Full Stack Python / AI Developer | Branża Ubezpieczeniowa
⚲ Warszawa
Do uzgodnienia
Wymagania
- min. 2 lata doświadczenia w Data Science / AI, w tym min. 1 rok we wdrożeniach produkcyjnych
- wykształcenie wyższe I lub II stopnia w dziedzinie technicznej
- umiejętność komunikowania złożonych zagadnień technicznych odbiorcom nietechnicznym
- proaktywna postawa i gotowość do odpowiedzialności od pomysłu do implementacji
- rozumienie wymogów AI Governance i AI Act
- praca hybrydowa — 3 dni w tygodniu z biura w Warszawie
Mile widziane
- doświadczenie z Azure AI Search oraz Power Platform
- certyfikaty Azure (DP-100, AI-102, AI-900) lub znajomość branży ubezpieczeniowej
Opis stanowiska
Budowa aplikacji Underwriter OS dla lidera rynku ubezpieczeniowego — frontend Next.js/React, backend FastAPI/Python oraz integracja agentów AI z systemami polisowymi, silnikami taryfikacyjnymi, DMS, CRM i portalem brokerskim. Praca pionierska nad nowym modelem operacyjnym opartym na AI i automatyzacji w chmurze Azure. Praca hybrydowa, 3 dni w tygodniu z biura w Warszawie.
🔍 Dekoder Ogłoszenia
🟡
Minimum 2 lata doświadczenia w Data Science / AI, w tym co najmniej 1 rok doświadczenia we wdrożeniach produkcyjnych
Oczekuje się, że kandydat nie tylko zna algorytmy, ale potrafi je wdrożyć i utrzymać w działającym systemie.
🟡
Dobra znajomość React/Next.js oraz Python/FastAPI
Oczekiwana jest biegłość w obu stosach technologicznych, a nie tylko powierzchowna wiedza.
🟡
Dobra znajomość Azure Blob Storage, Document Intelligence oraz AI Foundry
Wymagana jest praktyczna umiejętność pracy z konkretnymi usługami Azure związanymi z danymi i AI.
🟡
Dobra znajomość LangGraph lub podobnych narzędzi orkiestracyjnych, prompt engineeringu oraz context engineeringu
Kandydat powinien mieć doświadczenie w budowaniu złożonych przepływów pracy AI i efektywnym zarządzaniu interakcjami z modelami językowymi.
🟡
Praktyczne doświadczenie w obszarze MLOps, w szczególności Azure ML, MLflow, Docker, Kubernetes oraz CI/CD
Oczekuje się, że kandydat rozumie i potrafi stosować najlepsze praktyki związane z cyklem życia modeli uczenia maszynowego.