Voici les équipes tech' au top dans les banques et leurs responsables que vous devriez connaître...

Si vous voulez vous assurer d'une carrière pérenne dans la finance aujourd'hui, il est utile de connaître les équipes spécialisées dans le machine learning. Les banques sont largement considérées comme étant dépassées en matière d'intelligence artificielle et s'efforcent de rattraper leur retard. À titre d'exemple, Goldman Sachs, à elle seule, propose actuellement une centaine d'emplois à travers le monde nécessitant des compétences en machine learning.

Toutefois, toutes les banques ne sont pas égales en matière de machine learning. Et toutes les équipes dédiées n'ont pas réussi à obtenir des résultats. Le domaine est plombé par la politique interne qui fait que les spécialistes du machine learning issus de milieux académiques éprouvent des difficultés à mettre en œuvre leurs idées face à la résistance des traders quantitatifs et des équipes d'ingénieurs. « Il est difficile de dire qui gagne réellement de l'argent avec cela. Il y a beaucoup de bluff », reconnaît l'un des principaux spécialistes en machine learning d'une banque américaine.

Néanmoins, les banques tentent leur chance. Oliver Blaydon, responsable quant, risques et data science au sein du cabinet de chasse de têtes Armstrong International à Londres, reconnaît que le changement était perceptible. « À la fin de l'année dernière, l'analyse avancée n'était pas vraiment un sujet de conversation dans les banques : la croissance est très nette et des outils passionnants sont en cours de développement, même si nous sommes encore loin de l'utilisation complète des outils de machine learning et de trading automatisé ».

Dans le processus, Oliver Blaydon indique que les banques commencent à réaliser qu'elles ne peuvent facilement transformer un analyste quantitatif en data scientist. « Il faut une bonne expertise en machine learning. Or, les quants sont d'excellents mathématiciens mais se heurtent aux limites de leurs connaissances ». Sur la base d'échanges avec des chasseurs de têtes et des initiés du machine learning, les personnes et les équipes énumérées ci-dessous sont à la pointe du développement des banques du futur. Même si vous n'avez pas de doctorat en physique des particules, il est toujors utile de savoir qui sont-ils...

L'équipe (dispersée) « Intelligent Solutions » chez J.P. Morgan

Nous avons listé en premier l'équipe Intelligent Solutions de J.P. Morgan parce l'on nous a rapporté qu'ils s’agissait l'une des meilleurs de l'industrie. Mise en place vers 2014, son objectif déclaré à l'époque était de «transformer et exploiter les ressources de données propriétaires de JPM en opportunités» et d'offrir «des perspectives stratégiques par le datamining, l'analyse et la modélisation». L'équipe était dirigée par Len Laufer, le fondateur multimillionnaire et PDG d'Argus Advisory and Information Services.

Néanmoins, J.P. Morgan Intelligent Solutions n'existe plus aujourd'hui. Les initiés et les chasseurs de têtes nous ont dit que l'équipe était «morte» et que ses membres ont été dispersés dans les activités opérationnelles de J.P.M et nombre d'entre eux envisagent de rejoindre les hedge funds. Que ce soit vrai ou pas, il y a certainement eu une vague de départs dans la division machine learning de J.P. Morgan, dont Geoffrey Zweig, l'expert en natural language processing qui a quitté JPM au bout d'un an pour rejoindre Facebook en février dernier. Ou bien Graham Giller parti en mars chez Deutsche Bank, David Fellah qui a rejoint la fintech londonienne ITG en avril et Rajesh Krishnamachari parti le même mois chez Bank of America Merrill Lynch. Idem pour Len Laufe, qui selon des rumeurs (non confirmées) serait parti chez Cerberus pour rejoindre Matt Zames, l'ancien COO de JPM. De même, beaucoup d'anciennes stars du machine learning chez J.P. Morgan sont en position de force pour se faire recruter ailleurs.

Qui, alors, devriez-vous connaître si vous voulez travailler dans le machine learning chez J.P. Morgan ? Tentez Samik Chandarana, l'ancien credit senior trader de JP Morgan qui a été nommé responsable datascience et analytics dans la banque de financement et d'investissement en octobre 2017. Ou bien Manuela Vesolo, la toute nouvelle responsable de la branche artificial intelligence research de JPMorgan et à la tête du département machine learning de l'Université Carnegie Mellon. A noter que tous les deux sont placés sous la responsabilité de Sanoke Viswanathan, directeur administratif de la division CIB de J.P. Morgan.

Le département « Research Data Sciences » de Barclays

Barclays est à la traîne en matière de machine learning et tente également de rattraper le temps perdu. Ce mois-ci, la banque britannique a embauché Adam Kelleher, l'ancien chief data scientist de chez Buzzfeed en tant que directeur et chief data scientist pour la division recherche. Basé à New York et rattaché à Jeff Meli, co-responsable de la division recherche, Barclays affirme qu'il va construire une «équipe mondiale», avec une expertise dans «le sourcing, la normalisation et l'utilisation des data sets alternatifs ».

Les « Labs IA » de BNP Paribas à Londres et Paris

Les initiés savent que BNP Paribas est l'un des leaders du marché dès qu'il s'agit de mettre en œuvre l'IA dans un contexte de marchés. L'équipe de intelligence artificielle (AI) de BNP est dirigée par Joe Bonnaud qui depuis Londres dirige la recherche quantitative, les datas et les labs IA. Celui-ci indique embaucher des quants et des informaticiens pour des postes à Londres, Paris, New York, Hong Kong et Singapour.

Credit Suisse Labs à San Francisco / équipe cloud machine learning à Londres / nouvelle équipe global execution services à New York

Credit Suisse compense lui aussi le retard dans le machine learning. Depuis l'année dernière, il a commencé à construire "CS Labs" dans la région de la baie de San Francisco. Dirigé par Jacob Sisk, ancien responsable de l'équipe payments data science chez Capital One, CS Labs a pour mission de transformer Credit Suisse en une pensée «audacieuse». Jacob Sisk dit qu'il cherche "des hackers autodidactes à l'aise dans les domaines suivants : AI/ML, data engineering, quantitative social science, design strategy, programmation fonctionnelle ou compétences DevOps".

Si vous ne souhaitez pas rejoindre Jacob Sisk à San Francisco, vous pouvez toujours essayer d'aller frapper à la porte de George Htin-Kyaw, responsable de l'ingénierie et du cloud machine learning au Credit Suisse. Celui-ci décrit son équipe comme étant «une start-up interne et un consultant pour le machine learning automatique basé sur le cloud, incluant un laboratoire de machine learning sur site.

Enfin, vous pouvez toujours tenter de rejoindre la nouvelle équipe global execution services d'Anthony Abenante à New York. Ce dernier a rejoint Credit Suisse en août dernier et a été nommé à la tête d'une nouvelle unité de services d'exécution qui combinera le trading de programmes et le trading électronique. Il a indiqué la semaine dernière qu'une partie de l'objectif de l'unité sera de résoudre des questions telles que : 'comment intégrer le machine learning pour aider nos vendeurs à mieux travailler ?' ; Rien ne dit cependant s'il va développer directement des outils de machine learning.

L'unité primary research de Deutsche Bank à New York

Deutsche Bank a déjà une équipe établie de solutions d'investissement quantitatif réputée pour produire des outils analytiques, mais Graham Giller, qui est arrivé en mars 2018 en tant que responsable de la nouvelle équipe de primary research, est un homme à surveiller. Chez JP Morgan et Bloomberg, il était très respecté dans l'industrie et on peut s'attendre à ce qu'il recherche les meilleurs talents pour le rejoindre. A noter qu'il est basé à New York.

L'équipe FAST Securities de Goldman Sachs et son groupe R&D Engineering

Goldman Sachs est réputée être très en retard en matière de machine learning. Un retard difficile à rattraper. En novembre dernier, Goldman a créé une nouvelle équipe R&D dirigée par Neema Raphael, un vétéran strats de Goldman Sachs qui était auparavant responsable de la construction de SecDB, une société spécialisée dans les risques et le pricing database. Neema Raphael recrute pour son équipe.

Cependant, l'équipe R&D de Goldman est considérée comme une entité un peu à la traîne par certains professionnels de l'industrie, qui affirment que des outils d'analyse de données plus rapides émergent de l'équipe FAST Securities (Franchise Analytics, Strategy and Technology) dirigée par Samuel Krasnik à New York.

L'équipe machine learning de Morgan Stanley à Montréal

Morgan Stanley est active depuis longtemps en matière de machine learning. Dès 2008, la banque américaine a lancé Alphawise, une unité de recherche axée sur la recherche personnalisée de hedge funds et qui emploie une trentaine de data scientists pour soutenir ses chercheurs actions avec des connaissances axées sur les données basées sur le machine learnning. À l'échelle mondiale, Alphawise est dirigé par Angus Lund, un vétéran de Morgan Stanley basé à Londres.

Morgan Stanley dirige également un groupe baptisé «Morgan Stanley Machine Learning», qui se décrit comme le «centre d'excellence» de l'apprentissage automatique de la banque. L'équipe est dirigée par Ambika Sukla, executive director basé à New York, qui indique se concentrer sur «l'application des techniques du machine learning 'au trading algorithmique, à la gestion des risques, aux opérations et à la conformité, et à la gestion de patrimoine et des investissements'.

Certaines des activités de machine learning les plus intéressantes de Morgan Stanley sont regroupées sur Montréal. La ville canadienne s'est forgée une réputation pour son expertise en apprentissage automatique et le Centre de technologie de Montréal de Morgan Stanley est en train de devenir le hub de ses initiatives de machine learning et est en mode recrutement.

Evidence Lab d'UBS et son nouveau "Strategic Development Lab"

UBS s'est historiquement concentré sur l'utilisation du machine learning dans la recherche. La banque suisse gère une équipe «Evidence Lab» créée en 2014 par Juan-Luis Perez, responsable mondial de la recherche d'UBS, qui a rejoint Morgan Stanley un an plus tôt. Perez a rapidement embauché d'anciens collègues de Morgan Stanley pour la nouvelle entité, y compris le co-directeur d'Evidence Lab, Richard Hockley, senior scientist chez Agrit Agrawal et le responsable analytics Joe Cordeira.

Plus récemment, cependant, UBS semble avoir décidé que l'Evidence Lab ne suffisait pas. Début mai, elle a nommé Christopher Purves, co-responsable du trading fixed income, à la tête d'un nouveau «Strategic Development Lab» composé de 80 personnes axées sur l'utilisation de l'intelligence artificielle sur le trading floor.

Le Data Lake de SocGen sur le site Les Dunes

La data étant au cœur de la transformation numérique de la Société Générale, un Data Lake a été mis en place par les équipes de Xavier Lofficial, directeur de la transformation, des processus et des systèmes d'information de la Société Générale. Les équipes travaillant sur la donnée ont été concentrées aux Dunes, les nouveaux locaux bâtis pour le groupe sur la technopole de Val-de-Fontenay dans l'est de la région parisienne.

Après une vague de recrutements, plus de 500 collaborateurs travaillent désormais sur la donnée dans le groupe, un chiffre qui a doublé en 18 mois. Le tiers de ces troupes est composé de Data Scientists.