> Markdown version of [/jobs/ext/3775766-data-scientist-applied-scientist](https://www.wearedevelopers.com/jobs/ext/3775766-data-scientist-applied-scientist). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md). --- # Data Scientist / Applied Scientist - **Company:** Key Benefit Administrators Inc - **Location:** United States (Remote available) - **Experience:** Experienced - **Contract:** Permanent contract - **Skills:** Artificial Intelligence, Amazon Web Services, Microsoft Azure, Cloud Computing, Cluster Analysis, Databases, General-Purpose Computing on Graphics Processing Units, Python (Programming Language), Machine Learning, NumPy, Scientific Computating, SQL Databases, Feature Engineering, Pytorch, Open-source Models, Large Language Models, Snowflake, Apache Spark, Deep Learning, Git, Pandas, Scikit Learn, Kubernetes, Information Technology, Xgboost, Feature Selection, Machine Learning Operations, Docker, Databricks - **Published:** October 16, 2026 - **Apply:** https://arc.dev/remote-jobs/j/redirect/przb67da4x ## About the Role * PhD strongly preferred in a quantitative discipline (Must-have) * Around 3 to 8 years of relevant experience (Must-have) * Strong grounding in probability, statistics, inference, regression, optimisation, machine learning and experimental design (Must-have) * Python (Must-have) * NumPy, Pandas or Polars (Must-have) * Scikit-learn (Must-have) * PyTorch or modern ML/DL frameworks (Must-have) * SQL and large dataset handling (Must-have) * Git and reproducible development practices (Must-have) * Feature engineering and model validation (Must-have) * Time series, clustering, anomaly detection or geospatial analysis (Must-have) * Deep learning, foundation models or LLM experimentation (Nice-to-have) * XGBoost, LightGBM or CatBoost (Nice-to-have) * Spark, DuckDB, MLflow, Ray, Databricks, Snowflake, cloud platforms or Docker/Kubernetes (Nice-to-have) * Scientist who codes mindset (Must-have) ## Description Laura è una insurtech specializzata nell'assicurazione auto, con un forte orientamento alla tecnologia e ai dati. Il lavoro si concentra quindi sull'applicazione di metodi quantitativi rigorosi a problemi di business concreti. Il team attribuisce grande valore a una solida preparazione scientifica e cerca una persona capace di ragionare in modo sperimentale, sviluppare modelli con rigore e trasformare la ricerca in soluzioni concretamente utilizzabili., La azienda Laura è un'agenzia assicurativa digitale nata per rendere l'assicurazione auto più semplice, intuitiva e accessibile. Costruiamo piattaforme proprietarie che connettono app, servizi e dati, trasformando la complessità assicurativa in prodotti digitali concreti. Entrare nel team tech significa contribuire alle scelte tecniche e allo sviluppo del prodotto, affrontare sfide reali e vedere l'impatto del proprio lavoro sull'esperienza degli utenti. Missione del ruolo Entrare nel nucleo quantitativo e tecnologico di Laura per trasformare dataset complessi in insight, segnali e modelli predittivi utilizzabili nei processi di pricing, underwriting, portfolio management, antifrode, customer behaviour e nelle future applicazioni data-driven della società. Non cerchiamo necessariamente esperienza assicurativa. È anzi preferibile una provenienza da settori scientifici o industriali differenti, nei quali il trattamento quantitativo di dati complessi sia una componente centrale. Ambiti di provenienza particolarmente interessanti * Aerospace e aeronautica. * Space, satellite data, remote sensing ed Earth Observation. * Meteorologia, climate science e modelli ambientali. * Energy e sistemi complessi. * Automotive, autonomous driving e mobility. * Robotics, telecommunications e industrial optimization. * Physics, computational science e applied mathematics. * Computational biology / scientific computing. * Quantitative finance, operations research e geospatial analytics. Principali attività * Analisi esplorativa di dataset strutturati e non strutturati. * Data cleaning, data quality assessment, preprocessing e data preparation. * Feature engineering e feature selection. * Individuazione di pattern, anomalie, cluster, correlazioni e relazioni non lineari. * Sviluppo di modelli statistici, Machine Learning e modelli predittivi. * Segmentazione, clustering, anomaly detection, time-series e geospatial analysis. * Analisi causale, sperimentazione e model validation. * Costruzione di pipeline riproducibili per training, validation e scoring. * Utilizzo di Deep Learning e foundation models quando appropriato. * Ricerca e sperimentazione con LLM, modelli open source, embeddings e agentic workflows. * Collaborazione con software/data engineer per portare i modelli in produzione e monitorarne le performance. Formazione e basi scientifiche * PhD fortemente preferito in Mathematics, Applied Mathematics, Statistics, Physics, Computer Science, Machine Learning, Engineering, Computational Science, Operations Research, Econometrics o disciplina quantitativa equivalente. * Solida padronanza di probabilità, statistica, inferenza, regressione, optimization, machine learning, validation, experimental design e gestione dell'incertezza. * Cerchiamo una base matematica/statistica reale, non un profilo che utilizzi soltanto librerie o strumenti preconfezionati. Competenze tecnologiche * Python, NumPy, Pandas e/o Polars. * Scikit-learn, PyTorch e moderni framework ML/DL. * SQL e gestione di dataset di grandi dimensioni. * Git e buone pratiche di sviluppo riproducibile. * Molto apprezzati: XGBoost / LightGBM / CatBoost, JAX, Spark, DuckDB, MLflow, Ray, Databricks, Snowflake, cloud AWS/GCP/Azure, Docker/Kubernetes e GPU computing. * Familiarità concreta con LLM, transformer, embeddings, vector database, AI coding tools, model evaluation, fine-tuning/adaptation e synthetic data. Profilo personale Cerchiamo uno "scientist who codes": una persona curiosa, sperimentale e quantitativa, capace di formulare ipotesi, costruire modelli, testarle rigorosamente e trasformare ricerca e dati in soluzioni utilizzabili. La capacità di apprendere rapidamente nuovi metodi e strumenti è più importante dell'aver già lavorato nel settore assicurativo. Interview process * Shortlisted * 1st Interview * 2nd Interview * 3rd Interview * Offer