula ipotesi e costruisce i primi modelli sperimentali. Lavora tipicamente in ambienti agili (notebook, scripting), ha una solida cultura statistica e sa comunicare i risultati anche a un pubblico non tecnico. Si occupa di analisi esplorativa, feature engineering, selezione e comparazione degli algoritmi, training e valutazione dei modelli, interpretabilità dei risultati e documentazione degli esperimenti.
Machine Learning Engineer
Entra in gioco quando il modello deve uscire dalla fase prototipale e girare in modo stabile ed efficiente in un sistema reale. Non indispensabile in progetti puramente sperimentali o proof-of-concept.
Più vicino all’ingegneria software rispetto al Data Scientist, il ML Engineer porta i modelli dalla sperimentazione alla produzione robusta. Scrive codice pulito e testabile, ottimizza i modelli per l’efficienza computazionale (quantizzazione, distillazione, pruning) e li prepara all’integrazione con il resto del sistema tramite packaging in formati standard. A volte può addirittura riscrivere il codice in un linguaggio più performante. È il ponte naturale tra la ricerca e il deploy.
MLOps Engineer
Essenziale quando il modello va in produzione e deve essere mantenuto nel tempo: aggiornamenti, retraining, monitoraggio del drift. Può essere omesso in progetti one-shot o in contesti dove il modello viene deployato una sola volta senza necessità di aggiornamenti.
Figura ibrida tra DevOps e ML Engineering, è responsabile che i modelli girino in modo affidabile, scalabile e riproducibile in produzione. Progetta le pipeline CI/CD specifiche per i modelli, monitora il data drift e il degradamento delle performance nel tempo, automatizza il retraining e gestisce l’infrastruttura cloud. Si occupa anche di SLA, latenza di inferenza e ottimizzazione dei costi computazionali.
Backend Developer
Necessario quando il modello deve essere esposto tramite API a sistemi esterni o a un frontend. Non serve in progetti interamente self-contained, come script interni o notebook analitici senza integrazione con altri sistemi.
Integra il modello nel sistema applicativo tramite API REST o gRPC, gestisce autenticazione, caching, rate limiting e logging. Lavora a stretto contatto con il ML Engineer per ottimizzare le chiamate di inferenza e garantire che i servizi esposti siano sicuri, documentati e pronti a scalare sotto carico.
UX Designer
Necessario quando il progetto prevede un’interfaccia utente destinata a persone non tecniche. Può essere omesso in progetti B2B puramente API-based, in tool interni ad uso di soli sviluppatori, o in sistemi completamente automatizzati senza interazione umana diretta.
Nei progetti AI lo UX Designer affronta sfide uniche rispetto al design tradizionale: come comunicare l’incertezza del modello, come gestire i casi in cui l’AI sbaglia, come costruire fiducia progressiva nell’utente. Non si limita a produrre wireframe, ma definisce i pattern di interazione specifici per sistemi intelligenti, progetta gli stati di errore e di latenza, conduce test di usabilità e definisce il design system dell’interfaccia.
Frontend Developer
Necessario quando il progetto prevede un’interfaccia utente, sia essa una web app, una dashboard, un chatbot con UI o un pannello di controllo. Non serve in progetti puramente backend, pipeline automatizzate o API senza layer visuale.
Traduce i design in codice, gestisce lo stato dell’applicazione e ottimizza le performance percepite dall’utente: streaming delle risposte, skeleton loading, feedback asincrono. Integra le API di inferenza esposte dal backend, garantisce un’esperienza fluida su tutti i dispositivi e si occupa di testing end-to-end e accessibilità.
AI Ethics & Compliance Officer
Indispensabile in progetti ad alto rischio (sanità, finanza, giustizia, HR) o soggetti a normative specifiche come l’AI Act europeo. In progetti a basso rischio o puramente sperimentali, il suo ruolo può essere svolto in modo più informale da un membro senior del team.
Valuta i rischi sistemici del modello, analizza i potenziali bias, definisce le politiche di governance dei dati e si interfaccia con i team legali. Produce la documentazione necessaria per audit e certificazioni e forma il resto del team sui temi etici e normativi.
QA Engineer / AI Tester
Presente in tutti i progetti che vanno in produzione. Può mancare in prototipi interni o ricerche sperimentali, ma è fortemente consigliato non appena il sistema interagisce con utenti reali o prende decisioni con conseguenze concrete.
Testare un sistema AI è diverso dal testare software tradizionale: i modelli producono output probabilistici, non deterministici. Il QA Engineer specializzato in AI definisce suite di test per le performance del modello, verifica i casi limite e i comportamenti inattesi, implementa red-teaming per trovare le debolezze del sistema e si occupa del load testing dell’intera infrastruttura di inferenza.
Una nota sulla dimensione del team
In un progetto piccolo o in una startup, molte di queste figure coincidono in una sola persona. Le sovrapposizioni più comuni sono tra Data Engineer e Data Scientist, tra Data Scientist e ML Engineer, tra UX Designer e Frontend Developer, tra MLOps Engineer e Backend Developer e tra ML Engineer e MLOps Engineer. In genere sono i requisiti e l’architettura del progetto a farci capire quali figure sono sovrapponibili. Un’azienda che sviluppa AI full-time, di contro, ha tutte queste figure a disposizione in continuo, ottimizzando il carico tra i diversi progetti.
Le figure dell’etichettatore, del MLOps Engineer e dell’AI Ethics Officer sono quelle più spesso sottovalutate nelle fasi iniziali, ma anche quelle la cui assenza si paga più cara nella fase di scaling e mantenimento del sistema in produzione.
Di seguito una piccola infografica per tipo di progetto.
