মাল্টি-মোডাল ডেটা হল আর্থিক শিল্পের একটি মূল্যবান উপাদান, যা বাজার, অর্থনৈতিক, গ্রাহক, সংবাদ এবং সামাজিক মিডিয়া এবং ঝুঁকির ডেটা অন্তর্ভুক্ত করে। আর্থিক সংস্থাগুলি আর্থিক ক্রিয়াকলাপের অন্তর্দৃষ্টি পেতে, আরও ভাল সিদ্ধান্ত নিতে এবং কর্মক্ষমতা উন্নত করতে এই ডেটা তৈরি করে, সংগ্রহ করে এবং ব্যবহার করে। যাইহোক, মাল্টি-মোডাল ডেটার সাথে জটিলতা এবং আর্থিক সিস্টেম এবং ডেটা ফর্ম্যাট এবং গুণমানের অভাবের কারণে, সেইসাথে ডেটার খণ্ডিত এবং অসংগঠিত প্রকৃতির কারণে চ্যালেঞ্জ রয়েছে। আর্থিক ক্লায়েন্টরা প্রায়শই মাল্টি-মোডাল ডেটা থেকে আর্থিক অন্তর্দৃষ্টি অর্জনের অপারেশনাল ওভারহেড বর্ণনা করে, যা জটিল নিষ্কাশন এবং রূপান্তর যুক্তির প্রয়োজন হয়, যার ফলে প্রস্ফুটিত প্রচেষ্টা এবং খরচ হয়। মাল্টি-মডেল ডেটার সাথে প্রযুক্তিগত চ্যালেঞ্জগুলির মধ্যে রয়েছে বিভিন্ন ডেটা প্রকারের একীভূতকরণ এবং মডেলিংয়ের জটিলতা, একাধিক পদ্ধতি (টেক্সট, ছবি, অডিও, ভিডিও) থেকে ডেটা একত্রিত করার অসুবিধা এবং উন্নত কম্পিউটার বিজ্ঞান দক্ষতা এবং অত্যাধুনিক বিশ্লেষণ সরঞ্জামগুলির প্রয়োজন।
মাল্টি-মডেল ডেটা পরিচালনা করার একটি উপায় যা জনপ্রিয়তা অর্জন করছে তা হল মাল্টি-মডেল এজেন্টের ব্যবহার। মাল্টি-মডাল এজেন্ট হল AI সিস্টেম যা তাদের টুলকিটে সঠিক টুল ব্যবহার করে একাধিক পদ্ধতিতে ডেটা বুঝতে এবং বিশ্লেষণ করতে পারে। তারা আরও বিস্তৃত বোঝার জন্য এবং উপযুক্ত প্রতিক্রিয়া তৈরি করতে এই বৈচিত্র্যময় ডেটা প্রকারগুলি জুড়ে অন্তর্দৃষ্টি সংযোগ করতে সক্ষম। মাল্টি-মডেল এজেন্ট, জেনারেটিভ এআই-এর সাথে মিলিত হয়ে, আর্থিক বাজারে ব্যাপক বিস্তারের আবেদন খুঁজে পাচ্ছে। নিম্নলিখিত কয়েকটি জনপ্রিয় ব্যবহারের ক্ষেত্রে রয়েছে:
- স্মার্ট রিপোর্টিং এবং বাজার বুদ্ধিমত্তা - AI বাজারের বুদ্ধিমত্তা প্রতিবেদন তৈরি করতে আর্থিক তথ্যের বিভিন্ন উত্স বিশ্লেষণ করতে পারে, বিশ্লেষক, বিনিয়োগকারী এবং কোম্পানিগুলিকে ট্রেন্ড সম্পর্কে আপডেট থাকতে সহায়তা করে। মাল্টি-মডেল এজেন্টরা দীর্ঘ আর্থিক প্রতিবেদনগুলি দ্রুত সংক্ষিপ্ত করতে পারে, বিশ্লেষকদের উল্লেখযোগ্য সময় এবং প্রচেষ্টা বাঁচায়।
- পরিমাণগত মডেলিং এবং পূর্বাভাস - জেনারেটিভ মডেলগুলি স্টক মূল্যের পূর্বাভাস, পোর্টফোলিও অপ্টিমাইজেশান, ঝুঁকি মডেলিং এবং আরও অনেক কিছুর জন্য মেশিন লার্নিং (ML) মডেলগুলিকে প্রশিক্ষণ দেওয়ার জন্য প্রচুর পরিমাণে আর্থিক ডেটা সংশ্লেষ করতে পারে। মাল্টি-মোডাল মডেলগুলি যেগুলি বিভিন্ন ডেটা উত্স বোঝে তারা আরও শক্তিশালী পূর্বাভাস প্রদান করতে পারে।
- সম্মতি এবং জালিয়াতি সনাক্তকরণ - এই সমাধানটি পর্যবেক্ষণের সরঞ্জামগুলি অন্তর্ভুক্ত করার জন্য প্রসারিত করা যেতে পারে যা যোগাযোগের চ্যানেলগুলি যেমন কল, ইমেল, চ্যাট, অ্যাক্সেস লগ এবং আরও অনেক কিছু বিশ্লেষণ করে সম্ভাব্য ইনসাইডার ট্রেডিং বা মার্কেট ম্যানিপুলেশন সনাক্ত করতে। ডেটা টাইপ জুড়ে প্রতারণামূলক যোগসাজশ শনাক্ত করার জন্য মাল্টি-মডেল বিশ্লেষণ প্রয়োজন।
জেনারেটিভ AI সহ একটি মাল্টি-মডেল এজেন্ট পুনরাবৃত্ত এবং নিয়মিত কাজগুলি স্বয়ংক্রিয় করার মাধ্যমে একজন আর্থিক বিশ্লেষকের উত্পাদনশীলতা বাড়ায়, বিশ্লেষকদের উচ্চ-মূল্যের কাজের উপর ফোকাস করার জন্য সময় মুক্ত করে। মাল্টি-মডেল এজেন্টরা গবেষণা এবং বিশ্লেষণে সহায়তা করে অন্তর্দৃষ্টি অর্জনের জন্য একজন বিশ্লেষকের ক্ষমতাকে প্রসারিত করতে পারে। মাল্টি-মডেল এজেন্টরাও উন্নত পরিমাণগত বিশ্লেষণ এবং আর্থিক মডেল তৈরি করতে পারে, যা বিশ্লেষকদের দ্রুত এবং অধিক নির্ভুলতার সাথে কাজ করতে সক্ষম করে।
AWS এর সাথে একটি মাল্টি-মডেল এজেন্ট প্রয়োগ করা একটি বৃহৎ স্কেলে বিভিন্ন কাঠামোগত এবং অসংগঠিত ডেটা থেকে মূল অন্তর্দৃষ্টিকে একত্রিত করে। মাল্টি-মডেল এজেন্ট সহজেই উৎপাদিত AI অফারগুলির শক্তিকে একত্রিত করতে পারে আমাজন বেডরক এবং আমাজন সেজমেকার জাম্পস্টার্ট AWS অ্যানালিটিক্স এবং AI/ML পরিষেবাগুলির ডেটা প্রসেসিং ক্ষমতা সহ চটপটে সমাধানগুলি প্রদান করে যা আর্থিক বিশ্লেষকদের দক্ষতার সাথে বিশ্লেষণ করতে এবং AWS-এর মধ্যে একটি নিরাপদ এবং মাপযোগ্য পদ্ধতিতে মাল্টি-মডেল ডেটা থেকে অন্তর্দৃষ্টি সংগ্রহ করতে সক্ষম করে। অ্যামাজন AI পরিষেবাগুলির একটি স্যুট অফার করে যা প্রাকৃতিক ভাষা প্রক্রিয়াকরণ (NLP), বক্তৃতা শনাক্তকরণ, পাঠ্য নিষ্কাশন এবং অনুসন্ধান সক্ষম করে:
- অ্যামাজন সমঝোতা একটি NLP পরিষেবা যা মূল বাক্যাংশগুলির জন্য পাঠ্য বিশ্লেষণ করতে পারে এবং অনুভূতি বিশ্লেষণ করতে পারে
- অ্যামাজন টেক্সট্র্যাক একটি বুদ্ধিমান নথি প্রক্রিয়াকরণ পরিষেবা যা নথি থেকে সঠিকভাবে পাঠ্য এবং ডেটা বের করতে পারে
- আমাজন ট্রান্সক্রাইব একটি স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণ পরিষেবা যা বক্তৃতাকে পাঠ্যে রূপান্তর করতে পারে
- আমাজন কেন্দ্র নথি এবং জ্ঞানের ভিত্তি সহ বিভিন্ন ডেটা উত্স জুড়ে তথ্য খুঁজে পেতে ML দ্বারা চালিত একটি এন্টারপ্রাইজ অনুসন্ধান পরিষেবা
এই পোস্টে, আমরা একটি দৃশ্যকল্প প্রদর্শন করি যেখানে একজন আর্থিক বিশ্লেষক আর্থিক অন্তর্দৃষ্টি সংগ্রহের জন্য উদ্দেশ্য-নির্মিত ডেটা স্টোরগুলিতে বসবাসকারী সংস্থার মাল্টি-মডেল ডেটার সাথে যোগাযোগ করেন। ইন্টারঅ্যাকশনে, আমরা দেখাই যে মাল্টি-মডেল এজেন্টরা কীভাবে পরিকল্পনা করে এবং ব্যবহারকারীর কোয়েরি চালায় এবং প্রাসঙ্গিক ডেটা উত্স থেকে ফলাফল পুনরুদ্ধার করে। এই সমস্ত AWS পরিষেবাগুলি ব্যবহার করে অর্জন করা হয়, যার ফলে মাল্টি-মডেল আর্থিক ডেটা (টেক্সট, বক্তৃতা এবং ট্যাবুলার ডেটা) সামগ্রিকভাবে বিশ্লেষণ করার জন্য আর্থিক বিশ্লেষকের দক্ষতা বৃদ্ধি পায়।
নিম্নলিখিত স্ক্রিনশটটি UI এর একটি উদাহরণ দেখায়।
সমাধান ওভারভিউ
নিম্নলিখিত চিত্রটি এজেন্ট ব্যবহার করে মাল্টি-মডাল ডেটা সহ জেনারেটিভ এআই ব্যবহার করার ধারণাগত স্থাপত্যকে চিত্রিত করে। জড়িত পদক্ষেপগুলি নিম্নরূপ:
- আর্থিক বিশ্লেষক চ্যাটবটের মতো একটি প্ল্যাটফর্মের মাধ্যমে প্রশ্ন উত্থাপন করেন।
- প্ল্যাটফর্মটি প্রশ্নের উত্তর দেওয়ার জন্য সবচেয়ে উপযুক্ত মাল্টি-মডেল এজেন্ট টুল নির্ধারণ করতে একটি কাঠামো ব্যবহার করে।
- একবার শনাক্ত হয়ে গেলে, প্ল্যাটফর্মটি কোড চালায় যা পূর্বে চিহ্নিত টুলের সাথে সংযুক্ত থাকে।
- টুলটি আর্থিক বিশ্লেষকের অনুরোধ অনুযায়ী আর্থিক তথ্যের একটি বিশ্লেষণ তৈরি করে।
- ফলাফলের সারসংক্ষেপে, বড় ভাষার মডেলগুলি পুনরুদ্ধার করে এবং আর্থিক বিশ্লেষকের কাছে রিপোর্ট করে।
প্রযুক্তিগত স্থাপত্য
মাল্টি-মডেল এজেন্ট অন্তর্দৃষ্টি তৈরি করতে ব্যবসায়িক ব্যবহারকারীদের কাছ থেকে প্রাকৃতিক ভাষার প্রম্পটের উপর ভিত্তি করে বিভিন্ন সরঞ্জাম সাজায়। অসংগঠিত ডেটার জন্য, এজেন্ট ব্যবহার করে এডাব্লুএস ল্যাম্বদা নথি বিশ্লেষণের জন্য অ্যামাজন টেক্সট্র্যাক্ট, স্পিচ রিকগনিশনের জন্য অ্যামাজন ট্রান্সক্রাইব, এনএলপির জন্য অ্যামাজন কম্প্রেহেন্ড এবং বুদ্ধিমান অনুসন্ধানের জন্য অ্যামাজন কেন্দ্রের মতো AI পরিষেবাগুলির সাথে কাজ করে। কাঠামোগত ডেটার জন্য, এজেন্ট ডাটাবেস বিশ্লেষণ করতে SQL সংযোগকারী এবং SQLAlchemy ব্যবহার করে, যার মধ্যে রয়েছে অ্যামাজন অ্যাথেনা. এজেন্ট Lambda এবং তে পাইথন ব্যবহার করে আমাজন সেজমেকার গণনা এবং পরিমাণগত মডেলিংয়ের জন্য SDK। প্রম্পট এবং ফলাফল সংরক্ষণের জন্য এজেন্টের দীর্ঘমেয়াদী মেমরিও রয়েছে আমাজন ডায়নামোডিবি. মাল্টি-মডেল এজেন্ট একটি সেজমেকার নোটবুকে থাকে এবং একটি স্ট্রিমলিট UI-তে ব্যবসায়িক ব্যবহারকারীদের ইংরেজি প্রম্পটের উপর ভিত্তি করে এই সরঞ্জামগুলিকে সমন্বয় করে।
প্রযুক্তিগত আর্কিটেকচারের মূল উপাদানগুলি নিম্নরূপ:
- ডেটা স্টোরেজ এবং বিশ্লেষণ - অডিও ফাইল হিসাবে ত্রৈমাসিক আর্থিক উপার্জন রেকর্ডিং, পিডিএফ ফাইল হিসাবে আর্থিক বার্ষিক প্রতিবেদন এবং CSV ফাইল হিসাবে S&P স্টক ডেটা হোস্ট করা হয় আমাজন সিম্পল স্টোরেজ সার্ভিস (Amazon S3)। অ্যাথেনা ব্যবহার করে স্টক ডেটার উপর ডেটা অনুসন্ধান করা হয়।
- বড় ভাষার মডেল – অ্যামাজন বেডরক, সেজমেকার জাম্পস্টার্ট বা একটি API-এর মাধ্যমে বৃহৎ ভাষার মডেল (LLMs) পাওয়া যায়।
- এজেন্ট - আমরা LLM এবং অন্যান্য সরঞ্জামগুলিতে ব্যবহারকারীর ইনপুট হিসাবে একটি অ-পূর্বনির্ধারিত চেইন কলের জন্য LangChain এর এজেন্ট ব্যবহার করি। এই ধরণের চেইনে, এমন একটি এজেন্ট রয়েছে যার একটি স্যুট সরঞ্জামগুলিতে অ্যাক্সেস রয়েছে। প্রতিটি টুল একটি নির্দিষ্ট কাজের জন্য নির্মিত হয়েছে. ব্যবহারকারীর ইনপুটের উপর নির্ভর করে, এজেন্ট প্রশ্নটির উত্তর দেওয়ার জন্য কল করার জন্য টুল বা টুলের সংমিশ্রণ নির্ধারণ করে। আমরা আমাদের দৃশ্যের জন্য নিম্নলিখিত উদ্দেশ্য-নির্মিত এজেন্ট সরঞ্জামগুলি তৈরি করেছি:
- স্টক অনুসন্ধান টুল - এথেনা এবং SQLAlchemy ব্যবহার করে S&P স্টক ডেটা অনুসন্ধান করতে।
- পোর্টফোলিও অপ্টিমাইজেশান টুল - নির্বাচিত স্টকগুলির উপর ভিত্তি করে একটি পোর্টফোলিও তৈরি করা।
- আর্থিক তথ্য লুকআপ টুল - অ্যামাজন কেন্দ্র ব্যবহার করে বহু-পৃষ্ঠার পিডিএফ ফাইলগুলিতে সংরক্ষিত আর্থিক উপার্জনের তথ্য অনুসন্ধান করতে।
- পাইথন ক্যালকুলেশন টুল - গাণিতিক গণনার জন্য ব্যবহার করতে।
- সেন্টিমেন্ট এনালাইসিস টুল - অ্যামাজন কম্প্রেহেন্ড ব্যবহার করে একটি বিষয়ে অনুভূতি সনাক্ত করতে এবং স্কোর করতে।
- বাক্যাংশ টুল সনাক্ত করুন - Amazon Comprehend ব্যবহার করে সাম্প্রতিক ত্রৈমাসিক প্রতিবেদনে মূল বাক্যাংশ খুঁজে পেতে।
- টেক্সট এক্সট্রাকশন টুল - আমাজন টেক্সট্র্যাক্ট ব্যবহার করে ত্রৈমাসিক প্রতিবেদনের পিডিএফ সংস্করণগুলিকে পাঠ্য ফাইলগুলিতে রূপান্তর করতে।
- ট্রান্সক্রাইব অডিও টুল - Amazon Transcribe ব্যবহার করে অডিও রেকর্ডিংকে টেক্সট ফাইলে রূপান্তর করতে।
এজেন্ট মেমরি যা এজেন্টের সাথে ব্যবহারকারীর ইন্টারঅ্যাকশনের চেইন ধারণ করে তা DynamoDB-তে সংরক্ষিত হয়।
নিম্নলিখিত বিভাগগুলি সংশ্লিষ্ট কোডের সাথে কিছু প্রাথমিক ধাপ ব্যাখ্যা করে। এখানে দেখানো সমস্ত পদক্ষেপের সমাধান এবং কোডের গভীরে ডুব দিতে, পড়ুন গিটহুব রেপো.
পূর্বশর্ত
এই সমাধানটি চালানোর জন্য, আপনার অবশ্যই একটি LLM এর একটি API কী থাকতে হবে যেমন Anthropic Claude v2, অথবা অ্যামাজন বেডরক ফাউন্ডেশন মডেলগুলিতে অ্যাক্সেস থাকতে হবে৷
LLM এবং LangChain ব্যবহার করে স্ট্রাকচার্ড এবং আনস্ট্রাকচার্ড ডেটা থেকে প্রতিক্রিয়া তৈরি করতে, আপনাকে অ্যামাজন বেডরক, সেজমেকার জাম্পস্টার্ট, বা API কীগুলির মাধ্যমে LLM-এ অ্যাক্সেস করতে হবে এবং SQLAlchemy-এর সাথে সামঞ্জস্যপূর্ণ ডেটাবেসগুলি ব্যবহার করতে হবে। এডাব্লুএস আইডেন্টিটি এবং অ্যাক্সেস ম্যানেজমেন্ট (IAM) নীতিগুলিও প্রয়োজন, বিশদ বিবরণ যা আপনি GitHub রেপোতে খুঁজে পেতে পারেন।
মাল্টি-মডেল এজেন্টের মূল উপাদান
মাল্টি-মোডাল এজেন্টের কয়েকটি মূল উপাদান উপাদান রয়েছে:
- মাল্টি-মডেল এজেন্টের টুলের জন্য সংজ্ঞায়িত ফাংশন
- মাল্টি-মডেল এজেন্টের জন্য সংজ্ঞায়িত টুল
- মাল্টি-মোডাল এজেন্টের জন্য দীর্ঘমেয়াদী মেমরি
- পরিকল্পনাকারী-নির্বাহক ভিত্তিক মাল্টি-মডেল এজেন্ট (টুল, এলএলএম এবং মেমরি দিয়ে সংজ্ঞায়িত)
এই বিভাগে, আমরা সংশ্লিষ্ট কোড স্নিপেটগুলির সাথে মূল উপাদানগুলিকে চিত্রিত করি।
মাল্টি-মডেল এজেন্টের টুলের জন্য সংজ্ঞায়িত ফাংশন
মাল্টি-মডেল এজেন্টকে বিভিন্ন ধরনের ডেটা-টেক্সট, স্পিচ, ছবি এবং আরও অনেক কিছু প্রক্রিয়া করার জন্য বিভিন্ন AI পরিষেবা ব্যবহার করতে হবে। এই ফাংশনগুলির মধ্যে কয়েকটির জন্য AWS AI পরিষেবাগুলিকে কল করার প্রয়োজন হতে পারে যেমন টেক্সট বিশ্লেষণ করার জন্য Amazon Comprehend, ছবি এবং নথি বিশ্লেষণ করার জন্য Amazon Textract এবং স্পিচকে টেক্সটে রূপান্তর করতে Amazon Transcribe। এই ফাংশনগুলিকে স্থানীয়ভাবে এজেন্টের মধ্যে বলা যেতে পারে বা ল্যাম্বডা ফাংশন হিসাবে স্থাপন করা যেতে পারে যা এজেন্ট আহ্বান করতে পারে। Lambda ফাংশনগুলি অভ্যন্তরীণভাবে প্রাসঙ্গিক AWS AI পরিষেবাগুলিকে কল করে এবং ফলাফলগুলি এজেন্টকে ফেরত দেয়৷ এই পদ্ধতিটি যুক্তিকে মডুলারাইজ করে এবং এজেন্টকে আরও রক্ষণাবেক্ষণযোগ্য এবং সম্প্রসারণযোগ্য করে তোলে।
নিম্নলিখিত ফাংশনটি সংজ্ঞায়িত করে কিভাবে নির্বাচিত স্টকের উপর ভিত্তি করে অপ্টিমাইজ করা পোর্টফোলিও গণনা করা যায়। একটি পাইথন-ভিত্তিক ফাংশনকে একটি এলএলএম টুলে রূপান্তর করার একটি উপায় হল ব্যবহার করা বেস টুল মোড়কের।
AWS AI পরিষেবা (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API-কে কল করার জন্য Lambda কোডটি নিচে দেওয়া হল:
মাল্টি-মডেল এজেন্টের জন্য সংজ্ঞায়িত টুল
মাল্টি-মোডাল এজেন্ট এর কার্যকারিতা সক্ষম করতে বিভিন্ন সরঞ্জামগুলিতে অ্যাক্সেস রয়েছে। এটি স্টক সম্পর্কিত প্রশ্নের উত্তর দেওয়ার জন্য একটি স্টক ডাটাবেস অনুসন্ধান করতে পারে। এটি একটি ডেডিকেটেড টুল ব্যবহার করে একটি পোর্টফোলিও অপ্টিমাইজ করতে পারে। এটি অ্যামাজন কেন্দ্র থেকে তথ্য পুনরুদ্ধার করতে পারে, অ্যামাজনের এন্টারপ্রাইজ অনুসন্ধান পরিষেবা৷ একটি পাইথন REPL টুল এজেন্টকে পাইথন কোড চালানোর অনুমতি দেয়। সরঞ্জামগুলির গঠনের একটি উদাহরণ, তাদের নাম এবং বিবরণ সহ, নিম্নলিখিত কোডে দেখানো হয়েছে। এই পোস্টের আসল টুল বক্সে আটটি টুল রয়েছে: স্টক কোয়েরি করার টুল, পোর্টফোলিও অপ্টিমাইজেশান টুল, ফাইন্যান্সিয়াল ইনফরমেশন লুকআপ টুল, পাইথন ক্যালকুলেশন টুল, সেন্টিমেন্ট অ্যানালাইসিস টুল, ডিটেক্ট ফ্রেসেস টুল, টেক্সট এক্সট্রাকশন টুল এবং ট্রান্সক্রাইব অডিও টুল।
মাল্টি-মোডাল এজেন্টের জন্য দীর্ঘমেয়াদী মেমরি
নিম্নলিখিত কোডটি মাল্টি-মোডাল এজেন্টের জন্য দীর্ঘমেয়াদী মেমরির কনফিগারেশনকে চিত্রিত করে। এই কোডে, ভবিষ্যতের রেফারেন্সের জন্য প্রম্পট এবং উত্তরগুলি সংরক্ষণ করার জন্য ডায়নামোডিবি টেবিল মেমরি হিসাবে যুক্ত করা হয়েছে।
পরিকল্পনাকারী-নির্বাহক ভিত্তিক মাল্টি-মডেল এজেন্ট
সার্জারির পরিকল্পনাকারী-নির্বাহক ভিত্তিক মাল্টি-মডাল এজেন্ট আর্কিটেকচারের দুটি প্রধান উপাদান রয়েছে: একজন পরিকল্পনাকারী এবং একজন নির্বাহক। পরিকল্পনাকারী একটি উচ্চ-স্তরের পরিকল্পনা তৈরি করে যাতে প্রম্পট প্রশ্নের উত্তর চালানোর জন্য প্রয়োজনীয় পদক্ষেপ থাকে। নির্বাহক তারপর প্রয়োজনীয় সরঞ্জাম সহ ভাষা মডেল ব্যবহার করে প্রতিটি পরিকল্পনা পদক্ষেপের জন্য উপযুক্ত সিস্টেম প্রতিক্রিয়া তৈরি করে এই পরিকল্পনাটি চালায়। নিম্নলিখিত কোড দেখুন:
আর্থিক বিশ্লেষক দ্বারা জিজ্ঞাসা করা প্রশ্নের উপর ভিত্তি করে উদাহরণ পরিস্থিতি
এই বিভাগে, আমরা আর্থিক বিশ্লেষকের জিজ্ঞাসা করা প্রশ্নগুলির উপর ভিত্তি করে মাল্টি-মডেল এজেন্ট দ্বারা সম্পাদিত শেষ-থেকে-শেষ পদক্ষেপগুলিকে চিত্রিত করার জন্য দুটি উদাহরণ পরিস্থিতি অন্বেষণ করি।
পরিস্থিতি 1: কাঠামোগত ডেটা সম্পর্কিত আর্থিক বিশ্লেষকের প্রশ্ন
এই পরিস্থিতিতে, আর্থিক বিশ্লেষক মাল্টি-মডেল এজেন্টকে কোম্পানির স্টক সম্পর্কিত ইংরেজিতে একটি প্রশ্ন জিজ্ঞাসা করেন। মাল্টি-মডেল LangChain এজেন্ট একটি মাল্টি-স্টেপ প্ল্যান নিয়ে আসে এবং প্রতিটি ধাপের জন্য কোন টুল ব্যবহার করতে হবে তা স্থির করে। নিম্নলিখিত চিত্রটি নিম্নলিখিত পদক্ষেপগুলির সাথে একটি উদাহরণ ওয়ার্কফ্লোকে চিত্রিত করে:
- আর্থিক বিশ্লেষক মাল্টি-মডেল এজেন্টকে UI এর মাধ্যমে ইংরেজিতে একটি আর্থিক প্রশ্ন জিজ্ঞাসা করেন।
- এজেন্ট সনাক্ত করে যে প্রশ্নের উত্তর দেওয়ার জন্য এটির জন্য ডাটাবেস টুল প্রয়োজন। এটি একটি LLM ব্যবহার করে একটি এসকিউএল কোয়েরি তৈরি করে এবং এথেনা ডাটাবেসকে প্রশ্ন করে।
- এথেনা এসকিউএল কোয়েরি চালায়, প্রাসঙ্গিক ফলাফল পুনরুদ্ধার করে (পাঁচটি কোম্পানির স্টক মূল্য সময় সিরিজ), এবং ফলাফলটি প্রাসঙ্গিক ডেটা সহ এজেন্টকে দেয়।
- এজেন্ট শনাক্ত করে যে প্রশ্নটির উত্তর দেওয়ার জন্য এটি একটি দ্বিতীয় টুলের প্রয়োজন। এটি পোর্টফোলিও অপ্টিমাইজেশনের জন্য পাইথন টুলে পুনরুদ্ধার করা ডেটা পাস করে।
- পাইথন টুলটি ওজন সহ প্রয়োজনীয় সর্বোত্তম পোর্টফোলিও গণনা করে এবং এজেন্টের মধ্যে এলএলএম-এর উত্তর পাস করে।
- এজেন্ট LLM ব্যবহার করে প্রয়োজনীয় তথ্য এবং গণনা সংকলন করে এবং ইংরেজিতে UI এর মাধ্যমে আর্থিক বিশ্লেষককে উত্তর দেয়।
আর্থিক বিশ্লেষক নিম্নলিখিত প্রশ্ন জিজ্ঞাসা করে:
"2018 সালে AAAA, WWW, DDD স্টকগুলির সমাপনী মূল্য কী? আপনি এই তিনটি স্টক ব্যবহার করে একটি অপ্টিমাইজড পোর্টফোলিও তৈরি করতে পারেন?"
নিম্নলিখিত কোডটি মাল্টি-মোডাল এজেন্টের পরিকল্পনাকারী দ্বারা চিহ্নিত পদক্ষেপগুলি দেখায়:
এজেন্ট নিম্নলিখিত SQL ক্যোয়ারীতে প্রশ্ন প্রম্পট অনুবাদ করেছে:
নিম্নলিখিত কোড প্রশ্নের উপর ভিত্তি করে মাল্টি-মডেল এজেন্ট দ্বারা চূড়ান্ত উত্তর দেখায়:
দৃশ্যকল্প 2: অসংগঠিত ডেটা সম্পর্কিত আর্থিক বিশ্লেষকের প্রশ্ন
এই পরিস্থিতিতে, একজন আর্থিক বিশ্লেষক মাল্টি-মডেল এজেন্টকে কোম্পানির আর্থিক স্বাস্থ্য সম্পর্কে একাধিক প্রশ্ন জিজ্ঞাসা করে। এজেন্ট তথ্য সংগ্রহ করতে এবং প্রয়োজনীয় গণনা সম্পাদন করতে দুটি টুল এজেন্ট, অসংগঠিত ডেটা এবং একটি পাইথন কম্পিউট টুল সহ অ্যামাজন কেন্দ্রকে আহ্বান করে। এজেন্ট তারপর তার ভাষা মডেল ব্যবহার করে টুল থেকে তথ্য সংকলন করে এবং বিশ্লেষককে সম্পূর্ণ উত্তর প্রদান করে। এই দৃশ্যের মূল হল যে এজেন্ট পূর্ববর্তী প্রশ্নগুলির প্রশ্ন এবং উত্তরগুলি মনে রাখতে পারে এবং কথোপকথনে প্রসঙ্গটি অন্তর্ভুক্ত করে। নিম্নলিখিত চিত্রটি কর্মপ্রবাহকে চিত্রিত করে, যা নিম্নলিখিত পদক্ষেপগুলি নিয়ে গঠিত:
- আর্থিক বিশ্লেষক মাল্টি-মডেল এজেন্টকে UI এর মাধ্যমে ইংরেজিতে একটি আর্থিক প্রশ্ন জিজ্ঞাসা করেন।
- এজেন্ট শনাক্ত করে যে প্রশ্নের উত্তর দেওয়ার জন্য আমাজন কেন্দ্রের টুলের প্রয়োজন এবং অ্যামাজন কেন্দ্রের এজেন্ট টুলকে আহ্বান করে।
- আমাজন কেন্দ্র Amazon S3-এ অসংগঠিত ডেটা কর্পাস অনুসন্ধান করে এবং উত্তর সম্বলিত প্রাসঙ্গিক নথি উদ্ধার করে।
- Retrieval Augmented Generation (RAG) ব্যবহার করে, Amazon কেন্দ্র প্রাসঙ্গিক নথি থেকে এজেন্টের মধ্যে LLM-এ উত্তর পাস করে।
- এজেন্ট সনাক্ত করে যে প্রশ্নের দ্বিতীয় অংশের উত্তর দেওয়ার জন্য এটি একটি দ্বিতীয় সরঞ্জামের প্রয়োজন। এটি প্রথম টুল থেকে পাইথন কম্পিউট টুলে তথ্য প্রেরণ করে।
- পাইথন টুল প্রয়োজনীয় অনুপাত গণনা করে এবং এজেন্টের মধ্যে এলএলএম-এর উত্তর পাস করে।
- এজেন্ট LLM ব্যবহার করে প্রয়োজনীয় তথ্য এবং গণনা সংকলন করে এবং UI এর মাধ্যমে আর্থিক বিশ্লেষককে উত্তর দেয়।
বিশ্লেষক এবং মাল্টি-মডেল এজেন্টের মধ্যে নিম্নলিখিত প্রশ্ন এবং উত্তরগুলি রয়েছে৷
এজেন্ট প্রশ্নের উত্তর দেয় "2022 সালের ডিসেম্বরে শেষ হওয়া অর্থবছরের জন্য অ্যামাজনের নেট ক্ষতি কত?” সঙ্গে “Amazon 514.0 অর্থবছরের জন্য মোট $2.7 বিলিয়ন এবং $2022 বিলিয়ন নেট লোকসানের রিপোর্ট করেছে।" উত্সটি হল ডিসেম্বর 10 শেষ হওয়া অর্থবছরের জন্য Amazon 2022K রিপোর্ট, এটি ব্যবহার করে পুনরুদ্ধার করা হয়েছে Retrive_Kendra
টুল.
প্রশ্নের জন্য "একই বছরের জন্য নিট লোকসান কত?" এজেন্ট উত্তর দেয় "$2.7 বিলিয়ন।" উত্সটি হল ডিসেম্বর 10 শেষ হওয়া অর্থবছরের জন্য Amazon 2022K রিপোর্ট, এটি ব্যবহার করে পুনরুদ্ধার করা হয়েছে Retrive_Kendra
টুল. মনে রাখবেন প্রশ্নটি দ্বিতীয় প্রশ্নের অনুরূপ হলেও, এই প্রশ্নটি কোম্পানির নাম বা বছরের নম্বর উল্লেখ করেনি। যাইহোক, এজেন্ট কথোপকথন মেমরির প্রসঙ্গের উপর ভিত্তি করে সঠিক কোম্পানির নাম এবং বছর ব্যবহার করতে সক্ষম হয়েছিল।
প্রশ্নের জন্য "নেট প্রফিট মার্জিন রেশিওর সূত্র কী যা এক ধরনের লাভের অনুপাত?" এজেন্ট উত্তর দেয় "Amazon 514.0 অর্থবছরের জন্য $2.7 বিলিয়ন ডলারের মোট নেট বিক্রয় এবং $2022 বিলিয়ন নীট লোকসানের রিপোর্ট করেছে৷ 2022 অর্থবছরের জন্য Amazon-এর নিট লাভের মার্জিন অনুপাত হল -0.5%।" উৎস হল Retrieve_Kendra
এবং PythonREPLTool().
সমাধানের গভীরে ডুব দিন
সমাধান এবং এই পোস্টে দেখানো কোডের গভীরে যেতে, দেখুন গিটহুব রেপো.
GitHub রেপোতে, আপনি একটি পাইথন নোটবুক খুঁজে পেতে সক্ষম হবেন যার শেষ থেকে শেষ সমাধান রয়েছে, একটি এডাব্লুএস ক্লাউডফর্মেশন অবকাঠামো, অসংগঠিত ডেটা (আয় প্রতিবেদন পিডিএফ ফাইল, উপার্জন কল অডিও ফাইল) এবং কাঠামোগত ডেটা (স্টক টাইম সিরিজ) বিধানের জন্য টেমপ্লেট।
পরিশিষ্টের শেষে, আর্থিক বিশ্লেষক দ্বারা জিজ্ঞাসা করা বিভিন্ন প্রশ্ন, এজেন্ট টুল আহ্বান করা হয়েছে, এবং মাল্টি-মডেল এজেন্টের উত্তর সারণী করা হয়েছে।
পরিষ্কার কর
আপনি মাল্টি-মডেল এজেন্ট চালানোর পরে, ব্যবহার করা হবে না এমন কোনও সংস্থান পরিষ্কার করতে ভুলবেন না। ব্যবহৃত ডাটাবেসগুলি বন্ধ করুন এবং মুছুন (এথেনা)। উপরন্তু, Amazon S3-এ ডেটা মুছে ফেলুন এবং যেকোন সেজমেকার স্টুডিও নোটবুক ইন্সট্যান্স বন্ধ করুন যাতে আর কোনো চার্জ না লাগে। দীর্ঘমেয়াদী মেমরির অংশ হিসাবে Lambda ফাংশন এবং DynamoDB টেবিলগুলি মুছুন যা ব্যবহার করা হয় না। আপনি যদি সেজমেকার রিয়েল-টাইম এন্ডপয়েন্ট হিসাবে একটি এলএলএম স্থাপন করতে সেজমেকার জাম্পস্টার্ট ব্যবহার করেন তবে সেজমেকার কনসোল বা সেজমেকার স্টুডিওর মাধ্যমে শেষ পয়েন্টটি মুছুন।
উপসংহার
এই পোস্টটি AWS স্টোরেজ, AI/ML, এবং গণনা পরিষেবাগুলির বিস্তৃত পরিসর প্রদর্শন করেছে যা আপনি ল্যাংচেইন ফ্রেমওয়ার্ক এবং জেনারেটিভ এআই সহ একটি উন্নত মাল্টি-মডেল এআই সমাধান তৈরি করতে ব্যবহার করতে পারেন। এনএলপি, স্পিচ রিকগনিশন এবং এমএল প্রযুক্তিকে একীভূত করার মাধ্যমে, এই পরিস্থিতিতে তৈরি করা মাল্টি-মডেল এজেন্ট বিভিন্ন আর্থিক ডেটা পদ্ধতি (কাঠামোগত এবং অসংগঠিত) বিশ্লেষণ করতে এবং প্রাকৃতিক ভাষায় (ইংরেজি) প্রম্পটগুলির প্রতিক্রিয়া জানাতে সক্ষম। এটি আর্থিক বিশ্লেষকদের উত্পাদনশীলতা এবং দক্ষতা বাড়ায়, তাদের উচ্চ-মূল্যবান, কৌশলগত কাজের উপর ফোকাস করার অনুমতি দেয়। AWS দ্বারা চালিত মাল্টি-মডেল AI সমাধানগুলি পুনরাবৃত্তিমূলক কাজগুলিকে স্বয়ংক্রিয় করে, মানুষের সক্ষমতা বৃদ্ধি করে এবং দক্ষতার সাথে ডেটা-চালিত অন্তর্দৃষ্টি তৈরি করে আর্থিক বাজারকে রূপান্তরিত করার ক্ষমতা রাখে। স্ট্রাকচার্ড ডেটার জন্য, একাধিক ডাটাবেস সহ একটি আধুনিক ডেটা আর্কিটেকচার জেনারেটিভ এআই এবং এলএলএম সহ অন্তর্ভুক্ত করা যেতে পারে। আরো বিস্তারিত জানার জন্য, পড়ুন ডেটা অভিজ্ঞতা পুনঃউদ্ভাবন: অন্তর্দৃষ্টি আনলক করতে জেনারেটিভ এআই এবং আধুনিক ডেটা আর্কিটেকচার ব্যবহার করুন. এছাড়াও, পড়ুন আমাজন বেডরক জেনারেটিভ এআই, ফাউন্ডেশন মডেল এবং বৃহৎ ভাষার মডেলে ব্যবহারের ক্ষেত্রে।
উপাঙ্গ
নিম্নোক্ত সারণীতে স্ট্রাকচার্ড এবং আনস্ট্রাকচার্ড ডেটার উপর ভিত্তি করে মাল্টি-মডেল এজেন্টকে জিজ্ঞাসা করার জন্য একজন আর্থিক বিশ্লেষকের উদাহরণ প্রশ্ন রয়েছে।
প্রশ্নের উদ্দেশ্য | UI এর মাধ্যমে আর্থিক বিশ্লেষকদের দ্বারা জিজ্ঞাসা করা প্রশ্ন৷ | এজেন্ট সরঞ্জাম আহ্বান করা হয়েছে | এজেন্ট টুল দ্বারা ব্যবহৃত প্রাথমিক AWS পরিষেবা | মাল্টি মডেল এজেন্ট থেকে উত্তর |
LangChain এজেন্টকে প্রিপ্রসেস করতে এবং সংগৃহীত ডেটা থেকে তথ্য বের করার অনুরোধ জানান | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. টেক্সট এক্সট্রাকশন টুল |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
LangChain এজেন্টকে অডিও রেকর্ডিংগুলিকে পাঠ্যগুলিতে প্রতিলিপি করার জন্য অনুরোধ করুন৷ | 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. |
কোম্পানির আর্থিক স্বাস্থ্য এবং কর্মক্ষমতা বিশ্লেষণ করার জন্য LangChain এজেন্টকে অনুরোধ করুন | 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. |
কোম্পানির আয়ের প্রতিবেদন থেকে কোম্পানির আর্থিক কর্মক্ষমতা বিশ্লেষণ করতে ল্যাংচেইন এজেন্টকে অনুরোধ করুন | 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. |
কোম্পানির আয়ের প্রতিবেদন থেকে কোম্পানির ব্যবস্থাপনা দল এবং ভবিষ্যতের জন্য তাদের পরিকল্পনা বিশ্লেষণ করার জন্য ল্যাংচেইন এজেন্টকে অনুরোধ করুন | 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. |
কোম্পানির আয়ের প্রতিবেদন থেকে কোম্পানির কৌশল বিশ্লেষণ করতে ল্যাংচেইন এজেন্টকে অনুরোধ করুন | 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. |
LangChain এজেন্টকে উপার্জনের কল রেকর্ডিংয়ের অনুভূতি বিশ্লেষণ করতে বলুন | 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. |
সংগৃহীত ডেটা ব্যবহার করে একটি সর্বোত্তম পোর্টফোলিও তৈরি করতে ল্যাংচেইন এজেন্টকে প্রম্পট করুন | 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%' |
লেখক সম্পর্কে
সোভিক কুমার নাথ AWS সহ একজন AI/ML সমাধান স্থপতি। ফাইন্যান্স, অপারেশন, মার্কেটিং, হেলথ কেয়ার, সাপ্লাই চেইন ম্যানেজমেন্ট এবং আইওটিতে এন্ড-টু-এন্ড মেশিন লার্নিং এবং বিজনেস অ্যানালিটিক্স সলিউশন ডিজাইন করার বিস্তর অভিজ্ঞতা রয়েছে তার। সোভিক নিবন্ধ প্রকাশ করেছে এবং এমএল মডেল পর্যবেক্ষণে একটি পেটেন্ট ধারণ করেছে। তিনি সুইজারল্যান্ডের ইউনিভার্সিটি অফ সাউথ ফ্লোরিডা, ইউনিভার্সিটি অফ ফ্রাইবার্গ, খড়গপুর থেকে স্নাতক ডিগ্রী এবং ইন্ডিয়ান ইনস্টিটিউট অফ টেকনোলজি থেকে স্নাতক ডিগ্রি অর্জন করেছেন। কাজের বাইরে, সোভিক ভ্রমণ, ফেরিতে চড়ে এবং সিনেমা দেখতে পছন্দ করেন।
মোহন মুস্তি ডালাস ভিত্তিক সিনিয়র টেকনিক্যাল অ্যাকাউন্ট ম্যানেজার। মোহন গ্রাহকদের আর্কিটেক্ট এবং AWS-এ অ্যাপ্লিকেশন অপ্টিমাইজ করতে সাহায্য করে। মোহন ভারতের জেএনটি বিশ্ববিদ্যালয় থেকে কম্পিউটার সায়েন্স অ্যান্ড ইঞ্জিনিয়ারিং করেছেন। অবসর সময়ে, তিনি তার পরিবারের সাথে সময় কাটাতে এবং ক্যাম্পিং করা উপভোগ করেন।
জিয়া (ভিভian) লি AWS-এর একজন সিনিয়র সলিউশন আর্কিটেক্ট, AI/ML-এ বিশেষীকরণ সহ। তিনি বর্তমানে আর্থিক শিল্পে গ্রাহকদের সমর্থন করেন। 2022 সালে AWS-এ যোগদানের আগে, ব্যবসায়িক ফলাফল চালানোর জন্য ক্লাউডে AI/ML ব্যবহার করে এন্টারপ্রাইজ গ্রাহকদের সমর্থন করার 7 বছরের অভিজ্ঞতা ছিল। ভিভিয়ান পিকিং বিশ্ববিদ্যালয় থেকে বিএস এবং ইউনিভার্সিটি অফ সাউদার্ন ক্যালিফোর্নিয়া থেকে পিএইচডি করেছেন। তার অবসর সময়ে, তিনি সমস্ত জল ক্রিয়াকলাপ উপভোগ করেন এবং তার নিজ রাজ্য, কলোরাডোতে সুন্দর পাহাড়ে হাইকিং করেন।
উচেন্না এগবে একজন AIML সলিউশন আর্কিটেক্ট যিনি পুনর্ব্যবহারযোগ্য AIML সলিউশন তৈরি করতে উপভোগ করেন। উচেন্না ইউনিভার্সিটি অফ আলাস্কা ফেয়ারব্যাঙ্কস থেকে এমএস করেছেন। তিনি তার অবসর সময় কাটান ভেষজ, চা, সুপারফুড এবং কীভাবে সেগুলিকে তার দৈনন্দিন খাদ্যতালিকায় অন্তর্ভুক্ত করতে হয় সে সম্পর্কে গবেষণা করতে।
Navneet টুটেজা আমাজন ওয়েব সার্ভিসের একজন ডেটা বিশেষজ্ঞ। AWS-এ যোগদানের আগে, নবনীত তাদের ডেটা আর্কিটেকচারের আধুনিকীকরণ এবং ব্যাপক AI/ML সমাধানগুলি বাস্তবায়ন করতে চাওয়া সংস্থাগুলির জন্য একজন সুবিধাদাতা হিসাবে কাজ করেছিলেন। তিনি থাপার ইউনিভার্সিটি থেকে ইঞ্জিনিয়ারিং ডিগ্রি অর্জন করেছেন, পাশাপাশি টেক্সাস এএন্ডএম বিশ্ববিদ্যালয় থেকে পরিসংখ্যানে স্নাতকোত্তর ডিগ্রি অর্জন করেছেন।
প্রফুল কাভা AWS-এর একজন সিনিয়র স্পেশালিস্ট সলিউশন আর্কিটেক্ট। তিনি গ্রাহকদের AWS-এ ক্লাউড স্কেল অ্যানালিটিক্স পাইপলাইন ডিজাইন এবং ইঞ্জিনিয়ার করার জন্য গাইড করেন। কাজের বাইরে, তিনি তার পরিবারের সাথে ভ্রমণ এবং নতুন হাইকিং ট্রেইল অন্বেষণ উপভোগ করেন।
- এসইও চালিত বিষয়বস্তু এবং পিআর বিতরণ। আজই পরিবর্ধিত পান।
- PlatoData.Network উল্লম্ব জেনারেটিভ Ai. নিজেকে ক্ষমতায়িত করুন। এখানে প্রবেশ করুন.
- প্লেটোএআইস্ট্রিম। Web3 ইন্টেলিজেন্স। জ্ঞান প্রসারিত. এখানে প্রবেশ করুন.
- প্লেটোইএসজি। কার্বন, ক্লিনটেক, শক্তি, পরিবেশ সৌর, বর্জ্য ব্যবস্থাপনা. এখানে প্রবেশ করুন.
- প্লেটো হেলথ। বায়োটেক এবং ক্লিনিক্যাল ট্রায়াল ইন্টেলিজেন্স। এখানে প্রবেশ করুন.
- উত্স: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : আছে
- : হয়
- :না
- :কোথায়
- [পৃ
- $ ইউপি
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA যাচাই
- ক্ষমতা
- সক্ষম
- সম্পর্কে
- প্রবেশ
- হিসাব
- অ্যাকাউন্টস
- সঠিকতা
- সঠিক
- অর্জন
- জাতিসংঘের
- দিয়ে
- ক্রিয়াকলাপ
- আসল
- যোগ
- যোগ
- অগ্রসর
- সুবিধা
- প্রতিনিধি
- এজেন্ট
- কর্মতত্পর
- AI
- এআই পরিষেবা
- এআই সিস্টেমগুলি
- এআই / এমএল
- এআইএমএল
- লক্ষ্য
- আলাস্কা
- সব
- বণ্টন
- অনুমতি
- অনুমতি
- বরাবর
- এছাড়াও
- যদিও
- মর্দানী স্ত্রীলোক
- অ্যামাজন সমঝোতা
- আমাজন কেন্দ্র
- অ্যামাজন টেক্সট্র্যাক
- আমাজন ট্রান্সক্রাইব
- অ্যামাজন ওয়েব সার্ভিসেস
- an
- বিশ্লেষণ
- বিশ্লেষক
- বিশ্লেষকরা
- বৈশ্লেষিক ন্যায়
- বিশ্লেষণ করা
- বিশ্লেষণ
- এবং
- বার্ষিক
- উত্তর
- উত্তর
- নৃতাত্ত্বিক
- কোন
- API
- API কী
- API গুলি
- আবেদন
- অ্যাপ্লিকেশন
- অভিগমন
- যথাযথ
- স্থাপত্য
- রয়েছি
- কাছাকাছি
- প্রবন্ধ
- AS
- জিজ্ঞাসা করা
- সম্পদ
- সহায়তা
- যুক্ত
- At
- অডিও
- উদ্দীপিত
- স্বয়ংক্রিয়
- স্বয়ংক্রিয়করণ
- সহজলভ্য
- ডেস্কটপ AWS
- পিছনে
- ভিত্তি
- BE
- সুন্দর
- হয়েছে
- আগে
- হচ্ছে
- উত্তম
- মধ্যে
- বৃহত্তম
- বিলিয়ন
- উত্সাহ
- বক্স
- নির্মাণ করা
- ভবন
- নির্মিত
- ব্যবসায়
- by
- গণনা করা
- হিসাব করে
- হিসাব
- গণনার
- ক্যালিফোর্নিয়া
- কল
- নামক
- কলিং
- কল
- CAN
- ক্ষমতা
- মামলা
- চেন
- চেইন
- চ্যালেঞ্জ
- পরিবর্তন
- চ্যানেল
- চার্জ
- chatbots
- চেক
- মনোনীত
- ক্লায়েন্ট
- বন্ধ
- মেঘ
- কোড
- সংগ্রহ করা
- কলোরাডো
- সমাহার
- মেশা
- মিশ্রন
- আসে
- আসছে
- যোগাযোগ
- কোম্পানি
- কোম্পানি
- কোম্পানির
- উপযুক্ত
- প্রতিযোগিতা
- প্রতিযোগিতামূলক
- জটিল
- জটিলতা
- উপাদান
- উপাদান
- বোঝা
- ব্যাপক
- গণনা
- গনা
- কম্পিউটার
- কম্পিউটার বিজ্ঞান
- ধারণাসঙ্গত
- উদ্বেগ
- কনফিগারেশন
- সংযোগ
- সংযোগ করা
- গঠিত
- কনসোল
- consolidates
- ভোক্তা
- ধারণ
- প্রসঙ্গ
- একটানা
- অবদান
- কথোপকথন
- রূপান্তর
- ঠিক
- মূল্য
- খরচ
- পারা
- নির্মিত
- বর্তমান
- এখন
- ক্রেতা
- গ্রাহক অভিজ্ঞতা
- গ্রাহকদের
- দৈনিক
- ডালাস
- উপাত্ত
- তথ্য প্রক্রিয়াজাতকরণ
- তথ্য চালিত
- ডেটাবেস
- ডাটাবেস
- তারিখ
- ডিসেম্বর
- সিদ্ধান্ত
- নিবেদিত
- গভীর
- সংজ্ঞায়িত
- সংজ্ঞায়িত
- ডিগ্রী
- চাহিদা
- প্রদর্শন
- প্রদর্শিত
- নির্ভর করে
- স্থাপন
- মোতায়েন
- বর্ণিত
- বিবরণ
- নকশা
- ফন্দিবাজ
- বিস্তারিত
- সনাক্ত
- সনাক্তকরণ
- নির্ধারণ
- উন্নত
- সাধারণ খাদ্য
- বিভিন্ন
- অসুবিধা
- ডুব
- বিচিত্র
- বৈচিত্র্য
- do
- দলিল
- কাগজপত্র
- সম্পন্ন
- ডবল
- নিচে
- ড্রাইভ
- চালিত
- ড্রাইভার
- কারণে
- প্রতি
- রোজগার
- উপার্জন
- উপার্জন কল
- সহজে
- অর্থনৈতিক
- দক্ষতা
- দক্ষ
- দক্ষতার
- প্রচেষ্টা
- পারেন
- ইমেল
- আবির্ভূত হয়
- সক্ষম করা
- সক্রিয়
- encompassing
- শেষ
- সর্বশেষ সীমা
- শেষ
- শেষপ্রান্ত
- প্রকৌশলী
- প্রকৌশল
- ইংরেজি
- উন্নত
- বর্ধনশীল
- প্রবেশন
- উদ্যোগ
- বিনোদন
- বিশেষত
- এমন কি
- উদাহরণ
- শ্রেষ্ঠত্ব
- বিনিময়
- বিদ্যমান
- সম্প্রসারিত
- বিস্তৃত
- সম্প্রসারণ
- অভিজ্ঞতা
- ব্যাখ্যা করা
- অন্বেষণ
- অন্বেষণ করুণ
- এক্সপ্লোরিং
- ব্যাপক
- ব্যাপক অভিজ্ঞতা
- নির্যাস
- নিষ্কাশন
- ফ্যাসিলিটেটর
- সম্মুখ
- পরিবার
- দ্রুত
- কয়েক
- নথি পত্র
- উখার গুঁড়া
- চূড়ান্ত
- অর্থ
- আর্থিক
- অর্থনৈতিক উপাত্ত
- আর্থিক তথ্য
- আর্থিক কর্মক্ষমতা
- আর্থিক ব্যবস্থা
- আবিষ্কার
- আবিষ্কার
- প্রথম
- অভিশংসক
- পাঁচ
- ফ্লোরিডা
- কেন্দ্রবিন্দু
- মনোযোগ
- অনুসরণ
- অনুসরণ
- জন্য
- পূর্বাভাস
- বিন্যাস
- সূত্র
- ভিত
- খণ্ডিত
- ফ্রেমওয়ার্ক
- প্রতারণা
- জালিয়াতি সনাক্তকরণ
- প্রতারণাপূর্ণ
- বিনামূল্যে
- ঘনঘন
- থেকে
- জ্বালানি
- সম্পূর্ণ
- ক্রিয়া
- কার্যকারিতা
- ক্রিয়াকলাপ
- অধিকতর
- ভবিষ্যৎ
- লাভ করা
- হত্তন
- সংগ্রহ করা
- উত্পাদন করা
- উত্পন্ন
- উৎপাদিত
- প্রজন্ম
- সৃজক
- জেনারেটিভ এআই
- GIF
- GitHub
- গোল
- ভাল
- বৃহত্তর
- বড় হয়েছি
- হত্তয়া
- উন্নতি
- নির্দেশিকা
- ছিল
- হাতল
- আছে
- he
- স্বাস্থ্য
- স্বাস্থ্যসেবা
- সাহায্য
- তার
- এখানে
- উচ্চ
- উচ্চস্তর
- ঊর্ধ্বতন
- তার
- ঝুলিতে
- হোম
- হোস্ট
- কিভাবে
- কিভাবে
- যাহোক
- HTTP
- HTTPS দ্বারা
- মানবীয়
- i
- চিহ্নিত
- শনাক্ত
- সনাক্ত করা
- পরিচয়
- if
- প্রকাশ
- চিত্র
- বাস্তবায়ন
- গুরুত্বপূর্ণ
- উন্নত করা
- উন্নতি
- in
- অন্তর্ভুক্ত করা
- অন্তর্ভুক্ত
- সুদ্ধ
- নিগমবদ্ধ
- অন্তর্ভূক্ত
- বৃদ্ধি
- বর্ধিত
- ক্রমবর্ধমান
- ভারত
- ভারতীয়
- শিল্প
- মুদ্রাস্ফীতি
- মুদ্রাস্ফীতি
- মুদ্রাস্ফীতির চাপ
- তথ্য
- পরিকাঠামো
- পরিবর্তন করা
- ইনোভেশন
- ইনপুট
- ভেতরের
- অভ্যন্তরীণ ট্রেডিং
- অর্ন্তদৃষ্টি
- প্রতিষ্ঠান
- একীভূত
- বুদ্ধিমত্তা
- বুদ্ধিমান
- বুদ্ধিমান নথি প্রক্রিয়াকরণ
- মিথষ্ক্রিয়া
- পারস্পরিক ক্রিয়ার
- ইন্টারেক্টিভ
- অন্ত
- মধ্যে
- বিনিয়োগ
- বিনিয়োগ
- বিনিয়োগকারীদের
- প্রার্থনা
- পূজা
- জড়িত
- IOT
- IT
- এর
- যোগদান
- JPG
- চাবি
- কী
- জ্ঞান
- কুমার
- রং
- ভাষা
- বড়
- নেতৃত্ব
- শিক্ষা
- লেভারেজ
- মত
- LIMIT টি
- সংযুক্ত
- তারল্য
- তালিকা
- LLM
- স্থানীয়ভাবে
- যুক্তিবিদ্যা
- দীর্ঘ মেয়াদী
- দেখুন
- খুঁজে দেখো
- ক্ষতি
- কম
- মেশিন
- মেশিন লার্নিং
- প্রধান
- রক্ষণাবেক্ষণযোগ্য
- করা
- তৈরি করে
- ব্যবস্থাপনা
- ব্যবস্থাপনা দল
- দক্ষতা সহকারে হস্তচালন
- পদ্ধতি
- মার্জিন
- বাজার
- বাজারের ম্যানিপুলেশন
- Marketing
- বাজার
- মাস্টার্স
- গাণিতিক
- মে..
- মিডিয়া
- স্মৃতি
- উল্লেখ
- ML
- মডেল
- মূর্তিনির্মাণ
- মডেল
- আধুনিক
- আধুনিকীকরণ
- পর্যবেক্ষণ
- অধিক
- সেতু
- চলচ্চিত্র
- চলন্ত
- MS
- বহু
- অবশ্যই
- নাম
- নাম
- প্রাকৃতিক
- স্বাভাবিক ভাষা প্রক্রিয়াকরণ
- প্রকৃতি
- প্রয়োজনীয়
- প্রয়োজন
- প্রয়োজন
- চাহিদা
- নেতিবাচক
- নেট
- নতুন
- নতুন পণ্য
- সংবাদ
- NLP
- নোটবই
- এখন
- সংখ্যা
- ডুরি
- of
- বন্ধ
- অর্ঘ
- অফার
- on
- ONE
- কর্মক্ষম
- অপারেশনস
- অনুকূল
- অপ্টিমাইজেশান
- অপ্টিমিজ
- অপ্টিমাইজ
- or
- ক্রম
- সংগঠন
- অন্যান্য
- আমাদের
- বাইরে
- বাহিরে
- সামগ্রিক
- অংশ
- পাস
- পেটেণ্ট
- বেতন
- পিডিএফ
- পীকিং
- শতকরা হার
- সম্পাদন করা
- কর্মক্ষমতা
- সম্পাদিত
- পিএইচডি
- বাক্যাংশ
- পরিকল্পনা
- পরিকল্পনা সমূহ
- মাচা
- Plato
- প্লেটো ডেটা ইন্টেলিজেন্স
- প্লেটোডাটা
- দয়া করে
- বিন্দু
- নীতি
- জনপ্রিয়
- জনপ্রিয়তা
- দফতর
- ভঙ্গি
- অবস্থান
- পোস্ট
- সম্ভাব্য
- ক্ষমতা
- চালিত
- চাপ
- আগে
- পূর্বে
- মূল্য
- দাম
- মূল্য
- প্রাথমিকভাবে
- প্রাথমিক
- পূর্বে
- প্রক্রিয়া
- প্রক্রিয়াজাতকরণ
- প্রমোদ
- পণ্য
- মুনাফা
- লাভজনকতা
- লাভ
- উন্নতি
- প্রদান
- উপলব্ধ
- প্রকাশিত
- পাইথন
- গুণ
- মাত্রিক
- সিকি
- প্রশ্নের
- প্রশ্ন
- প্রশ্ন
- দ্রুত
- উদ্ধৃতি
- পরিসর
- হার
- অনুপাত
- RE
- প্রস্তুত
- প্রকৃত সময়
- সাম্প্রতিক
- স্বীকার
- রেকর্ডিং
- পড়ুন
- সংশ্লিষ্ট
- উপর
- প্রাসঙ্গিক
- মনে রাখা
- পুনরাবৃত্তিমূলক
- রিপোর্ট
- রিপোর্ট
- প্রতিবেদন
- প্রতিবেদন
- প্রয়োজনীয়
- প্রয়োজন
- গবেষণা
- Resources
- প্রতিক্রিয়া
- প্রতিক্রিয়া
- প্রতিক্রিয়া
- ফল
- ফলাফল
- খুচরা
- প্রত্যাবর্তন
- পুনর্ব্যবহারযোগ্য
- রাজস্ব
- আয় বৃদ্ধি
- অধিকার
- ঝুঁকি
- ঝুঁকি
- শক্তসমর্থ
- দৈনন্দিন
- চালান
- রান
- s
- S & পি
- ঋষি নির্মাতা
- বিক্রয়
- একই
- সংরক্ষিত
- রক্ষা
- মাপযোগ্য
- স্কেল
- দৃশ্যকল্প
- পরিস্থিতিতে
- বিজ্ঞান
- স্কোর
- SDK
- সার্চ
- অনুসন্ধান
- দ্বিতীয়
- অধ্যায়
- বিভাগে
- নিরাপদ
- দেখ
- এইজন্য
- সচেষ্ট
- আহ্বান
- মনে হয়
- নির্বাচন
- আত্ম
- জ্যেষ্ঠ
- অনুভূতি
- অনুভূতি
- ক্রম
- সেবা
- সেবা
- সেশন
- সে
- স্বল্পমেয়াদী
- স্বল্পমেয়াদী তারল্য
- উচিত
- গ্লাসকেস
- প্রদর্শিত
- শো
- বন্ধ করুন
- গুরুত্বপূর্ণ
- অনুরূপ
- সহজ
- দক্ষতা
- সামাজিক
- সামাজিক মাধ্যম
- সমাধান
- সলিউশন
- কিছু
- বাস্তববুদ্ধিসম্পন্ন
- উৎস
- সোর্স
- দক্ষিণ
- দক্ষিণ ফ্লোরিডা
- দক্ষিণ
- বিশেষজ্ঞ
- নির্দিষ্ট
- বক্তৃতা
- কন্ঠ সনান্তকরণ
- স্পীড
- খরচ
- বিস্তার
- প্রমিতকরণ
- রাষ্ট্র
- পরিসংখ্যান
- থাকা
- ধাপ
- প্রারম্ভিক ব্যবহারের নির্দেশাবলী
- স্টক
- Stocks
- থামুন
- স্টোরেজ
- দোকান
- সঞ্চিত
- দোকান
- সংরক্ষণ
- কৌশলগত
- কৌশল
- শক্তিশালী
- গঠন
- কাঠামোবদ্ধ
- চিত্রশালা
- চাঁদা
- সদস্যতাগুলি
- এমন
- উপযুক্ত
- অনুসরণ
- সংক্ষিপ্ত করা
- সংক্ষিপ্তসার
- সরবরাহকারীদের
- সরবরাহ
- সরবরাহ শৃঙ্খল
- সাপ্লাই চেইন ম্যানেজমেন্ট
- সমর্থন
- সমর্থক
- সমর্থন
- নিশ্চিত
- সুইজারল্যান্ড
- পদ্ধতি
- সিস্টেম
- টেবিল
- গ্রহণ
- কার্য
- কাজ
- টীম
- কারিগরী
- প্রযুক্তি
- প্রযুক্তিঃ
- টেমপ্লেট
- টেক্সাস
- পাঠ
- যে
- সার্জারির
- ভবিষ্যৎ
- তথ্য
- উৎস
- তাদের
- তাহাদিগকে
- তারপর
- সেখানে।
- যার ফলে
- এইগুলো
- তারা
- জিনিস
- এই
- যদিও?
- শাসান
- তিন
- দ্বারা
- সময়
- সময় সিরিজ
- থেকে
- টুল
- টুলকিট
- সরঞ্জাম
- শীর্ষ
- বিষয়
- মোট
- লেনদেন
- রেলগাড়ি
- প্রতিলিপি
- রুপান্তর
- রুপান্তর
- পরিবহন
- ভ্রমণ
- প্রবণতা
- দুই
- আদর্শ
- ধরনের
- ui
- বোঝা
- বোধশক্তি
- বিশ্ববিদ্যালয়
- আনলক
- উদ্ঘাটন
- আসন্ন
- আপডেট
- us
- ব্যবহার
- ব্যবহৃত
- ব্যবহারকারী
- ব্যবহারকারী
- ব্যবহারসমূহ
- ব্যবহার
- ব্যবহার
- ব্যবহার
- দামি
- মূল্য
- বৈচিত্র্য
- বিভিন্ন
- সংস্করণ
- মাধ্যমে
- ভিডিও
- ভলিউম
- ছিল
- পর্যবেক্ষক
- পানি
- উপায়..
- উপায়
- we
- ওয়েব
- ওয়েব সার্ভিস
- আমরা একটি
- ছিল
- কি
- কখন
- যে
- হু
- ব্যাপক
- প্রশস্ত পরিসর
- ইচ্ছা
- সঙ্গে
- মধ্যে
- হয়া যাই ?
- কাজ করছে
- কর্মপ্রবাহ
- বছর
- বছর
- আপনি
- আপনার
- zephyrnet