Aggiornato il 30/09/2025

Azienda

società insurtech, sede principale a Londra
50 dipendenti
opportunità di lavoro in full-remote

Offerta

1. Sviluppo di modelli predittivi per il rischio

• Attività: Progettare e sviluppare modelli di machine learning (ML) per prevedere il rischio di sinistri, la probabilità di frode o per ottimizzare la determinazione dei premi.
• Tecnologie:
• Librerie ML: Scikit-learn, XGBoost, LightGBM, TensorFlow, PyTorch.
• Data Science tools: Pandas, NumPy, Matplotlib, Seaborn per analisi dei dati e visualizzazione.
• Framework di deep learning: Keras, TensorFlow, PyTorch.

1. Sviluppo di algoritmi per la personalizzazione delle polizze

• Attività: Creare modelli AI e suggerire polizze personalizzate in base ai loro dati storici e preferenze.
• Tecnologie:
• Machine learning: Collaborative filtering per raccomandazioni, regressione lineare e logistica, clustering (ad esempio, k-means, DBSCAN).
• Algoritmi di pricing dinamico: Modelli basati su alberi decisionali o reti neurali per calcolare i premi assicurativi in tempo reale.

1. Automazione e analisi dei sinistri

• Attività: Costruire sistemi AI per l'analisi automatica delle richieste di risarcimento, per velocizzare il processo di approvazione, identificare frodi o ottimizzare la gestione del flusso di lavoro.
• Tecnologie:
• Reti neurali convoluzionali (CNN): Per l'elaborazione e il riconoscimento delle immagini (ad esempio, valutazione dei danni su foto).
• NLP (Natural Language Processing): SpaCy, NLTK, transformers per l'analisi automatica delle descrizioni di sinistri o per estrarre informazioni dalle documentazioni testuali.
• OCR (Optical Character Recognition): Tesseract o Google Cloud Vision API per l'estrazione di testo da documenti scansionati.

1. Prevenzione delle frodi

• Attività: Creare modelli predittivi basati su AI per identificare sospetti e frodi nei reclami assicurativi.
• Tecnologie:
• Deep learning: Autoencoders per il rilevamento di anomalie.
• Modelli di classificazione: Random Forest, SVM (Support Vector Machine), Gradient Boosting.
• Tecniche di rilevamento delle anomalie: Analisi delle transazioni sospette attraverso clustering o anomaly detection.

Competenze ed esperienza

3 anni di esperienza in posizioni di AI Engineer
Ottima conoscenza di Python
Librerie ML: Scikit-learn, XGBoost, LightGBM, TensorFlow, PyTorch.
Data Science tools: Pandas, NumPy, Matplotlib, Seaborn
Framework di deep learning: Keras, TensorFlow, PyTorch.

Completa l'offerta

Contratto a tempo indeterminato con ral adeguata all'esperienza
Polizza assicurativa integrativa
Full remote
Ottima possibilità di crescita