Estados Unidos
Temple Health
Goldman Sachs
Associate Applied AI - Deep Learning/Series Temporales
Estados Unidos
New York, New York, United States
PythonAWSDockerKubernetes
Traducción automática. Consulta el original.
Descripción del puesto
QUÉ HACEMOS
En Goldman Sachs, nuestros ingenieros no solo crean cosas, sino que hacen que las cosas sean posibles. Cambiamos el mundo conectando a personas y capital con ideas. Resolvemos los problemas de ingeniería más desafiantes y urgentes para nuestros clientes. Únase a nuestros equipos de ingeniería que crean software y sistemas masivamente escalables, diseñan soluciones de infraestructura de baja latencia, protegen de forma proactiva contra ciberamenazas y aprovechan machine learning junto con la ingeniería financiera para convertir continuamente los datos en acciones. Cree nuevos negocios, transforme las finanzas y explore un mundo de oportunidades a la velocidad de los mercados.
El área de Ingeniería, que comprende nuestra División de Tecnología y grupos de estrategas globales, se encuentra en el centro crítico de nuestro negocio, y nuestro entorno dinámico requiere un pensamiento estratégico innovador y soluciones inmediatas y reales. ¿Quiere superar los límites de las posibilidades digitales? Empiece aquí.
INVESTIGACIÓN EN IA EN GOLDMAN SACHS
El grupo de Investigación en IA es la organización de investigación dedicada de la firma, que opera en la intersección de machine learning de vanguardia y las finanzas cuantitativas. Construimos, entrenamos y evaluamos rigurosamente modelos de deep learning sobre algunos de los datos de series temporales financieras más ricos del sector: microestructura de mercado, fijación de precios entre activos, indicadores macroeconómicos, flujos de transacciones y datos alternativos.
Nuestro mandato es avanzar en el estado del arte en el modelado de secuencias y la previsión probabilística para datos financieros ruidosos, no estacionarios y con baja relación señal-ruido, y ofrecer esa investigación como una plataforma para toda la firma sobre la que puedan construir investigadores cuantitativos, estrategas y equipos de ingeniería en toda la organización. Operamos con rigor de investigación y disciplina de ingeniería: cada modelo que lanzamos es reproducible, comparado con líneas base sólidas y evaluado bajo condiciones realistas fuera de la muestra y fuera del régimen.
EL PUESTO
Título: AI Research – Associate Ubicación: Nueva York, NY División: Ingeniería – AI Research
Buscamos un investigador con un enfoque muy práctico para liderar el diseño, entrenamiento y evaluación de modelos de deep learning para series temporales financieras. Este es un puesto de contribuidor individual para alguien que se sienta igual de cómodo derivando una verosimilitud, escribiendo un bucle de entrenamiento distribuido en un clúster de GPU de múltiples nodos y defendiendo una metodología de evaluación ante una sala de investigadores cuantitativos.
Usted se hará cargo de los problemas de investigación de principio a fin: plantear la pregunta, curar y diseñar los datos, diseñar la arquitectura del modelo, ejecutar experimentos de entrenamiento a gran escala, construir el marco de evaluación y asociarse con equipos cuantitativos y de ingeniería para llevar los modelos a producción. Debido a que nuestro trabajo sirve a múltiples mesas y clases de activos, se espera que construya modelos y abstracciones que se generalicen, no soluciones únicas.
Este es un espacio de investigación en rápido movimiento. Usted prospera en la ambigüedad, es escéptico ante los resultados que parecen demasiado buenos y aporta el mismo rigor a la metodología de evaluación que al diseño del modelo.
EN QUÉ TRABAJARÁ
- Investigación y desarrollo de modelos: Diseñar, implementar y entrenar arquitecturas modernas de deep learning para la previsión, el aprendizaje de representación y el modelado generativo de series temporales financieras, incluyendo CNN y redes convolucionales temporales, Transformers y modelos de secuencia basados en atención, autoencoders, GAN, modelos de difusión, redes neuronales de grafos, redes bayesianas y aprendizaje por refuerzo.
- Especialización en series temporales: Construir y comparar arquitecturas de secuencia especializadas, incluyendo WaveNet, N-BEATS / N-HiTS, DeepAR, PatchTST y modelos fundacionales de series temporales (TSFMs), y compararlos rigurosamente con métodos econométricos clásicos como ARIMA, GARCH, filtros de Kalman y modelos de espacio de estados.
- Entrenamiento a escala: Responsabilizarse del entrenamiento de modelos a gran escala en los clústeres de GPU y el entorno de computación en la nube de la firma: paralelismo de datos distribuido (DDP), paralelismo de datos totalmente fragmentado (FSDP), precisión mixta, búsqueda de hiperparámetros y seguimiento de experimentos. Optimizar la inferencia mediante cuantización, destilación y rutas de despliegue basadas en ONNX.
- Evaluación y validación: Construir marcos de evaluación robustos adaptados a datos financieros: validación cruzada walk-forward y purgada, periodos de embargo, análisis condicional de régimen, cuantificación y calibración de la incertidumbre, ablaciones y pruebas de significancia que tengan en cuenta adecuadamente las pruebas de hipótesis múltiples y el data snooping.
- Investigación cuantitativa aplicada: Asociarse con investigadores cuantitativos y estrategas de diferentes mesas en investigación de alfa, generación de señales, optimización de carteras y backtesting, traduciendo los resultados de los modelos en señales económicamente significativas, ajustadas al riesgo y conscientes de la capacidad.
- Plataforma de investigación para toda la firma: Contribuir con modelos, conjuntos de datos, puntos de referencia y herramientas reutilizables a una plataforma de investigación compartida que sirva a múltiples mesas y clases de activos, elevando el estándar de calidad y reproducibilidad en toda la firma.
- Liderazgo técnico: Mentorizar a investigadores e ingenieros junior, revisar diseños de investigación y código, y presentar hallazgos a partes interesadas técnicas y comerciales de alto nivel.
- Gobernanza de IA: Asegurar que todos los modelos cumplan con los estándares de gestión de riesgo de modelos, privacidad de datos, ética y seguridad de la firma, con documentación completa, linaje y auditabilidad.
Requisitos
HABILIDADES Y EXPERIENCIA QUE BUSCAMOS
Requisitos
- Un título de Grado, Máster o Doctorado en Informática, Machine Learning, Estadística, Matemáticas, Física, Ingeniería Eléctrica, Finanzas Cuantitativas o una disciplina cuantitativa relacionada.
- Un mínimo de 3+ años de experiencia en la industria construyendo, entrenando y desplegando modelos de deep learning, con una parte sustancial centrada en datos secuenciales o series temporales. Se considerarán candidatos con un doctorado y menos años de experiencia en la industria cuando la profundidad de la experiencia investigadora sea demostrablemente equivalente.
- Profunda experiencia en arquitecturas modernas de deep learning: CNN y TCN, Transformers, autoencoders, GAN, modelos de difusión, GNN, métodos bayesianos y aprendizaje por refuerzo.
- Sólido conocimiento práctico de series temporales clásicas y modelado econométrico (ARIMA, GARCH, filtrado de Kalman, modelos de espacio de estados) y criterio claro sobre cuándo los modelos de deep learning los superan y cuándo no.
- Experiencia práctica con arquitecturas modernas de series temporales como WaveNet, N-BEATS / N-HiTS, DeepAR, PatchTST o modelos fundacionales de series temporales.
- Nivel experto en Python y profunda competencia en PyTorch, TensorFlow / Keras y/o JAX / Flax.
- Experiencia demostrada con entrenamiento distribuido y acelerado (DDP, FSDP, entrenamiento en GPU de múltiples nodos) y flujos de trabajo de exportación y optimización de modelos, incluyendo ONNX.
- Fundamentos rigurosos en estadística, probabilidad, procesos estocásticos, optimización y procesamiento de señales.
- Excelentes habilidades de comunicación oral y escrita, con la capacidad de articular las compensaciones de la investigación tanto a investigadores con doctorado como a partes interesadas comerciales no técnicas.
- Comodidad operando en un entorno en rápida evolución con un alto grado de ambigüedad y cambios rápidos.
Preferible
- Publicaciones en foros de primer nivel como NeurIPS, ICML, ICLR, AISTATS o KDD, o en revistas líderes de finanzas cuantitativas.
- Experiencia previa en machine learning o ciencia de datos en un fondo de cobertura, gestor de activos, firma de trading propietario o mesa de trading sistemático.
- Experiencia en múltiples clases de activos: renta variable, renta fija, divisas, materias primas o multiactivos.
- Familiaridad con deep learning bayesiano, programación probabilística o predicción conforme para la cuantificación de la incertidumbre.
- Experiencia con plataformas en la nube y entornos de entrenamiento contenedorizados (AWS, Kubernetes, Docker).
- Exposición a la gestión de riesgos de modelos o marcos regulatorios en servicios financieros.
- Contribuciones a bibliotecas de código abierto de machine learning o series temporales.
QUÉ LE OFRECEMOS
- Trabajar en problemas de investigación genuinamente difíciles con un impacto comercial inmediato y medible en toda la firma.
- Acceso a conjuntos de datos financieros propietarios de alta calidad entre activos a una escala que pocas instituciones pueden ofrecer, y computación GPU para modelarlos adecuadamente.
- Unirse a un grupo de investigación independiente que valora el rigor: líneas base sólidas, evaluación rigurosa y reproducibilidad.
- Libertad para publicar y participar en la comunidad investigadora más amplia.
- Asociación directa con investigadores cuantitativos y estrategas de múltiples mesas que utilizarán lo que usted construya.
- Desarrollar una profunda experiencia en la intersección de deep learning de vanguardia y finanzas cuantitativas, con el alcance para dar forma a la agenda de investigación de IA aplicada de la firma.
Rango salarial
El salario base esperado para este puesto con sede en Nueva York, Nueva York, Estados Unidos, es de $100,000-$200,0000. Además, puede ser elegible para un bono discrecional si es un empleado activo al cierre del año fiscal.
ACERCA DE GOLDMAN SACHS
En Goldman Sachs, comprometemos a nuestra gente, capital e ideas para ayudar a nuestros clientes, accionistas y las comunidades a las que servimos a crecer. Fundada en 1869, somos una firma líder mundial en banca de inversión, valores y gestión de inversiones. Con sede en Nueva York, mantenemos oficinas en todo el mundo.
Creemos que quién es usted le hace mejor en lo que hace. Estamos comprometidos a fomentar y promover la diversidad y la inclusión en nuestro propio lugar de trabajo y más allá, asegurando que cada individuo dentro de nuestra firma tenga una serie de oportunidades para crecer profesional y personalmente, desde nuestras oportunidades de formación y desarrollo y redes en toda la firma hasta beneficios, bienestar y ofertas de finanzas personales y programas de atención plena. Obtenga más información sobre nuestra cultura, beneficios y personas en GS.com/careers.
Estamos comprometidos a encontrar adaptaciones razonables para los candidatos con necesidades especiales o discapacidades durante nuestro proceso de contratación. Obtenga más información: goldmansachs.com/careers/footer/disability-statement.html
Más oportunidades con un solo perfil
¿Quieres optar a más puestos sin repetir todo el proceso? Crea tu perfil para que te encuentren las empresas que usan Nort.
Crear mi perfil