Auf einen Blick
- Aufgaben: Entwickle KI- und Machine Learning-Systeme zur Verbesserung von Entscheidungen in verschiedenen Bereichen.
- Unternehmen: Innovatives Unternehmen im Versicherungssektor mit Fokus auf Technologie und Datenanalyse.
- Vorteile: Attraktives Gehalt, flexible Arbeitszeiten, Weiterbildungsmöglichkeiten und ein dynamisches Team.
- Weitere Informationen: Möglichkeiten zur beruflichen Weiterentwicklung in einem spannenden und herausfordernden Umfeld.
- Warum dieser Job: Gestalte die Zukunft der KI und löse reale Probleme mit modernster Technologie.
- Qualifikationen: Starke quantitative Fähigkeiten und Erfahrung in der Programmierung erforderlich.
Das prognostizierte Gehalt liegt zwischen 63000 - 77000 € pro Jahr.
Scrollen Sie nach unten, um die vollständigen Einzelheiten des Stellenangebots zu erfahren, einschließlich der erforderlichen Erfahrung und der damit verbundenen Pflichten und Aufgaben.
- Develop machine learning and AI systems that improve decisions across pricing, underwriting, portfolio management, operations, and claims.
- Work across structured data, text, documents, and external data sources, applying statistical modeling, modern machine learning, AI and agentic workflows to solve challenging real-world problems.
- Identify the right approach, build production-ready solutions, and measure the business impact of your work.
- Tackle a broad range of machine learning and AI problems such as predictive modeling, classification, ranking, matching, recommendation, anomaly detection, information extraction, entity resolution, building high-quality datasets, and automating analytical and decision-making workflows.
Requirements
- A strong quantitative foundation: statistics, probability, optimisation, or applied mathematics
- Sound modelling judgement - you know what it takes for a model to hold up in the real world, not just on a validation set
- Strong programming skills
- Real willingness to work with LLMs and agentic AI as everyday tools, wherever your background sits today
- Clear communication with both technical and non-technical audiences - you can explain a lift curve to an underwriter and a shrinkage prior to a statistician
- Experience in one or more of the following is especially valuable: Track record with LLM-powered applications or AI agents, especially if you've done the unglamorous work of proving they perform Depth in the statistical toolkit beyond supervised prediction: hierarchical models and shrinkage estimation, causal inference and experimentation, survival analysis, extreme value theory, or demand and elasticity modelling
- Insurance domain knowledge: pricing, reserving, claims, underwriting, or distribution
- Actuarial background or qualifications (partially or fully qualified)
- Experience in regulated industries where model governance and explainability matter
- ML engineering experience: taking models from research code to production services, or building the tooling and frameworks that help others deploy
- Cloud and infrastructure skills: AWS, Azure, or GCP; containers and orchestration; APIs and data pipelines built with cost, latency, and reliability in mind
- MLOps in practice: experiment tracking, model monitoring, automated retraining, and CI/CD for models and agent
- Core Competencies
Demonstrates expertise in developing machine learning and AI systems, with a strong quantitative foundation in statistics and applied mathematics. xayajpt Proficient in ML engineering, model governance, and cloud technologies, particularly in the insurance domain.
- Highest-signal resume keywords
- Machine Learning Development
- Statistical Modeling
- LLM-Powered Applications
- Cloud Technologies (AWS, Azure, GCP)
- MLOps Practices
- ATS Optimization Keywords Hard Skills
- Statistics
- Probability
- Optimization
- Applied Mathematics
- Predictive Modeling
- Classification
- Anomaly Detection
- Causal Inference
- Survival Analysis
- Hierarchical Models
- Soft Skills
- Clear Communication
- Sound Modelling Judgement
Certifications & Qualifications
- Actuarial Qualifications
- Industry Keywords
- Insurance Domain Knowledge
- Pricing
- Underwriting
- Claims
- Model Governance
- Tools & Technologies
- AWS
- Azure
- GCP
- Containers
- Orchestration
- APIs
- Data Pipelines
Principal Data Scientist – Machine Learning, AI Arbeitgeber: Accelerant
Als Principal Data Scientist – Machine Learning, AI in unserem innovativen Unternehmen haben Sie die Möglichkeit, an der Spitze der Technologie zu arbeiten und bedeutende Entscheidungen in der Versicherungsbranche zu beeinflussen. Wir bieten eine dynamische Arbeitsumgebung, die Kreativität und Zusammenarbeit fördert, sowie umfangreiche Möglichkeiten zur beruflichen Weiterentwicklung und Schulung. Unsere Mitarbeiter profitieren von flexiblen Arbeitszeiten, einem unterstützenden Team und der Chance, an spannenden Projekten zu arbeiten, die echte Auswirkungen auf unsere Kunden haben.
StudySmarter Expertenrat🤫
Wir sind der Meinung, dass du so Principal Data Scientist – Machine Learning, AI erhalten könntest
✨Wende dich an die richtigen Communities
Schau dir Online-Communities und Foren an, die sich um Data Science drehen, wie Kaggle oder GitHub. Engagiere dich dort aktiv, teile deine Projekte und lerne von anderen – das wird dir helfen, nicht nur einen Fuß in die Tür zu bekommen, sondern auch wertvolle Kontakte zu knüpfen.
✨Präsentiere deine Daten-Projekte
Baue ein Portfolio auf, das deine besten Projekte zeigt. Nutze Plattformen wie GitHub oder eine persönliche Webseite, um deine Arbeiten zu veröffentlichen. Arbeitgeber im Data Science-Bereich schauen oft direkt auf praktische Erfahrungen, also zeig, was du drauf hast!
✨Nimm an Meetups und Hackathons teil
Besuche lokale Data Science-Meetups oder nehme an Hackathons teil. Diese Veranstaltungen sind nicht nur super, um dein Wissen zu erweitern, sondern auch Gold wert für Networking. Du lernst Fachkollegen kennen und kannst auf Lockere Art und Weise Eventualjobs ergattern.
✨Direkte Bewerbungen über unsere Seite
Vergiss nicht, direkt auf unserer Website nach Stellenangeboten bei Accelerant zu schauen. Hier kannst du dich auf offene Datenwissenschaftsstellen bewerben und zeigst damit direktes Interesse, das viele Arbeitgeber schätzen!
Wir glauben, dass du diese Fähigkeiten brauchst, um Principal Data Scientist – Machine Learning, AI mit Bravour zu bestehen
Einige Tipps für deine Bewerbung 🫡
Lass deine Daten sprechen!:In einem Bereich wie Data Science ist es entscheidend, dass du deine praktischen Fähigkeiten präsentierst. Wenn du an Projekten gearbeitet hast, die deine Analysefähigkeiten oder dein Wissen über Machine Learning demonstrieren, teile sie in deinem Lebenslauf oder füge einen Link zu deinem GitHub-Portfolio bei. Die Daten, die du analysiert hast, und die Tools, die du verwendest, sollten klar hervorgehoben werden.
Ergebnisse quantifizieren!:Unterstütze deine Erfahrung mit quantifizierbaren Ergebnissen. Zeige, wie du durch deine Analysen oder Modelle zur Entscheidungsfindung beigetragen hast oder wie deine Berechnungen den Rohdaten neue Erkenntnisse entlockt haben. Arbeitgeber in der Data Science sind oft an konkreten Verbesserungen und Effizienzsteigerungen interessiert!
Erläutere deine Lernbereitschaft!:Da es sich um eine Vollzeitstelle handelt, zeige in deinem Anschreiben, dass du bereit bist, zu lernen und dich weiterzuentwickeln. Sprich über deine Neugier für neue Technologien oder Methoden im Data Science Bereich. Vielleicht hast du auch Kurse besucht oder Zertifikate erworben, die deine Begeisterung zeigen!
Die richtige technische Sprache!:Achte darauf, dass deine Bewerbung alle relevanten technischen Begriffe enthält, die in der Data Science gebräuchlich sind. Nenne spezifische Programmier- und Analysetools wie Python, R oder SQL, die du beherrschst. Dies macht es für die Rekrutierer einfacher, schnell zu erkennen, dass du für die Rolle als Principal Data Scientist – Machine Learning, AI bei Accelerant gut geeignet bist.
Wie man sich auf ein Vorstellungsgespräch bei Accelerant vorbereitet
✨Bereite deine technischen Skills vor
In einem Vorstellungsgespräch für eine Data-Science-Position wird oft dein Wissen über Tools wie Python, R oder SQL getestet. Mach dich mit gängigen Algorithmen und deren Einsatzmöglichkeiten vertraut, denn technische Fragen können schnell kommen. Lass uns sicherstellen, dass du in diesen Bereichen glänzt!
✨Verschaffe dir einen Überblick über Projekte
Da es sich um eine Vollzeitstelle handelt, ist es wichtig, dass du konkrete Erfahrungen und Projekte vorweisen kannst. Wenn du bereits an Data-Science-Projekten gearbeitet hast, sei bereit, diese in der Tiefe zu erläutern und zu diskutieren, wie du die Probleme gelöst hast. Dein Portfolio kann hier einen echten Unterschied machen!
✨Vorbereitung auf case studies
In Data-Science-Interviews sind case studies und praktische Probleme häufig Teil des Gesprächs. Übe, wie du strukturiert und logisch an solche Aufgaben herangehst. Arbeitgeber möchten sehen, wie du Daten analysierst und Lösungen entwickelst – bring also deine analytischen Fähigkeiten mit!
✨Zeige deine Leidenschaft für Daten
Mehr denn je geht es bei einer Vollzeitstelle darum, dass du nicht nur die Skills hast, sondern auch wirklich für das Feld brennst. Teile Anekdoten oder Erfahrungen, die zeigen, wie du zur Datenwissenschaft gekommen bist und was dich fasziniert. Diese Begeisterung kann für Accelerant entscheidend sein!
