Inden for kapitalforvaltning skal porteføljeforvaltere nøje overvåge virksomheder i deres investeringsunivers for at identificere risici og muligheder og vejlede investeringsbeslutninger. Sporing af direkte begivenheder som indtjeningsrapporter eller kreditnedgraderinger er ligetil – du kan konfigurere advarsler for at underrette ledere om nyheder, der indeholder virksomhedsnavne. Det er dog en udfordring at opdage anden og tredje ordens påvirkninger, der opstår fra begivenheder hos leverandører, kunder, partnere eller andre enheder i en virksomheds økosystem.
For eksempel vil en forsyningskædeafbrydelse hos en nøgleleverandør sandsynligvis have en negativ indvirkning på downstream-producenter. Eller tabet af en topkunde for en større kunde udgør en efterspørgselsrisiko for leverandøren. Meget ofte lykkes sådanne begivenheder ikke at skabe overskrifter med den berørte virksomhed direkte, men er stadig vigtige at være opmærksomme på. I dette indlæg demonstrerer vi en automatiseret løsning, der kombinerer vidensgrafer og generativ kunstig intelligens (AI) at synliggøre sådanne risici ved at krydshenvise forholdskort med nyheder i realtid.
Overordnet set indebærer dette to trin: For det første opbygning af de indviklede relationer mellem virksomheder (kunder, leverandører, direktører) til en vidensgraf. For det andet ved at bruge denne grafdatabase sammen med generativ AI til at detektere anden- og tredjeordens påvirkninger fra nyhedsbegivenheder. For eksempel kan denne løsning fremhæve, at forsinkelser hos en reservedelsleverandør kan forstyrre produktionen for downstream-bilproducenter i en portefølje, selvom ingen er direkte refereret.
Med AWS kan du implementere denne løsning i en serverløs, skalerbar og fuldt hændelsesdrevet arkitektur. Dette indlæg demonstrerer et proof of concept bygget på to vigtige AWS-tjenester, der er velegnede til grafisk videnrepræsentation og naturlig sprogbehandling: Amazon Neptun , Amazonas grundfjeld. Neptune er en hurtig, pålidelig, fuldt administreret grafdatabasetjeneste, der gør det nemt at bygge og køre applikationer, der fungerer med stærkt forbundne datasæt. Amazon Bedrock er en fuldt administreret tjeneste, der tilbyder et udvalg af højtydende fundamentmodeller (FM'er) fra førende AI-virksomheder som AI21 Labs, Anthropic, Cohere, Meta, Stability AI og Amazon gennem en enkelt API, sammen med et bredt sæt af evner til at bygge generative AI-applikationer med sikkerhed, privatliv og ansvarlig AI.
Overordnet set demonstrerer denne prototype kunsten at mulige med vidensgrafer og generativ AI – at udlede signaler ved at forbinde forskellige prikker. Takeaway for investeringsprofessionelle er evnen til at holde sig på forkant med udviklingen tættere på signalet og samtidig undgå støj.
Byg vidensgrafen
Det første skridt i denne løsning er at bygge en vidensgraf, og en værdifuld, men ofte overset datakilde til vidensgrafer, er virksomhedens årsrapporter. Fordi officielle virksomhedspublikationer gennemgår granskning før udgivelse, er de oplysninger, de indeholder, sandsynligvis nøjagtige og pålidelige. Årsrapporter er dog skrevet i et ustruktureret format beregnet til menneskelig læsning frem for maskinforbrug. For at frigøre deres potentiale har du brug for en måde at systematisk udtrække og strukturere det væld af fakta og relationer, de indeholder.
Med generative AI-tjenester som Amazon Bedrock har du nu mulighed for at automatisere denne proces. Du kan tage en årsrapport og udløse en behandlingspipeline for at indtage rapporten, opdele den i mindre bidder og anvende naturlig sprogforståelse til at trække fremtrædende enheder og relationer ud.
For eksempel vil en sætning, der siger, at "[Virksomhed A] udvidede sin europæiske flåde af elektriske leveringer med en ordre på 1,800 elektriske varevogne fra [Virksomhed B]" give Amazon Bedrock mulighed for at identificere følgende:
- [Virksomhed A] som kunde
- [Virksomhed B] som leverandør
- Et leverandørforhold mellem [Virksomhed A] og [Virksomhed B]
- Relationsoplysninger om "leverandør af elektriske varevogne"
Udtræk af sådanne strukturerede data fra ustrukturerede dokumenter kræver omhyggeligt udformede prompter til store sprogmodeller (LLM'er), så de kan analysere tekst for at trække enheder som virksomheder og mennesker ud, såvel som relationer såsom kunder, leverandører og mere. Prompterne indeholder klare instruktioner om, hvad du skal være opmærksom på, og strukturen for at returnere dataene i. Ved at gentage denne proces på tværs af hele årsrapporten kan du udtrække de relevante enheder og relationer for at konstruere en rig vidensgraf.
Før du overfører den udtrukne information til vidensgrafen, skal du dog først disambiguere entiteterne. For eksempel kan der allerede være en anden '[Virksomhed A]'-enhed i vidensgrafen, men den kan repræsentere en anden organisation med samme navn. Amazon Bedrock kan ræsonnere og sammenligne egenskaber såsom forretningsfokusområde, industri og indtægtsgenererende industrier og relationer til andre enheder for at afgøre, om de to enheder faktisk er adskilte. Dette forhindrer unøjagtig sammenlægning af ikke-relaterede virksomheder til en enkelt enhed.
Når disambigueringen er fuldført, kan du pålideligt tilføje nye entiteter og relationer til din Neptun-vidensgraf og berige den med fakta udtrukket fra årsrapporter. Over tid vil indtagelse af pålidelige data og integration af mere pålidelige datakilder hjælpe med at opbygge en omfattende vidensgraf, der kan understøtte afslørende indsigt gennem grafforespørgsler og analyser.
Denne automatisering aktiveret af generativ AI gør det muligt at behandle tusindvis af årsrapporter og låser op for et uvurderligt aktiv for videngrafkurering, som ellers ville forblive uudnyttet på grund af den uoverkommeligt høje manuelle indsats, der kræves.
Følgende skærmbillede viser et eksempel på den visuelle udforskning, der er mulig i en Neptun-grafdatabase ved hjælp af Graph Explorer værktøj.
Behandle nyhedsartikler
Det næste trin i løsningen er automatisk at berige porteføljeforvalteres nyhedsfeeds og fremhæve artikler, der er relevante for deres interesser og investeringer. For nyhedsfeedet kan porteføljeforvaltere abonnere på enhver tredjeparts nyhedsudbyder igennem AWS dataudveksling eller en anden nyheds-API efter eget valg.
Når en nyhedsartikel kommer ind i systemet, aktiveres en indtagelsespipeline for at behandle indholdet. Ved at bruge teknikker, der ligner behandlingen af årsrapporter, bruges Amazon Bedrock til at udtrække enheder, attributter og relationer fra nyhedsartiklen, som derefter bruges til at disambiguere mod vidensgrafen for at identificere den tilsvarende enhed i vidensgrafen.
Videngrafen indeholder forbindelser mellem virksomheder og mennesker, og ved at linke artikelentiteter til eksisterende noder, kan du identificere, om nogle emner er inden for to hop fra de virksomheder, som porteføljeforvalteren har investeret i eller er interesseret i. At finde en sådan forbindelse indikerer artiklen kan være relevant for porteføljeforvalteren, og fordi de underliggende data er repræsenteret i en vidensgraf, kan den visualiseres for at hjælpe porteføljeforvalteren til at forstå hvorfor og hvordan denne kontekst er relevant. Udover at identificere forbindelser til porteføljen, kan du også bruge Amazon Bedrock til at udføre sentimentanalyse på de enheder, der henvises til.
Det endelige output er et beriget nyhedsfeed, der viser artikler, der sandsynligvis vil påvirke porteføljeforvalterens interesseområder og investeringer.
Løsningsoversigt
Løsningens overordnede arkitektur ser ud som følgende diagram.
Arbejdsgangen består af følgende trin:
- En bruger uploader officielle rapporter (i PDF-format) til en Amazon Simple Storage Service (Amazon S3) spand. Rapporterne bør være officielt offentliggjorte rapporter for at minimere inkluderingen af unøjagtige data i din vidensgraf (i modsætning til nyheder og tabloider).
- S3-begivenhedsmeddelelsen påkalder en AWS Lambda funktion, som sender S3-bøtten og filnavnet til en Amazon Simple Queue Service (Amazon SQS) kø. First-In-First-Out (FIFO)-køen sørger for, at rapportindlæsningsprocessen udføres sekventielt for at reducere sandsynligheden for at indføre duplikerede data i din vidensgraf.
- An Amazon Eventbridge tidsbaseret hændelse kører hvert minut for at starte kørslen af en AWS-trinfunktioner tilstandsmaskine asynkront.
- Step Functions-tilstandsmaskinen kører gennem en række opgaver for at behandle det uploadede dokument ved at udtrække nøgleinformation og indsætte den i din vidensgraf:
- Modtag kømeddelelsen fra Amazon SQS.
- Download PDF-rapportfilen fra Amazon S3, opdel den i flere mindre tekststykker (ca. 1,000 ord) til behandling, og gem tekstklumperne i Amazon DynamoDB.
- Brug Anthropics Claude v3 Sonnet på Amazon Bedrock til at behandle de første par tekststykker for at bestemme hovedenheden, som rapporten henviser til, sammen med relevante attributter (såsom industri).
- Hent tekststykkerne fra DynamoDB, og for hver tekstdel skal du aktivere en Lambda-funktion for at udtrække enheder (såsom virksomhed eller person) og dens relation (kunde, leverandør, partner, konkurrent eller direktør) til hovedenheden ved hjælp af Amazon Bedrock .
- Konsolider alle udtrukne oplysninger.
- Filtrer støj og irrelevante enheder (f.eks. generiske udtryk som "forbrugere") fra ved hjælp af Amazon Bedrock.
- Brug Amazon Bedrock til at udføre disambiguation ved at ræsonnere ved at bruge den udtrukne information mod listen over lignende enheder fra vidensgrafen. Hvis entiteten ikke eksisterer, skal du indsætte den. Ellers skal du bruge den enhed, der allerede findes i vidensgrafen. Indsæt alle udtrukne relationer.
- Ryd op ved at slette SQS-kømeddelelsen og S3-filen.
- En bruger får adgang til en React-baseret webapplikation for at se nyhedsartikler, der er suppleret med oplysninger om entitet, følelser og forbindelsessti.
- Ved hjælp af webapplikationen angiver brugeren antallet af hop (standard N=2) på forbindelsesstien, der skal overvåges.
- Ved hjælp af webapplikationen angiver brugeren listen over enheder, der skal spores.
- For at generere fiktive nyheder vælger brugeren Generer eksempelnyheder at generere 10 eksempler på finansielle nyhedsartikler med tilfældigt indhold, der skal føres ind i nyhedsindtagelsesprocessen. Indhold er genereret ved hjælp af Amazon Bedrock og er rent fiktivt.
- For at downloade aktuelle nyheder vælger brugeren Download de seneste nyheder for at downloade de bedste nyheder, der sker i dag (drevet af NewsAPI.org).
- Nyhedsfilen (TXT-format) uploades til en S3-bøtte. Trin 8 og 9 uploader nyheder til S3-bøtten automatisk, men du kan også bygge integrationer til din foretrukne nyhedsudbyder såsom AWS Data Exchange eller enhver tredjeparts nyhedsudbyder for at droppe nyhedsartikler som filer i S3-bøtten. Nyhedsdatafilens indhold skal formateres som
<date>{dd mmm yyyy}</date><title>{title}</title><text>{news content}</text>
. - S3-hændelsesmeddelelsen sender S3-bøtten eller filnavnet til Amazon SQS (standard), som aktiverer flere Lambda-funktioner for at behandle nyhedsdataene parallelt:
- Brug Amazon Bedrock til at udtrække enheder nævnt i nyhederne sammen med relaterede oplysninger, relationer og følelser fra den nævnte enhed.
- Tjek mod vidensgrafen og brug Amazon Bedrock til at udføre disambiguation ved at ræsonnere ved at bruge de tilgængelige oplysninger fra nyhederne og inde fra vidensgrafen til at identificere den tilsvarende enhed.
- Efter at entiteten er blevet lokaliseret, skal du søge efter og returnere eventuelle forbindelsesstier, der forbinder til enheder markeret med
INTERESTED=YES
i vidensgrafen, der er inden for N=2 hop væk.
- Webapplikationen opdateres automatisk hvert 1. sekund for at trække det seneste sæt af behandlede nyheder ud til visning på webapplikationen.
Implementer prototypen
Du kan implementere prototypeløsningen og begynde at eksperimentere selv. Prototypen er tilgængelig fra GitHub og indeholder detaljer om følgende:
- Forudsætninger for implementering
- Implementeringstrin
- Oprydningstrin
Resumé
Dette indlæg demonstrerede en proof of concept-løsning til at hjælpe porteføljeforvaltere med at opdage anden- og tredjeordens risici fra nyhedsbegivenheder uden direkte referencer til virksomheder, de sporer. Ved at kombinere en vidensgraf over indviklede virksomhedsrelationer med nyhedsanalyse i realtid ved brug af generativ AI, kan downstream-påvirkninger fremhæves, såsom produktionsforsinkelser fra leverandørhikke.
Selvom det kun er en prototype, viser denne løsning løftet om vidensgrafer og sprogmodeller til at forbinde prikker og udlede signaler fra støj. Disse teknologier kan hjælpe investeringsprofessionelle ved at afsløre risici hurtigere gennem kortlægning af forhold og ræsonnement. Samlet set er dette en lovende anvendelse af grafdatabaser og AI, der berettiger udforskning for at øge investeringsanalyse og beslutningstagning.
Hvis dette eksempel på generativ AI i finansielle tjenester er af interesse for din virksomhed, eller du har en lignende idé, så kontakt din AWS-kontoadministrator, og vi vil med glæde udforske yderligere sammen med dig.
Om forfatteren
Xan Huang er Senior Solutions Architect hos AWS og har base i Singapore. Han arbejder sammen med store finansielle institutioner for at designe og bygge sikre, skalerbare og højt tilgængelige løsninger i skyen. Uden for arbejdet bruger Xan det meste af sin fritid med sin familie og bliver styret af sin 3-årige datter. Du kan finde Xan på LinkedIn.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/uncover-hidden-connections-in-unstructured-financial-data-with-amazon-bedrock-and-amazon-neptune/
- :har
- :er
- :ikke
- $OP
- 000
- 1
- 10
- 100
- 7
- 8
- 800
- 9
- a
- evne
- Konto
- præcis
- tværs
- faktiske
- faktisk
- tilføje
- Desuden
- mod
- AI
- AI-tjenester
- Støtte
- Advarsler
- Alle
- tillade
- sammen
- allerede
- også
- Amazon
- Amazon Neptun
- Amazon Web Services
- an
- analyse
- analytics
- analysere
- ,
- årligt
- En anden
- Antropisk
- enhver
- api
- Anvendelse
- applikationer
- Indløs
- cirka
- arkitektur
- ER
- OMRÅDE
- områder
- opstår
- omkring
- Kunst
- artikel
- artikler
- kunstig
- kunstig intelligens
- AS
- aktiv
- formueforvaltning
- At
- opmærksomhed
- attributter
- forøge
- auto
- automatisere
- Automatiseret
- automatisk
- Automation
- til rådighed
- undgå
- væk
- AWS
- AWS dataudveksling
- baseret
- BE
- fordi
- været
- før
- mellem
- Pause
- bred
- bygge
- Bygning
- bygget
- virksomhed
- men
- by
- CAN
- kapaciteter
- kapacitet
- omhyggeligt
- kæde
- udfordrende
- valg
- vælger
- klar
- kunde
- nøje
- tættere
- Cloud
- kombinerer
- begå
- Virksomheder
- selskab
- Selskabs
- sammenligne
- konkurrent
- fuldføre
- omfattende
- Konceptet
- Tilslut
- tilsluttet
- Tilslutning
- tilslutning
- Tilslutninger
- består
- konstruere
- forbrug
- indeholder
- indeholder
- indhold
- sammenhæng
- Corporate
- Tilsvarende
- kunne
- udformet
- kredit
- krydshenvisninger
- datasikring
- kunde
- Kunder
- data
- Dataudveksling
- Database
- databaser
- datasæt
- datter
- Beslutningstagning
- afgørelser
- Standard
- forsinkelser
- glad
- levering
- Efterspørgsel
- demonstrere
- demonstreret
- demonstrerer
- indsætte
- udlede
- Design
- detaljer
- opdage
- Bestem
- udvikling
- diagram
- forskellige
- direkte
- direkte
- Direktør
- direktører
- dårskab
- Skærm
- Afbryde
- Forstyrrelse
- distinkt
- dokumentet
- dokumenter
- gør
- ned
- downloade
- Drop
- grund
- hver
- Indtjening
- økosystem
- indsats
- Elektrisk
- aktiveret
- beriget
- berigende
- Går ind i
- Hele
- enheder
- enhed
- europæisk
- begivenhed
- begivenheder
- Hver
- eksempel
- udveksling
- eksisterer
- eksisterende
- eksisterer
- udvidet
- eksperimentere
- udforskning
- udforske
- ekstrakt
- fakta
- FAIL
- familie
- FAST
- hurtigere
- gennemførlig
- Med
- Fed
- få
- fiktive
- File (Felt)
- Filer
- endelige
- finansielle
- finansielle data
- Finansielle institutioner
- finansielle nyheder
- finansielle tjenesteydelser
- Finde
- finde
- Fornavn
- FLÅDE
- Fokus
- efter
- Til
- format
- Foundation
- Gratis
- fra
- fuldt ud
- funktion
- funktioner
- yderligere
- generere
- genereret
- generative
- Generativ AI
- få
- Go
- graf
- grafer
- vejlede
- Happening
- Have
- he
- Overskrifter
- hjælpe
- Skjult
- Høj
- højtydende
- Fremhæv
- Fremhævet
- fremhæve
- stærkt
- hans
- Hvordan
- Men
- HTTPS
- menneskelig
- idé
- identificere
- identificere
- if
- KIMOs Succeshistorier
- påvirket
- Påvirkninger
- vigtigt
- in
- forkert
- omfatter
- inklusion
- angiver
- industrier
- industrien
- oplysninger
- indsigt
- instans
- institutioner
- anvisninger
- integration
- integrationer
- Intelligens
- interesse
- interesseret
- interesser
- ind
- indviklet
- indføre
- uvurderlig
- investeret
- investering
- investeringsanalyse
- Investeringer
- påberåbes
- påberåber sig
- IT
- ITS
- jpg
- Nøgle
- viden
- Viden Graph
- Labs
- Sprog
- stor
- seneste
- førende
- ligesom
- sandsynlighed
- Sandsynlig
- Linking
- Liste
- placeret
- Se
- UDSEENDE
- off
- maskine
- Main
- større
- lave
- maerker
- lykkedes
- ledelse
- leder
- Ledere
- manuel
- Producenter
- Maps
- markeret
- Kan..
- betød
- nævnte
- sammenlægning
- besked
- Meta
- minimere
- minut
- modeller
- Overvåg
- mere
- mest
- flere
- navn
- navne
- Natural
- Natural Language Processing
- Behov
- behov
- negativt
- Neptune
- Ny
- nyheder
- Nyhedsbegivenheder
- næste
- noder
- Støj
- Ingen
- underretning
- nu
- nummer
- of
- Tilbud
- officiel
- Officielt
- tit
- on
- kun
- Muligheder
- modsætning
- or
- ordrer
- organisation
- Andet
- Ellers
- ud
- output
- uden for
- i løbet af
- samlet
- Parallel
- partner
- partnere
- dele
- sti
- stier
- Betal
- Mennesker
- Udfør
- udføres
- person,
- pipeline
- plato
- Platon Data Intelligence
- PlatoData
- portefølje
- porteføljeforvalter
- porteføljeforvaltere
- udgør
- mulig
- Indlæg
- potentiale
- strøm
- foretrækkes
- forhindrer
- Beskyttelse af personlige oplysninger
- behandle
- Behandlet
- forarbejdning
- produktion
- professionelle partnere
- løfte
- lovende
- prompter
- bevis
- Bevis for koncept
- prototype
- udbyder
- leverer
- publikationer
- offentliggjort
- rent
- forespørgsler
- tilfældig
- hellere
- nå
- Læsning
- realtid
- grund
- reducere
- refereres
- referencer
- relaterede
- forhold
- Relationer
- frigive
- relevant
- pålidelig
- indberette
- Rapporter
- repræsentere
- repræsentation
- repræsenteret
- Kræver
- ansvarlige
- afkast
- afslørende
- Rich
- Risiko
- risici
- Kør
- løber
- samme
- prøve
- skalerbar
- kontrol
- Søg
- Anden
- sikker
- sikkerhed
- sender
- senior
- dømme
- stemningen
- Series
- Serverless
- tjeneste
- Tjenester
- sæt
- bør
- Shows
- Signal
- signaler
- lignende
- Simpelt
- Singapore
- enkelt
- mindre
- So
- løsninger
- Løsninger
- Kilde
- Kilder
- tilbringer
- delt
- Stabilitet
- standard
- starte
- Tilstand
- angivelse
- forblive
- Trin
- Steps
- Stadig
- opbevaring
- butik
- ligetil
- struktur
- struktureret
- Hold mig opdateret
- sådan
- egnet
- leverandør
- leverandører
- forsyne
- forsyningskæde
- support
- sikker
- overflade
- systemet
- systematisk
- Tag
- opgaver
- teknikker
- Teknologier
- vilkår
- tekst
- end
- at
- oplysninger
- deres
- derefter
- Der.
- Disse
- de
- tredjepart
- denne
- selvom?
- tusinder
- Gennem
- tid
- til
- i dag
- sammen
- værktøj
- top
- spor
- Sporing
- udløse
- to
- afdække
- gennemgå
- underliggende
- forstå
- forståelse
- Universe
- låse
- låser op
- ustruktureret
- uudnyttet
- uploadet
- brug
- anvendte
- Bruger
- ved brug af
- Værdifuld
- sælger
- meget
- Specifikation
- visuel
- tegningsretter
- Vej..
- we
- Rigdom
- web
- Webapplikation
- webservices
- GODT
- Hvad
- som
- mens
- hvorfor
- vilje
- med
- inden for
- uden
- ord
- Arbejde
- workflow
- virker
- ville
- skriftlig
- endnu
- Du
- Din
- dig selv
- zephyrnet