AI Engineer

Aggiornato il 30/09/2025

Azienda finale
Azienda leader nel settore

Azienda

società insurtech, sede principale a Londra

50 dipendenti

opportunità di lavoro in full-remote

Offerta

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.

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.

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.

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.