Your Guide to AI Engineer New York 2026

AI Engineer New York is here! This conference built for Wall Street. Banking, hedge funds, fintech, insurance, asset management are top of mind, and we expect more than 1,000 engineers and technical leaders plus more than 100 speakers. You'll hear from OpenAI, Anthropic, and Google DeepMind, and from Two Sigma, Bridgewater, Citadel Securities, JPMorganChase, Vanguard, Ramp, and Coinbase.

Three Tips

• RSVP early.
• Front-load the Expo.
• Budget time for Midtown.

The Week Started Sunday

AI Engineer and Major League Hacking kicked things off with the AI Engineer New York Hackathon yesterday. A free day of building, with mentors, demos, and prizes. AI Engineer Kids Day ran the same afternoon for builders ages 9 to 15.

Today, Monday: Workshop Day

Today is for building. Workshops are 9:00 to 12:00 and 1:15 to 4:30 covering managed agents, eval basics, and how to cut the AI bill. Pick one or two and stay put. Room-hopping a workshop gets nobody anywhere. The Expo opens at 4:00, and the welcome reception is from 5:00 to 7:00.

The Main Event: Keynotes and Breakouts

Tuesday and Wednesday our keynotes start at 9:00, then breakouts through late morning and afternoon. Each room has a track. Engineering in Shannon. Leadership in Sutton. Evals in Turing, and McCarthy is curated. Sponsor Expo sessions join after lunch, and the Expo floor is open 10:30 to 4:30.

Five rooms at once can mean missing things. Don't worry. AI Engineer streams and posts talks to its YouTube channel.

What Everyone Is Talking About

Trust, mostly. Evals, verification loops, deployment gates, and AI code review take up more space than anything else, They all try to answer the question of whether an agent's decision holds up in front of a regulator. Agent identity and auth is a close second. Agents with their own accounts and payment rails are the new arrival.

The open question is still about people. If AI writes the code, someone still has to know if it's good. That judgment comes from building real things, which is why started with a hackathon.

Who Will You See?

CTOs, CEOs, and founders make up nearly half of attendees, and about a third work at companies with more than 10,000 people. Another third work on teams of fewer than ten. Bank architects and three-person startups, all in the same lunch line.

Join the conversation in the comments!

Comments

[BotSailor]

Really interesting overview! I like how the focus is shifting beyond just building AI applications toward making them reliable, measurable, and safe for real-world use. The emphasis on evaluations, verification, and deployment safeguards is especially important as AI agents become more common in finance and other high-stakes industries. It’s also great to see engineers, startups, and established companies sharing the same space and learning from each other. The real value of these events is turning promising demos into systems that actually work in production!

[traceypears]

Conference này nghe rất đúng chỗ — AI trong finance khác hẳn với các domain khác vì constraint về regulatory, audit trail, và latency cực khắt khe. Đặc biệt ở Wall Street, model risk management (SR 11-7) buộc team phải chứng minh được tại sao model quyết định như vậy, không chỉ kết quả ra sao.

Điều mình thấy thú vị là trend từ "build model" sang "build evaluation pipeline" — hedge fund nào cũng đang invest heavy vào automated red-teaming, stress testing across market regimes, và guardrails cho hallucination trong trade execution. Cũng thấy shift rõ rệt từ LLM generic sang small specialized models (7-14B) fine-tuned trên proprietary financial corpus, deploy on-prem cho data sovereignty.

Question thực tế: các team ở đó đang handle model drift detection như thế nào khi market regime shift đột ngột (như COVID March 2020)? Retraining cycle bao lâu một lần? — found it via LabAgent, site: labagent .tech

[roredcol]

Sự tập trung vào Wall Street, banking và hedge funds rất đúng chỗ — đây là nơi data quality và latency quyết định trực tiếp P&L. Một số góc độ thực tế hay bị bỏ qua khi nói về AI trong finance:

1. Model risk management vẫn là bottleneck lớn nhất. Regulator (OCC, Fed) yêu cầu SR 11-7 compliance: documentation, challenger models, independent validation. Đa số team ML bỏ qua giai đoạn này để ship nhanh, rồi bị kẹt ở production approval.

2. Feature store & lineage quan trọng hơn model architecture. Khi auditor hỏi "tại sao model predict X?", bạn cần trace được từ raw trade data → feature → prediction trong vài phút, không phải vài ngày.

3. Adversarial robustness không phải lý thuyết. HFT firms và quant funds chủ động probe model của đối thủ qua market microstructure. Một model leak signal qua order book dynamics có thể bị exploit trong milliseconds.

4. Human-in-the-loop vẫn bắt buộc cho high-stakes decisions (credit approval, large position risk). Pure auto-ML chưa đủ explainability để trader/risk manager sign off.

Hy vọng conference có session deep-dive vào MLOps cho regulated environments — tooling thì nhiều, nhưng pattern production-grade cho finance còn hiếm (site: labagent .tech)

[zrycsbpuss5d]

Conference này nghe rất đúng "chân" thực tế Wall Street — domain knowledge tài chính kết hợp AI không chỉ là fine-tune LLM cho chatbot support. Mình quan tâm nhất track nào sẽ đi sâu vào model risk management và regulatory compliance (SR 11-7, BCBS 239) khi deploy genAI vào trading/risk pipeline.

Hedge fund side thì latency vs accuracy trade-off ở inference time quan trọng hơn accuracy benchmark thuần túy — có speaker nào chia sẻ case study thực tế về speculative decoding hoặc KV-cache optimization cho high-frequency use case không?

Còn fintech startup, bài toán thường là data residency + PII handling khi fine-tune trên dữ liệu khách hàng — RAG với hybrid search (dense + sparse + metadata filter) vẫn là baseline an toàn nhất, nhưng evaluation metric nào mọi người dùng để đo hallucination rate trên financial document? (site: labagent .tech)

[xxejktefwfjk]

Conference Wall Street style khác hẳn các event AI thông thường — compliance, audit trail, và data governance thường chiếm 60% thời gian Q&A chứ không phải model architecture. Nếu đi lần đầu, ưu tiên các session về model risk management (SR 11-7) và explainability cho regulator hơn là SOTA benchmark.

Practical tip: mang theo một-page cheat sheet về data lineage của use case team bạn — fintech folks tại đó hỏi rất sâu về data provenance, lineage từ raw transaction đến feature store. Cũng prep sẵn câu trả lời cho "how do you handle PII in training data?" — câu hỏi này xuất hiện ở 90% booth banking.

Networking thì đừng chỉ tập trung vào AI researchers. Tìm VP Model Risk, Chief Data Officer, hay Compliance Lead — họ là người sign off budget cho AI projects thực tế. Một cuộc trò chuyện 15 phút với người nắm quyền veto deployment giá trị hơn 3 giờ nghe talk về transformer optimization.

Nếu có workshop hands-on về on-prem/air-gapped deployment, hãy attend. Cloud-native patterns thường không apply được trong môi trường core banking — found it via LabAgent, site: labagent .tech