تعد البيانات متعددة الوسائط عنصرًا قيمًا في الصناعة المالية، حيث تشمل بيانات السوق والبيانات الاقتصادية وبيانات العملاء والأخبار ووسائل التواصل الاجتماعي وبيانات المخاطر. تقوم المؤسسات المالية بإنشاء هذه البيانات وجمعها واستخدامها للحصول على رؤى حول العمليات المالية واتخاذ قرارات أفضل وتحسين الأداء. ومع ذلك، هناك تحديات مرتبطة بالبيانات متعددة الوسائط بسبب التعقيد والافتقار إلى التوحيد في الأنظمة المالية وتنسيقات البيانات وجودتها، فضلاً عن الطبيعة المجزأة وغير المنظمة للبيانات. لقد وصف العملاء الماليون في كثير من الأحيان النفقات التشغيلية للحصول على رؤى مالية من البيانات متعددة الوسائط، الأمر الذي يتطلب منطق استخراج وتحويل معقد، مما يؤدي إلى تضخم الجهود والتكاليف. تشمل التحديات التقنية المتعلقة بالبيانات متعددة الوسائط أيضًا تعقيد دمج ونمذجة أنواع البيانات المختلفة، وصعوبة الجمع بين البيانات من طرائق متعددة (النص والصور والصوت والفيديو)، والحاجة إلى مهارات علوم الكمبيوتر المتقدمة وأدوات التحليل المتطورة.
إحدى طرق التعامل مع البيانات متعددة الوسائط التي تكتسب شعبية هي استخدام الوكلاء متعددي الوسائط. الوكلاء متعددو الوسائط عبارة عن أنظمة ذكاء اصطناعي يمكنها فهم البيانات وتحليلها بطرق متعددة باستخدام الأدوات المناسبة في مجموعة الأدوات الخاصة بهم. إنهم قادرون على ربط الرؤى عبر أنواع البيانات المتنوعة هذه للحصول على فهم أكثر شمولاً وإنشاء الاستجابات المناسبة. يجد الوكلاء متعددو الوسائط، جنبًا إلى جنب مع الذكاء الاصطناعي التوليدي، تطبيقًا واسع النطاق في الأسواق المالية. فيما يلي بعض حالات الاستخدام الشائعة:
- التقارير الذكية ومعلومات السوق - يمكن للذكاء الاصطناعي تحليل مصادر مختلفة للمعلومات المالية لإنشاء تقارير استخباراتية عن السوق، ومساعدة المحللين والمستثمرين والشركات على البقاء على اطلاع دائم بالاتجاهات. يمكن للوكلاء متعددي الوسائط تلخيص التقارير المالية المطولة بسرعة، مما يوفر للمحللين وقتًا وجهدًا كبيرًا.
- النمذجة الكمية والتنبؤ – يمكن للنماذج التوليدية تجميع كميات كبيرة من البيانات المالية لتدريب نماذج التعلم الآلي (ML) لتطبيقات مثل التنبؤ بأسعار الأسهم، وتحسين المحفظة، ونمذجة المخاطر، والمزيد. يمكن للنماذج متعددة الوسائط التي تفهم مصادر البيانات المتنوعة أن توفر تنبؤات أكثر قوة.
- الامتثال والكشف عن الاحتيال – يمكن توسيع هذا الحل ليشمل أدوات المراقبة التي تحلل قنوات الاتصال مثل المكالمات ورسائل البريد الإلكتروني والمحادثات وسجلات الوصول والمزيد لتحديد التداول الداخلي المحتمل أو التلاعب بالسوق. يتطلب اكتشاف التواطؤ الاحتيالي عبر أنواع البيانات تحليلاً متعدد الوسائط.
يعمل الوكيل متعدد الوسائط المزود بالذكاء الاصطناعي التوليدي على تعزيز إنتاجية المحلل المالي من خلال أتمتة المهام المتكررة والروتينية، مما يوفر الوقت للمحللين للتركيز على العمل عالي القيمة. يمكن للوكلاء متعددي الوسائط تضخيم قدرة المحلل على اكتساب رؤى من خلال المساعدة في البحث والتحليل. يمكن للوكلاء متعددي الوسائط أيضًا إنشاء تحليل كمي ونماذج مالية محسّنة، مما يمكّن المحللين من العمل بشكل أسرع وبدقة أكبر.
يؤدي تنفيذ وكيل متعدد الوسائط مع AWS إلى دمج الرؤى الأساسية من البيانات المنظمة وغير المنظمة المتنوعة على نطاق واسع. يمكن للوكلاء متعددي الوسائط أن يجمعوا بسهولة بين قوة عروض الذكاء الاصطناعي التوليدية أمازون بيدروك و أمازون سيج ميكر جومب ستارت مع إمكانات معالجة البيانات من AWS Analytics وخدمات الذكاء الاصطناعي/تعلم الآلة لتوفير حلول سريعة تمكن المحللين الماليين من التحليل وجمع الرؤى بكفاءة من البيانات متعددة الوسائط بطريقة آمنة وقابلة للتطوير داخل AWS. تقدم أمازون مجموعة من خدمات الذكاء الاصطناعي التي تتيح معالجة اللغة الطبيعية (NLP)، والتعرف على الكلام، واستخراج النص، والبحث:
- فهم الأمازون هي خدمة البرمجة اللغوية العصبية (NLP) التي يمكنها تحليل النص بحثًا عن العبارات الرئيسية وتحليل المشاعر
- أمازون تيكستراك هي خدمة معالجة مستندات ذكية يمكنها استخراج النصوص والبيانات بدقة من المستندات
- الأمازون النسخ هي خدمة التعرف التلقائي على الكلام التي يمكنها تحويل الكلام إلى نص
- أمازون كندرا هي خدمة بحث مؤسسية مدعومة بواسطة ML للعثور على المعلومات عبر مجموعة متنوعة من مصادر البيانات، بما في ذلك المستندات وقواعد المعرفة
في هذا المنشور، نعرض سيناريو يتفاعل فيه المحلل المالي مع بيانات المؤسسة متعددة الوسائط، الموجودة في مخازن البيانات المخصصة لهذا الغرض، لجمع الرؤى المالية. في التفاعل، نوضح كيف يقوم الوكلاء متعددو الوسائط بتخطيط وتشغيل استعلام المستخدم واسترداد النتائج من مصادر البيانات ذات الصلة. يتم تحقيق كل هذا باستخدام خدمات AWS، وبالتالي زيادة كفاءة المحلل المالي في تحليل البيانات المالية متعددة الوسائط (البيانات النصية والكلامية والجدولية) بشكل كلي.
تعرض لقطة الشاشة التالية مثالاً لواجهة المستخدم.
حل نظرة عامة
يوضح الرسم البياني التالي البنية المفاهيمية لاستخدام الذكاء الاصطناعي التوليدي مع البيانات متعددة الوسائط باستخدام الوكلاء. الخطوات المعنية هي كما يلي:
- يطرح المحلل المالي أسئلة عبر منصة مثل chatbots.
- تستخدم المنصة إطارًا لتحديد أداة الوكيل متعددة الوسائط الأكثر ملاءمة للإجابة على السؤال.
- بمجرد تحديدها، تقوم المنصة بتشغيل الكود المرتبط بالأداة المحددة مسبقًا.
- تقوم الأداة بإنشاء تحليل للبيانات المالية حسب طلب المحلل المالي.
- عند تلخيص النتائج، تقوم نماذج اللغة الكبيرة باسترجاع وتقديم تقرير إلى المحلل المالي.
العمارة الفنية
يقوم الوكيل متعدد الوسائط بتنسيق أدوات متنوعة بناءً على مطالبات اللغة الطبيعية من مستخدمي الأعمال لإنشاء رؤى. بالنسبة للبيانات غير المنظمة، يستخدم الوكيل AWS لامدا وظائف مع خدمات الذكاء الاصطناعي مثل Amazon Textract لتحليل المستندات، وAmazon Transcribe للتعرف على الكلام، وAmazon Comprehend لـ NLP، وAmazon Kendra للبحث الذكي. بالنسبة للبيانات المنظمة، يستخدم الوكيل SQL Connector وSQLAlchemy لتحليل قواعد البيانات، والتي تتضمن أمازون أثينا. يستخدم الوكيل أيضًا Python في Lambda و الأمازون SageMaker SDK للحسابات والنمذجة الكمية. لدى الوكيل أيضًا ذاكرة طويلة المدى لتخزين المطالبات والنتائج الأمازون DynamoDB. يوجد الوكيل متعدد الوسائط في دفتر ملاحظات SageMaker ويقوم بتنسيق هذه الأدوات بناءً على المطالبات باللغة الإنجليزية من مستخدمي الأعمال في واجهة مستخدم Streamlit.
المكونات الرئيسية للبنية التقنية هي كما يلي:
- تخزين البيانات والتحليلات – يتم استضافة تسجيلات الأرباح المالية ربع السنوية كملفات صوتية، والتقارير المالية السنوية كملفات PDF، وبيانات أسهم S&P كملفات CSV. خدمة تخزين أمازون البسيطة (أمازون إس 3). يتم استكشاف البيانات المتعلقة ببيانات المخزون باستخدام Athena.
- نماذج اللغات الكبيرة – تتوفر نماذج اللغات الكبيرة (LLMs) عبر Amazon Bedrock أو SageMaker JumpStart أو واجهة برمجة التطبيقات (API).
- وسيط عقاري - نستخدم وكلاء LangChain لسلسلة من المكالمات غير المحددة مسبقًا كمدخلات للمستخدم إلى LLMs والأدوات الأخرى. في هذه الأنواع من السلاسل، يوجد وكيل لديه حق الوصول إلى مجموعة من الأدوات. تم تصميم كل أداة لمهمة محددة. اعتمادًا على مدخلات المستخدم، يقرر الوكيل الأداة أو مجموعة الأدوات التي سيتم الاتصال بها للإجابة على السؤال. لقد أنشأنا أدوات الوكيل التالية المخصصة لهذا السيناريو:
- أداة الاستعلام عن الأسهم – للاستعلام عن بيانات أسهم S&P باستخدام Athena وSQLAlchemy.
- أداة تحسين المحفظة – بناء محفظة على أساس الأسهم المختارة.
- أداة البحث عن المعلومات المالية – للبحث عن معلومات الأرباح المالية المخزنة في ملفات PDF متعددة الصفحات باستخدام Amazon Kendra.
- أداة حساب بايثون - لاستخدامها في الحسابات الرياضية.
- أداة تحليل المشاعر - لتحديد وتسجيل المشاعر حول موضوع ما باستخدام Amazon Comprehend.
- أداة كشف العبارات – للعثور على العبارات الرئيسية في التقارير ربع السنوية الأخيرة باستخدام Amazon Comprehend.
- أداة استخراج النص – لتحويل إصدارات PDF من التقارير ربع السنوية إلى ملفات نصية باستخدام Amazon Textract.
- أداة نسخ الصوت – لتحويل التسجيلات الصوتية إلى ملفات نصية باستخدام Amazon Transcribe.
يتم حفظ ذاكرة الوكيل التي تحتوي على سلسلة تفاعلات المستخدم مع الوكيل في DynamoDB.
تشرح الأقسام التالية بعض الخطوات الأساسية للتعليمات البرمجية المرتبطة بها. للتعمق أكثر في الحل والتعليمات البرمجية لجميع الخطوات الموضحة هنا، راجع جيثب ريبو.
المتطلبات الأساسية المسبقة
لتشغيل هذا الحل، يجب أن يكون لديك مفتاح واجهة برمجة التطبيقات (API) لمادة LLM مثل Anthropic Claude v2، أو أن يكون لديك حق الوصول إلى نماذج مؤسسة Amazon Bedrock.
لإنشاء استجابات من البيانات المنظمة وغير المنظمة باستخدام LLMs وLangChain، تحتاج إلى الوصول إلى LLMs من خلال مفاتيح Amazon Bedrock أو SageMaker JumpStart أو API، واستخدام قواعد البيانات المتوافقة مع SQLAlchemy. إدارة الهوية والوصول AWS سياسات (IAM) مطلوبة أيضًا، التفاصيل التي يمكنك العثور عليها في GitHub repo.
المكونات الرئيسية للوكيل متعدد الوسائط
هناك عدد قليل من المكونات الرئيسية للوكيل متعدد الوسائط:
- الوظائف المحددة لأدوات الوكيل متعدد الوسائط
- الأدوات المحددة للوكيل متعدد الوسائط
- الذاكرة طويلة المدى للعامل متعدد الوسائط
- وكيل متعدد الوسائط يعتمد على المخطط والمنفذ (يتم تحديده باستخدام الأدوات وLLMs والذاكرة)
في هذا القسم، نوضح المكونات الرئيسية مع مقتطفات التعليمات البرمجية المرتبطة بها.
الوظائف المحددة لأدوات الوكيل متعدد الوسائط
يحتاج الوكيل متعدد الوسائط إلى استخدام خدمات الذكاء الاصطناعي المتنوعة لمعالجة أنواع مختلفة من البيانات — النص والكلام والصور والمزيد. قد تحتاج بعض هذه الوظائف إلى استدعاء خدمات AWS AI مثل Amazon Comprehend لتحليل النص، وAmazon Textract لتحليل الصور والمستندات، وAmazon Transcribe لتحويل الكلام إلى نص. يمكن استدعاء هذه الوظائف محليًا داخل الوكيل أو نشرها كوظائف Lambda التي يمكن للوكيل استدعاءها. تقوم وظائف Lambda باستدعاء خدمات AWS AI ذات الصلة داخليًا وإرجاع النتائج إلى الوكيل. يعمل هذا النهج على وحدات المنطق ويجعل الوكيل أكثر قابلية للصيانة والتوسيع.
تحدد الوظيفة التالية كيفية حساب المحفظة المحسنة بناءً على الأسهم المختارة. إحدى الطرق لتحويل دالة تعتمد على Python إلى أداة LLM هي استخدام أداة أساسية غلاف.
ما يلي هو الكود الخاص بـ Lambda الذي يتصل بواجهات برمجة التطبيقات لخدمة AWS AI (Amazon Comprehend، وAmazon Textract، وAmazon Transcribe):
الأدوات المحددة للوكيل متعدد الوسائط
يتمتع الوكيل متعدد الوسائط بإمكانية الوصول إلى أدوات متنوعة لتمكين وظائفه. يمكنه الاستعلام عن قاعدة بيانات الأسهم للإجابة على الأسئلة المتعلقة بالأسهم. يمكنه تحسين المحفظة باستخدام أداة مخصصة. يمكنه استرداد المعلومات من Amazon Kendra، خدمة البحث الخاصة بالمؤسسات من Amazon. تسمح أداة Python REPL للوكيل بتشغيل كود Python. يظهر مثال على بنية الأدوات، بما في ذلك أسمائها وأوصافها، في الكود التالي. يحتوي مربع الأدوات الفعلي لهذا المنشور على ثماني أدوات: أداة الاستعلام عن الأسهم، وأداة تحسين المحفظة، وأداة البحث عن المعلومات المالية، وأداة حساب بايثون، وأداة تحليل المشاعر، وأداة كشف العبارات، وأداة استخراج النص، وأداة نسخ الصوت.
الذاكرة طويلة المدى للعامل متعدد الوسائط
يوضح التعليمة البرمجية التالية تكوين الذاكرة طويلة المدى للعامل متعدد الوسائط. في هذا الكود، تتم إضافة جدول DynamoDB كذاكرة لتخزين المطالبات والإجابات للرجوع إليها في المستقبل.
وكيل متعدد الوسائط قائم على المخطط والمنفذ
• مخطط منفذ تشتمل بنية الوكيل متعدد الوسائط على مكونين رئيسيين: المخطط والمنفذ. يقوم المخطط بإنشاء خطة عالية المستوى تتضمن الخطوات المطلوبة للتشغيل والإجابة على السؤال الفوري. يقوم المنفذ بعد ذلك بتشغيل هذه الخطة عن طريق إنشاء استجابات النظام المناسبة لكل خطوة من خطوات الخطة باستخدام نموذج اللغة مع الأدوات اللازمة. انظر الكود التالي:
أمثلة على السيناريوهات بناءً على الأسئلة التي يطرحها المحلل المالي
في هذا القسم، نستكشف مثالين لسيناريوهات لتوضيح الخطوات الشاملة التي يقوم بها الوكيل متعدد الوسائط بناءً على الأسئلة التي يطرحها المحلل المالي.
السيناريو 1: أسئلة المحلل المالي المتعلقة بالبيانات المنظمة
في هذا السيناريو، يقوم المحلل المالي بطرح سؤال باللغة الإنجليزية يتعلق بأسهم الشركات على الوكيل متعدد الوسائط. يأتي وكيل LangChain متعدد الوسائط بخطة متعددة الخطوات ويقرر الأدوات التي سيتم استخدامها في كل خطوة. يوضح الرسم البياني التالي مثالاً لسير العمل بالخطوات التالية:
- يطرح المحلل المالي سؤالاً ماليًا باللغة الإنجليزية من خلال واجهة المستخدم على الوكيل متعدد الوسائط.
- يحدد الوكيل أنه يتطلب أداة قاعدة البيانات للإجابة على السؤال. يقوم بإنشاء استعلام SQL باستخدام LLM بناءً على السؤال والاستعلام عن قاعدة بيانات Athena.
- تقوم Athena بتشغيل استعلام SQL، واسترداد النتيجة ذات الصلة (السلسلة الزمنية لأسعار الأسهم للشركات الخمس)، وتمرير النتيجة مع البيانات ذات الصلة إلى الوكيل.
- يحدد الوكيل أنه يتطلب أداة ثانية للإجابة على السؤال. يقوم بتمرير البيانات المستردة إلى أداة Python لتحسين المحفظة.
- تقوم أداة Python بحساب المحفظة المثالية المطلوبة، بما في ذلك الأوزان، وتمرير الإجابة إلى LLM داخل الوكيل.
- يقوم الوكيل بتجميع المعلومات والحسابات المطلوبة باستخدام LLM ويجيب على التحليل المالي عبر واجهة المستخدم باللغة الإنجليزية.
يسأل المحلل المالي السؤال التالي:
"ما هي أسعار إغلاق الأسهم AAAA، WWW، DDD في عام 2018؟ هل يمكنك بناء محفظة محسنة باستخدام هذه الأسهم الثلاثة؟"
يوضح الكود التالي الخطوات التي حددها مخطط الوكيل متعدد الوسائط:
قام الوكيل بترجمة موجه السؤال إلى استعلام SQL التالي:
يوضح الكود التالي الإجابة النهائية للوكيل متعدد الوسائط بناءً على السؤال:
السيناريو 2: أسئلة المحلل المالي المتعلقة بالبيانات غير المنظمة
في هذا السيناريو، يطرح المحلل المالي أسئلة متعددة حول الوضع المالي للشركة على الوكيل متعدد الوسائط. يستدعي الوكيل اثنين من وكلاء الأدوات، Amazon Kendra مع البيانات غير المنظمة وأداة حساب Python، لجمع المعلومات وإجراء الحسابات اللازمة. يقوم الوكيل بعد ذلك بتجميع المعلومات من الأدوات باستخدام نموذج اللغة الخاص به ويقدم الإجابة الكاملة للمحلل. المفتاح في هذا السيناريو هو أن الوكيل يمكنه تذكر الأسئلة والأجوبة الخاصة بالأسئلة السابقة، ويدمج السياق في المحادثة. ويوضح الرسم البياني التالي سير العمل، والذي يتكون من الخطوات التالية:
- يطرح المحلل المالي سؤالاً ماليًا باللغة الإنجليزية من خلال واجهة المستخدم على الوكيل متعدد الوسائط.
- يحدد الوكيل أنه يتطلب أداة Amazon Kendra للإجابة على السؤال ويستدعي أداة وكيل Amazon Kendra.
- تبحث Amazon Kendra في مجموعة البيانات غير المنظمة في Amazon S3 وتسترجع المستند ذي الصلة الذي يحتوي على الإجابة.
- باستخدام الجيل المعزز للاسترجاع (RAG)، تقوم Amazon Kendra بتمرير الإجابة من المستند ذي الصلة إلى LLM داخل الوكيل.
- يحدد الوكيل أنه يتطلب أداة ثانية للإجابة على الجزء الثاني من السؤال. يقوم بتمرير المعلومات من الأداة الأولى إلى أداة حساب Python.
- تقوم أداة Python بحساب النسبة المطلوبة وتمرير الإجابة إلى LLM داخل الوكيل.
- يقوم الوكيل بتجميع المعلومات والحسابات المطلوبة باستخدام LLM ويجيب على المحلل المالي عبر واجهة المستخدم.
فيما يلي أسئلة وأجوبة بين المحلل والوكيل متعدد الوسائط.
الوكيل يجيب على السؤال "ما هو صافي خسارة أمازون للسنة المالية المنتهية في ديسمبر 2022؟"مع "أعلنت أمازون عن إجمالي صافي مبيعات قدره 514.0 مليار دولار وخسارة صافية قدرها 2.7 مليار دولار للسنة المالية 2022." المصدر هو تقرير Amazon 10K للسنة المالية المنتهية في ديسمبر 2022، والذي تم استرجاعه باستخدام Retrive_Kendra
أداة.
بالنسبة للسؤال "ما هي الخسارة الصافية لنفس العام؟يجيب الوكيل "2.7 مليار دولار". المصدر هو تقرير Amazon 10K للسنة المالية المنتهية في ديسمبر 2022، والذي تم استرجاعه باستخدام Retrive_Kendra
أداة. لاحظ أنه بالرغم من أن السؤال مشابه للسؤال الثاني، إلا أن هذا السؤال لم يحدد اسم الشركة أو رقم السنة. ومع ذلك، كان الوكيل قادرًا على استخدام اسم الشركة الصحيح والسنة بناءً على السياق الموجود في ذاكرة المحادثة.
بالنسبة للسؤال "ما هي صيغة نسبة هامش الربح الصافي والتي هي نوع من نسبة الربحية؟يجيب الوكيل "أعلنت أمازون عن إجمالي صافي مبيعات قدره 514.0 مليار دولار أمريكي وخسارة صافية قدرها 2.7 مليار دولار أمريكي للسنة المالية 2022. وتبلغ نسبة هامش صافي الربح لشركة أمازون للعام المالي 2022 -0.5%." المصدر هو Retrieve_Kendra
و PythonREPLTool().
الغوص أعمق في الحل
للتعمق أكثر في الحل والكود الموضح في هذا المنشور، راجع جيثب ريبو.
في GitHub repo، ستتمكن من العثور على دفتر ملاحظات Python الذي يحتوي على الحل الشامل، تكوين سحابة AWS قالب لتوفير البنية التحتية، والبيانات غير المنظمة (تقارير الأرباح وملفات PDF، والملفات الصوتية لمكالمات الأرباح)، والبيانات المنظمة (السلاسل الزمنية للأسهم).
في الملحق الموجود في النهاية، تم جدولة الأسئلة المختلفة التي طرحها المحلل المالي، وأدوات الوكيل التي تم استدعاؤها، والإجابة من الوكيل متعدد الوسائط.
تنظيف
بعد تشغيل الوكيل متعدد الوسائط، تأكد من تنظيف أي موارد لن يتم استخدامها. اغلاق وحذف قواعد البيانات المستخدمة (أثينا). بالإضافة إلى ذلك، احذف البيانات الموجودة في Amazon S3 وأوقف أي مثيلات للكمبيوتر الدفتري SageMaker Studio حتى لا تتحمل أي رسوم إضافية. احذف وظائف Lambda وجداول DynamoDB كجزء من الذاكرة طويلة المدى غير المستخدمة. إذا استخدمت SageMaker JumpStart لنشر LLM كنقطة نهاية SageMaker في الوقت الحقيقي، فاحذف نقطة النهاية من خلال وحدة تحكم SageMaker أو SageMaker Studio.
وفي الختام
أظهر هذا المنشور النطاق الواسع من خدمات تخزين AWS والذكاء الاصطناعي/تعلم الآلة وخدمات الحوسبة التي يمكنك استخدامها لبناء حل ذكاء اصطناعي متقدم متعدد الوسائط إلى جانب إطار عمل LangChain والذكاء الاصطناعي التوليدي. من خلال دمج تقنيات البرمجة اللغوية العصبية والتعرف على الكلام وتعلم الآلة، يكون الوكيل متعدد الوسائط الذي تم تطويره في هذا السيناريو قادرًا على تحليل طرائق البيانات المالية المتنوعة (المنظمة وغير المنظمة) والاستجابة للمطالبات باللغة الطبيعية (الإنجليزية). وهذا يعزز إنتاجية وكفاءة المحللين الماليين، مما يسمح لهم بالتركيز على العمل الاستراتيجي عالي القيمة. تتمتع حلول الذكاء الاصطناعي متعددة الوسائط التي تدعمها AWS بالقدرة على تحويل الأسواق المالية من خلال أتمتة المهام المتكررة، وتعزيز القدرات البشرية، وتوليد رؤى تعتمد على البيانات بكفاءة. بالنسبة للبيانات المنظمة، يمكن دمج بنية بيانات حديثة مع قواعد بيانات متعددة مع الذكاء الاصطناعي التوليدي وماجستير إدارة الأعمال. لمزيد من التفاصيل، راجع إعادة اختراع تجربة البيانات: استخدم الذكاء الاصطناعي التوليدي وبنية البيانات الحديثة لفتح الرؤى. أيضا ، الرجوع إلى أمازون بيدروك لحالات الاستخدام في الذكاء الاصطناعي التوليدي ونماذج الأساس ونماذج اللغات الكبيرة.
الزائدة الدودية
يحتوي الجدول التالي على أمثلة للأسئلة التي يطرحها أحد المحللين الماليين لطرحها على الوكيل متعدد الوسائط استنادًا إلى البيانات المنظمة وغير المنظمة.
غرض السؤال | سؤال طرحه المحللون الماليون من خلال واجهة المستخدم | تم استدعاء أدوات الوكيل | خدمات AWS الأساسية التي تستخدمها أدوات الوكيل | الرد من وكيل متعدد الوسائط |
اطلب من وكيل LangChain إجراء المعالجة المسبقة واستخراج المعلومات من البيانات المجمعة | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. أداة استخراج النص |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
اطلب من وكيل LangChain نسخ التسجيلات الصوتية إلى نصوص | Can you transcribe most recent quaterly audio recording of earnings call to text format? |
|
|
I have the earnings call transcripts, now I can extract key phrases. |
اطلب من وكيل LangChain تحليل الوضع المالي للشركة وأدائها | Analyze Amazon's financial health based on the 10k report. Calculate important financial ratios. Please limit your answer to 5 sentences. |
|
|
Here is a summary of Amazon’s financial health in 5 sentences: Amazon has a low profit margin indicating low profitability relative to revenue. However, Amazon has a high return on assets indicating efficient use of assets to generate profits. Amazon has a low debt-to-equity ratio indicating low financial leverage and risk. Amazon has a high current ratio indicating good short-term liquidity position and ability to pay off short-term obligations. Overall, Amazon seems to be in a good financial position with efficient operations and low risk. |
اطلب من وكيل LangChain تحليل الأداء المالي للشركة من خلال تقارير أرباح الشركة | What were the main drivers of the company’s revenue growth in the quarter? Please limit your answers to 5 sentences. |
|
|
Here is a summary of the main drivers of revenue growth in 5 sentences: Amazon's revenue grew due to an increase in subscription and support revenue from new customers. Existing customer accounts also expanded, contributing to revenue growth. Higher net sales drove increased revenue for the company. Although I could not calculate the exact revenue growth percentage, the key phrases and information extracted point to revenue growth being driven primarily by new subscriptions, existing customer expansion, and greater net sales. |
مطالبة وكيل LangChain بتحليل فريق إدارة الشركة وخططهم للمستقبل من خلال تقارير أرباح الشركة | What are the company's top priorities for the coming year? What are the biggest risks facing the company? Please limit your answers to 5 sentences. |
|
|
Here is a summary response in 5 sentences: Amazon's priorities are investing in growth and expanding into new markets. However, risks like changes in consumer demand and competition threaten their business. By analyzing key phrases in financial reports, their focus on fulfillment, technology, and new products emerges, as do risks around suppliers, exchange rates, and retail competition. Though facing pressures, Amazon aims to innovate, improve customer experience, and strengthen their position. Continuous progress on price, speed, and selection will drive their competitive advantage. |
اطلب من وكيل LangChain تحليل استراتيجية الشركة من خلال تقارير أرباح الشركة | What are company’s financial and business goals for upcoming financial year/quarter? Please limit your answers to 5 sentences. |
|
|
Here is a summary of Amazon's main goals in 5 sentences: Amazon seeks to grow by improving infrastructure and entering new markets. They will invest in fulfillment and technology to enable expansion. By moving into groceries, healthcare, and entertainment, Amazon can diversify their offerings. Focusing on the customer through competitive pricing, selection, and innovation is key. If Amazon achieves operational excellence and continuous progress, they will strengthen their position. |
اطلب من وكيل LangChain إجراء تحليل المشاعر على تسجيلات مكالمات الأرباح | What is the sentiment around inflation in Amazon's earnings call? |
|
|
The sentiment of mentions of 'inflation' in the Amazon earnings call transcript is negative. Justification: Quote 1: "We're seeing inflationary pressures, especially in fuel and transportation costs." Quote 2: "Inflation is a concern and we're seeing cost inflation, which is an unusual thing for us. |
اطلب من وكيل LangChain إنشاء محفظة مثالية باستخدام البيانات المجمعة | What are the closing prices of stocks AAAA, WWW, DDD in year 2018? Can you build an optimized portfolio using these three stocks? |
|
|
The closing stock prices for AAAA, WWW and DDD in 2018 are: AAAA: $172.44 WWW: $85.91 DDD: $9.82 The optimized portfolio allocation for stocks AAAA, WWW and DDD is: AAAA: 55% WWW: 45% DDD: 0%' |
حول المؤلف
سوفيك كومار ناث هو مهندس حلول AI / ML مع AWS. يتمتع بخبرة واسعة في تصميم التعلم الآلي الشامل وحلول تحليل الأعمال في التمويل والعمليات والتسويق والرعاية الصحية وإدارة سلسلة التوريد وإنترنت الأشياء. نشر Sovik مقالات وحصل على براءة اختراع في مراقبة نموذج ML. حصل على درجتي ماجستير مزدوجتين من جامعة جنوب فلوريدا ، جامعة فريبورغ ، سويسرا ، ودرجة البكالوريوس من المعهد الهندي للتكنولوجيا ، خراجبور. خارج العمل ، يستمتع سوفيك بالسفر وركوب العبارة ومشاهدة الأفلام.
موهان موستي هو مدير حساب فني أول ومقره في دالاس. يساعد Mohan العملاء على تصميم التطبيقات وتحسينها على AWS. حصل موهان على علوم وهندسة الكمبيوتر من جامعة JNT بالهند. وفي أوقات فراغه، يستمتع بقضاء الوقت مع عائلته والتخييم.
جيا (فيفإيان) لي هو مهندس حلول أول في AWS، متخصص في الذكاء الاصطناعي/تعلم الآلة. وهي تدعم حاليًا العملاء في الصناعة المالية. قبل انضمامها إلى AWS في عام 2022، كانت لديها 7 سنوات من الخبرة في دعم عملاء المؤسسات الذين يستخدمون الذكاء الاصطناعي/التعلم الآلي في السحابة لتحقيق نتائج الأعمال. حصلت فيفيان على درجة البكالوريوس من جامعة بكين والدكتوراه من جامعة جنوب كاليفورنيا. تستمتع في أوقات فراغها بجميع الأنشطة المائية والتنزه في الجبال الجميلة في ولايتها كولورادو.
أوشينا إيجبي هو مهندس حلول AIML الذي يستمتع ببناء حلول AIML القابلة لإعادة الاستخدام. أوشينا حاصل على درجة الماجستير من جامعة ألاسكا فيربانكس. يقضي وقت فراغه في البحث عن الأعشاب والشاي والأطعمة الفائقة وكيفية دمجها في نظامه الغذائي اليومي.
نافنيت توتيجا هو متخصص بيانات في Amazon Web Services. قبل الانضمام إلى AWS ، عملت Navneet كميسر للمؤسسات التي تسعى إلى تحديث هياكل البيانات الخاصة بها وتنفيذ حلول AI / ML الشاملة. وهي حاصلة على إجازة في الهندسة من جامعة ثابار ، بالإضافة إلى ماجستير في الإحصاء من جامعة تكساس إيه آند إم.
برافول كافا هو مهندس الحلول المتخصص الأول في AWS. يقوم بتوجيه العملاء لتصميم وهندسة مسارات التحليلات على نطاق السحابة على AWS. خارج العمل، يستمتع بالسفر مع عائلته واستكشاف مسارات جديدة للمشي لمسافات طويلة.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- أفلاطون هيلث. التكنولوجيا الحيوية وذكاء التجارب السريرية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :لديها
- :يكون
- :ليس
- :أين
- ] [ص
- $ UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- القدرة
- ماهرون
- من نحن
- الوصول
- حسابي
- الحسابات
- دقة
- بدقة
- تحقق
- يحقق
- في
- أنشطة
- يقدم
- وأضاف
- إضافة
- متقدم
- مميزات
- الوكيل
- عملاء
- رشيق
- AI
- خدمات الذكاء الاصطناعي
- أنظمة الذكاء الاصطناعي
- AI / ML
- AIML
- وتهدف
- ALASKA
- الكل
- توزيع
- السماح
- يسمح
- على طول
- أيضا
- بالرغم ان
- أمازون
- فهم الأمازون
- أمازون كندرا
- أمازون تيكستراك
- الأمازون النسخ
- أمازون ويب سيرفيسز
- an
- تحليل
- المحلل
- المحللين
- تحليلات
- تحليل
- تحليل
- و
- سنوي
- إجابة
- الأجوبة
- أنثروبي
- أي وقت
- API
- مفاتيح API
- واجهات برمجة التطبيقات
- تطبيق
- التطبيقات
- نهج
- مناسب
- هندسة معمارية
- هي
- حول
- مقالات
- AS
- تطلب
- ممتلكات
- مساعدة
- أسوشيتد
- At
- سمعي
- المعزز
- أوتوماتيك
- أتمتة
- متاح
- AWS
- الى الخلف
- على أساس
- BE
- جميل
- كان
- قبل
- يجري
- أفضل
- ما بين
- أكبر
- مليار
- يعزز
- صندوق
- نساعدك في بناء
- ابني
- بنيت
- الأعمال
- by
- حساب
- تحسب
- حساب
- الحسابات
- كاليفورنيا
- دعوة
- تسمى
- دعوة
- دعوات
- CAN
- قدرات
- الحالات
- سلسلة
- السلاسل
- التحديات
- التغييرات
- قنوات
- اسعارنا محددة من قبل وزارة العمل
- chatbots
- التحقق
- اختيار
- عميل
- إغلاق
- سحابة
- الكود
- جمع
- كولورادو
- مجموعة
- دمج
- الجمع بين
- يأتي
- آت
- Communication
- الشركات
- حول الشركة
- الشركة
- متوافق
- منافسة
- تنافسي
- مجمع
- تعقيد
- عنصر
- مكونات
- فهم
- شامل
- الحسابات
- إحصاء
- الكمبيوتر
- علوم الكمبيوتر
- المفاهيمي
- قلق
- الاعداد
- بالتزامن
- التواصل
- يتكون
- كنسولات
- توطيدا
- مستهلك
- يحتوي
- سياق الكلام
- متواصل
- المساهمة
- محادثة
- تحول
- تصحيح
- التكلفة
- التكاليف
- استطاع
- خلق
- حالياًّ
- حاليا
- زبون
- تجربة العملاء
- العملاء
- يوميا
- دالاس
- البيانات
- معالجة المعلومات
- تعتمد على البيانات
- قاعدة البيانات
- قواعد البيانات
- التاريخ
- ديسمبر
- القرارات
- مخصصة
- أعمق
- تعريف
- يعرف
- الدرجة العلمية
- الطلب
- شرح
- تظاهر
- اعتمادا
- نشر
- نشر
- وصف
- وصف
- تصميم
- تصميم
- تفاصيل
- بكشف أو
- كشف
- حدد
- المتقدمة
- نظام خاص للتغذية
- مختلف
- صعوبة
- غطس
- عدة
- تنويع
- do
- وثيقة
- وثائق
- فعل
- مضاعفة
- إلى أسفل
- قيادة
- مدفوع
- السائقين
- اثنان
- كل
- الأرباح
- أرباح
- استدعاء أرباح
- بسهولة
- اقتصادي
- كفاءة
- فعال
- بكفاءة
- جهد
- إما
- رسائل البريد الإلكتروني
- يظهر
- تمكين
- تمكين
- يشمل
- النهاية
- النهائي إلى نهاية
- إنهاء
- نقطة النهاية
- مهندس
- الهندسة
- انجليزي
- تعزيز
- تعزيز
- الدخول
- مشروع
- ترفيه
- خاصة
- حتى
- مثال
- التشغيلي
- تبادل
- القائمة
- موسع
- توسيع
- توسع
- الخبره في مجال الغطس
- شرح
- استكشاف
- اكتشف
- استكشاف
- واسع
- خبرة واسعة
- استخراج
- استخلاص
- ميسر
- مواجهة
- للعائلات
- أسرع
- قليل
- ملفات
- برادة
- نهائي
- تمويل
- مالي
- البيانات المالية
- معلومات مالية
- الأداء المالي
- النظم المالية
- العثور على
- الاسم الأول
- مالي
- خمسة
- فلوريدا
- تركز
- التركيز
- متابعيك
- متابعات
- في حالة
- التوقعات
- شكل
- معادلة
- دورة تأسيسية
- مجزأة
- الإطار
- احتيال
- الكشف عن الغش
- محتال
- مجانا
- كثيرا
- تبدأ من
- وقود
- بالإضافة إلى
- وظيفة
- وظيفة
- وظائف
- إضافي
- مستقبل
- ربح
- كسب
- جمع
- توليد
- يولد
- توليد
- جيل
- توليدي
- الذكاء الاصطناعي التوليدي
- GIF
- GitHub جيثب:
- الأهداف
- خير
- أكبر
- نشأ
- النمو
- التسويق
- دليل
- كان
- مقبض
- يملك
- he
- صحة الإنسان
- الرعاية الصحية
- يساعد
- لها
- هنا
- مرتفع
- رفيع المستوى
- أعلى
- له
- يحمل
- الصفحة الرئيسية
- استضافت
- كيفية
- كيفية
- لكن
- HTTP
- HTTPS
- الانسان
- i
- محدد
- يحدد
- تحديد
- هوية
- if
- يوضح
- صور
- تنفيذ
- أهمية
- تحسن
- تحسين
- in
- تتضمن
- يشمل
- بما فيه
- دمج
- الاشتقاق
- القيمة الاسمية
- زيادة
- في ازدياد
- الهند
- هندي
- العالمية
- تضخم مالي
- تضخمي
- الضغوط التضخمية
- معلومات
- البنية التحتية
- الابتكار
- الابتكار
- إدخال
- مطلع
- من الداخل التداول
- رؤى
- معهد
- دمج
- رؤيتنا
- ذكي
- معالجة المستندات بذكاء
- تفاعل
- التفاعلات
- يتفاعل
- داخليا
- إلى
- استثمر
- الاستثمار
- المستثمرين
- التذرع
- يتضرع
- المشاركة
- قام المحفل
- IT
- انها
- انضمام
- JPG
- القفل
- مفاتيح
- المعرفة
- كومار
- نقص
- لغة
- كبير
- قيادة
- تعلم
- الرافعة المالية
- مثل
- مما سيحدث
- مرتبط
- سيولة
- قائمة
- LLM
- محليا
- منطق
- طويل الأجل
- بحث
- بحث
- خسارة
- منخفض
- آلة
- آلة التعلم
- الرئيسية
- يمكن الحفاظ عليها
- جعل
- يصنع
- إدارة
- فريق الإدارة
- تلاعب
- أسلوب
- هامش
- تجارة
- التلاعب في السوق
- التسويق
- الأسواق
- سادة
- رياضي
- مايو..
- الوسائط
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- يذكر
- ML
- نموذج
- تصميم
- عارضات ازياء
- تقدم
- تحديث
- مراقبة
- الأكثر من ذلك
- أكثر
- أفلام
- يتحرك
- MS
- متعدد
- يجب
- الاسم
- أسماء
- طبيعي
- معالجة اللغات الطبيعية
- الطبيعة
- ضروري
- يستلزم
- حاجة
- إحتياجات
- سلبي
- صاف
- جديد
- منتجات جديدة
- أخبار
- البرمجة اللغوية العصبية
- مفكرة
- الآن
- عدد
- الالتزامات
- of
- خصم
- عروض
- عروض
- on
- ONE
- تشغيل
- عمليات
- الأمثل
- التحسين
- الأمثل
- الأمثل
- or
- طلب
- المنظمات
- أخرى
- لنا
- خارج
- في الخارج
- الكلي
- جزء
- يمر
- براءة الإختراع
- بكين
- نسبة مئوية
- نفذ
- أداء
- تنفيذ
- رسالة دكتوراه
- عبارات
- خطة
- خطط
- المنصة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- من فضلك
- البوينت
- سياسات الخصوصية والبيع
- الرائج
- شعبية
- محفظة
- يطرح
- ان يرتفع المركز
- منشور
- محتمل
- قوة
- مدعوم
- الضغوط
- سابق
- سابقا
- السعر
- الأسعار
- التسعير
- في المقام الأول
- ابتدائي
- قبل
- عملية المعالجة
- معالجة
- إنتاجية
- المنتجات
- الربح
- المزيد من الربح
- الأرباح
- التقدّم
- تزود
- ويوفر
- نشرت
- بايثون
- جودة
- كمي
- ربع
- الاستفسارات
- سؤال
- الأسئلة المتكررة
- بسرعة
- اقتبس
- نطاق
- الأجور
- نسبة
- RE
- استعداد
- في الوقت الحقيقي
- الأخيرة
- اعتراف
- تسجيل
- الرجوع
- ذات صلة
- نسبي
- ذات الصلة
- تذكر
- تكرارية
- تقرير
- وذكرت
- التقارير
- التقارير
- مطلوب
- يتطلب
- بحث
- الموارد
- الرد
- استجابة
- ردود
- نتيجة
- النتائج
- بيع بالتجزئة
- عائد أعلى
- قابلة لإعادة الاستخدام
- إيرادات
- نمو الإيرادات
- حق
- المخاطرة
- المخاطر
- قوي
- روتين
- يجري
- يدير
- s
- S & P
- sagemaker
- الأملاح
- نفسه
- تم الحفظ
- إنقاذ
- تحجيم
- حجم
- سيناريو
- سيناريوهات
- علوم
- أحرز هدفاً
- الإستراحة
- بحث
- البحث
- الثاني
- القسم
- أقسام
- تأمين
- انظر تعريف
- رؤية
- تسعى
- تسعى
- يبدو
- اختيار
- SELF
- كبير
- عاطفة
- مشاعر
- مسلسلات
- الخدمة
- خدماتنا
- الجلسة
- هي
- المدى القصير
- سيولة قصيرة الأجل
- ينبغي
- عرض
- أظهرت
- يظهر
- غلق
- هام
- مماثل
- الاشارات
- مهارات
- العدالة
- وسائل التواصل الاجتماعي
- حل
- الحلول
- بعض
- متطور
- مصدر
- مصادر
- جنوب
- جنوب فلوريدا
- جنوبي
- متخصص
- محدد
- خطاب
- التعرف على الكلام
- سرعة
- الإنفاق
- انتشار
- التقييس
- الولايه او المحافظه
- إحصائيات
- إقامة
- خطوة
- خطوات
- مخزون
- الأسهم
- قلة النوم
- تخزين
- متجر
- تخزين
- فروعنا
- تخزين
- إستراتيجي
- الإستراتيجيات
- تعزيز
- بناء
- منظم
- ستوديو
- اشتراك
- الاشتراكات
- هذه
- مناسب
- جناح
- تلخيص
- ملخص
- الموردين
- تزويد
- سلسلة التوريد
- إدارة الأمدادات
- الدعم
- دعم
- الدعم
- بالتأكيد
- سويسرا
- نظام
- أنظمة
- جدول
- مع الأخذ
- مهمة
- المهام
- فريق
- تقني
- التكنولوجيا
- تكنولوجيا
- قالب
- تكساس
- نص
- أن
- •
- المستقبل
- المعلومات
- المصدر
- من مشاركة
- منهم
- then
- هناك.
- وبالتالي
- تشبه
- هم
- شيء
- على الرغم من؟
- هدد
- ثلاثة
- عبر
- الوقت
- السلاسل الزمنية
- إلى
- أداة
- أدوات
- أدوات
- تيشرت
- موضوع
- الإجمالي
- تجارة
- قطار
- النص الكامل
- تحول
- تحول
- وسائل النقل
- السفر
- جديد الموضة
- اثنان
- نوع
- أنواع
- ui
- فهم
- فهم
- جامعة
- فتح
- فتح
- المقبلة
- تحديث
- us
- تستخدم
- مستعمل
- مستخدم
- المستخدمين
- يستخدم
- استخدام
- تستخدم
- يستخدم
- القيمة
- قيمنا
- تشكيلة
- مختلف
- الإصدارات
- بواسطة
- فيديو
- مجلدات
- وكان
- مراقبة
- مياه
- طريق..
- طرق
- we
- الويب
- خدمات ويب
- حسن
- كان
- ابحث عن
- متى
- التي
- من الذى
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- للعمل
- عمل
- سير العمل
- عام
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت