CYS_Software Engineer_TP

Role summary

CYS_Software Engineer_TP is a full-time role at Leonardo in Rome, Lazio, Italy (hybrid). Posted 2026-09-01. Experience level: 2-5.

Job title

CYS_Software Engineer_TP

Company

Leonardo

Location

Rome, Lazio, Italy

Work arrangement

hybrid

Employment type

full-time

Category

Software Engineering

Experience level

2-5

Date posted

2026-09-01

Job description

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.

All’interno dell’ Area Cyber & Security Solutions , stiamo ricercando un/a Software Engineer per servizi dati, cloud e ML per la nostra sede di Genova / Roma Laurentina.

Di seguito l’elenco delle principali attività previste per il ruolo:

Sviluppare microservizi per data ingestion, transformation, API exposure e processing

Implementare servizi per batch e streaming data processing con integration tra i due paradigmi

Sviluppare API RESTful, GraphQL e gRPC per data access e analytics query execution

Implementare servizi per cloud infrastructure management (compute, storage, networking)

Sviluppare servizi per orchestration e provisioning di risorse cloud

Implementare servizi per security posture monitoring e compliance checking

Sviluppare componenti per cost tracking, resource optimization e billing

Implementare servizi per ML lifecycle management (training, evaluation, deployment, monitoring)

Sviluppare servizi per model registry, versioning e metadata tracking

Sviluppare API per model serving e inference con support per batch e real-time predictions

Implementare servizi per feature store management e feature engineering pipelines

Implementare servizi per metadata management e data catalog integration

Sviluppare componenti per data quality validation e monitoring

Integrare con data lakehouse per unified batch-streaming storage

Integrare con cloud providers APIs (OpenStack, AWS, Azure) per multi-cloud scenarios

Implementare servizi per disaster recovery automation e backup orchestration

Sviluppare Kubernetes operators per custom resource management

Implementare caching strategies e query optimization per performance

Sviluppare servizi per data lineage tracking e impact analysis

Implementare servizi per model monitoring (drift detection, performance tracking, data quality)

Sviluppare servizi per automated retraining pipelines e continuous learning

Garantire scalabilità, reliability e security per data services, cloud services e ML workloads

Implementare pattern per fault tolerance, retry mechanisms e error handling

Implementare testing automation e CI/CD pipelines per cloud services, data services e ML pipelines

Mantenere elevati standard di qualità del codice attraverso testing e code review

Collaborare con data engineers, infrastructure team, data scientists e ML engineers per implementazione end-to-end

Titolo di studio

Laurea in Ingegneria Informatica, Informatica o equivalente.

Seniority

Expert (da 2 a 5 anni di esperienza nel ruolo, o più di 5 anni di esperienza in ruoli analoghi)

Conoscenze e competenze tecniche

Sviluppo backend con linguaggi enterprise (Java, Python, Scala, Go) per data platforms, cloud platforms e ML platforms

Data processing con framework moderni (Apache Spark, Apache Flink)

Architetture event-driven per data streaming e real-time processing

Cloud platforms APIs (OpenStack, AWS/Azure SDKs) e resource management

Kubernetes e container orchestration con operators pattern

Infrastructure as Code (Terraform, Pulumi) e automation

Microservizi cloud-native con service mesh integration

MLOps practices per model lifecycle automation

Model serving frameworks (TensorFlow Serving, TorchServe, Triton Inference Server)

ML orchestration tools (Kubeflow, MLflow) e experiment tracking

Feature stores (Feast, Tecton) e feature engineering pipelines

Sviluppo di API (RESTful, GraphQL, gRPC) per data services, infrastructure services e ML services

Database relazionali e NoSQL ottimizzati per analytics (columnar, document, wide-column)

Data lakehouse integration (Delta Lake, Apache Iceberg) con ACID semantics

Security automation (policy enforcement, compliance scanning, secrets management)

Caching distribuito (Redis, Memcached) per performance optimization

API design per infrastructure services e ML services con versioning e backward compatibility

Competenze comportamentali

Autonomia nella gestione di task complessi multi-componente

Buone capacità comunicative e problem solving analitico

Orientamento alla qualità del codice, data quality, automazione, infrastructure as code, performance e scalability

Security mindset per cloud environments

Collaborazione efficace in team cross-funzionali (backend, data engineering, analytics, infrastructure, ML)

Proattività nel knowledge sharing e continuous improvement

Conoscenze linguistiche

Italiano madrelingua, Inglese professionale (B2)

Competenze informatiche

Linguaggi backend (Java, Python, Scala, Go) e framework (Spring Boot, FastAPI)

Apache Spark (PySpark, Scala) per distributed data processing

Apache Flink for stream processing (DataStream API, Table API)

Event streaming (Apache Kafka) e message brokers

Cloud platforms (OpenStack, integration con AWS/Azure)

Kubernetes avanzato (operators, CRDs, admission controllers, GPU support con NVIDIA GPU Operator)

Infrastructure as Code (Terraform, Ansible, Pulumi)

ML frameworks (TensorFlow, PyTorch) e model formats (ONNX, SavedModel)

Model serving (TensorFlow Serving, TorchServe, Triton)

MLOps tools (Kubeflow, MLflow, DVC)

Feature stores (Feast) e data versioning

Containerizzazione (Docker) e deployment su Kubernetes

Database relazionali (PostgreSQL), NoSQL (MongoDB, Cassandra), columnar (ClickHouse), time-series (TimescaleDB)

Data lakehouse platforms (Delta Lake, A