Multimodale data er en værdifuld komponent i den finansielle industri, der omfatter markeds-, økonomi-, kunde-, nyheder og sociale medier samt risikodata. Finansielle organisationer genererer, indsamler og bruger disse data til at få indsigt i finansielle operationer, træffe bedre beslutninger og forbedre ydeevnen. Der er dog udfordringer forbundet med multimodale data på grund af kompleksiteten og den manglende standardisering i finansielle systemer og dataformater og kvalitet, samt dataenes fragmenterede og ustrukturerede karakter. Finansielle kunder har ofte beskrevet den operationelle overhead ved at få økonomisk indsigt fra multimodale data, hvilket nødvendiggør kompleks udvinding og transformationslogik, hvilket fører til oppustet indsats og omkostninger. Tekniske udfordringer med multimodale data omfatter yderligere kompleksiteten ved at integrere og modellere forskellige datatyper, vanskeligheden ved at kombinere data fra flere modaliteter (tekst, billeder, lyd, video) og behovet for avancerede computervidenskabelige færdigheder og sofistikerede analyseværktøjer.
En af de måder at håndtere multimodale data på, der vinder popularitet, er brugen af multimodale agenter. Multimodale agenter er AI-systemer, der kan forstå og analysere data i flere modaliteter ved hjælp af de rigtige værktøjer i deres værktøjskasse. De er i stand til at forbinde indsigt på tværs af disse forskellige datatyper for at opnå en mere omfattende forståelse og generere passende svar. Multimodale agenter, i forbindelse med generativ AI, finder en bred anvendelse på de finansielle markeder. Følgende er et par populære tilfælde:
- Smart rapportering og markedsintelligens – AI kan analysere forskellige kilder til finansiel information for at generere markedsintelligensrapporter, hjælpe analytikere, investorer og virksomheder med at holde sig opdateret om tendenser. Multimodale agenter kan hurtigt opsummere lange økonomiske rapporter, hvilket sparer analytikere betydelig tid og kræfter.
- Kvantitativ modellering og prognose – Generative modeller kan syntetisere store mængder finansielle data for at træne maskinlæringsmodeller (ML) til applikationer som aktiekursprognose, porteføljeoptimering, risikomodellering og mere. Multimodale modeller, der forstår forskellige datakilder, kan give mere robuste prognoser.
- Overholdelse og afsløring af svindel – Denne løsning kan udvides til at omfatte overvågningsværktøjer, der analyserer kommunikationskanaler som opkald, e-mails, chats, adgangslogfiler og mere for at identificere potentiel insiderhandel eller markedsmanipulation. Opdagelse af svigagtig samordning på tværs af datatyper kræver multimodal analyse.
En multimodal agent med generativ AI øger produktiviteten hos en finansanalytiker ved at automatisere gentagne og rutinemæssige opgaver, hvilket frigør tid for analytikere til at fokusere på arbejde af høj værdi. Multimodale agenter kan forstærke en analytikers evne til at få indsigt ved at hjælpe med forskning og analyse. Multimodale agenter kan også generere forbedrede kvantitative analyser og finansielle modeller, hvilket gør det muligt for analytikere at arbejde hurtigere og med større nøjagtighed.
Implementering af en multimodal agent med AWS konsoliderer nøgleindsigter fra forskellige strukturerede og ustrukturerede data i stor skala. Multimodale agenter kan nemt kombinere kraften fra generative AI-tilbud fra Amazonas grundfjeld , Amazon SageMaker JumpStart med databehandlingskapaciteterne fra AWS Analytics og AI/ML-tjenester til at levere agile løsninger, der gør det muligt for finansanalytikere effektivt at analysere og indsamle indsigt fra multimodale data på en sikker og skalerbar måde i AWS. Amazon tilbyder en række AI-tjenester, der muliggør naturlig sprogbehandling (NLP), talegenkendelse, tekstudtræk og søgning:
- Amazon Comprehend er en NLP-tjeneste, der kan analysere tekst for nøglesætninger og analysere følelser
- amazontekst er en intelligent dokumentbehandlingstjeneste, der nøjagtigt kan udtrække tekst og data fra dokumenter
- Amazon Transcrib er en automatisk talegenkendelsestjeneste, der kan konvertere tale til tekst
- Amazon Kendra er en virksomhedssøgningstjeneste drevet af ML til at finde informationen på tværs af en række datakilder, herunder dokumenter og vidensbaser
I dette indlæg viser vi et scenarie, hvor en finansanalytiker interagerer med organisationens multimodale data, der er bosat i specialbyggede datalagre, for at indsamle økonomisk indsigt. I interaktionen demonstrerer vi, hvordan multimodale agenter planlægger og kører brugerforespørgslen og henter resultaterne fra de relevante datakilder. Alt dette opnås ved hjælp af AWS-tjenester, hvilket øger finansanalytikerens effektivitet til at analysere multimodale finansielle data (tekst, tale og tabeldata) holistisk.
Følgende skærmbillede viser et eksempel på brugergrænsefladen.
Løsningsoversigt
Følgende diagram illustrerer den konceptuelle arkitektur til brug af generativ AI med multimodale data ved hjælp af agenter. De involverede trin er som følger:
- Finansanalytikeren stiller spørgsmål via en platform som chatbots.
- Platformen bruger en ramme til at bestemme det mest egnede multimodale agentværktøj til at besvare spørgsmålet.
- Når den er identificeret, kører platformen koden, der er knyttet til det tidligere identificerede værktøj.
- Værktøjet genererer en analyse af de finansielle data som anmodet af finansanalytikeren.
- Ved opsummering af resultaterne henter og rapporterer store sprogmodeller til finansanalytikeren.
Teknisk arkitektur
Den multimodale agent orkestrerer forskellige værktøjer baseret på naturligt sproglige opfordringer fra forretningsbrugere for at generere indsigt. Til ustrukturerede data bruger agenten AWS Lambda funktioner med AI-tjenester såsom Amazon Textract til dokumentanalyse, Amazon Transcribe til talegenkendelse, Amazon Comprehend til NLP og Amazon Kendra til intelligent søgning. Til strukturerede data bruger agenten SQL Connector og SQLAlchemy til at analysere databaser, hvilket inkluderer Amazonas Athena. Agenten bruger også Python i Lambda og Amazon SageMaker SDK til beregninger og kvantitativ modellering. Agenten har også langtidshukommelse til lagring af prompter og resultater Amazon DynamoDB. Den multimodale agent ligger i en SageMaker notesbog og koordinerer disse værktøjer baseret på engelske prompter fra forretningsbrugere i en Streamlit UI.
Nøglekomponenterne i den tekniske arkitektur er som følger:
- Datalagring og analyse – De kvartalsvise økonomiske indtjeningsoptagelser som lydfiler, finansielle årsrapporter som PDF-filer og S&P aktiedata som CSV-filer hostes på Amazon Simple Storage Service (Amazon S3). Dataudforskning af aktiedata udføres ved hjælp af Athena.
- Store sprogmodeller – De store sprogmodeller (LLM'er) er tilgængelige via Amazon Bedrock, SageMaker JumpStart eller en API.
- Agenter – Vi bruger LangChains agenter til en ikke-forudbestemt kæde af opkald som brugerinput til LLM'er og andre værktøjer. I disse typer kæder er der en agent, der har adgang til en række værktøjer. Hvert værktøj er bygget til en bestemt opgave. Afhængigt af brugerinput bestemmer agenten, hvilket værktøj eller en kombination af værktøjer, der skal ringes til for at besvare spørgsmålet. Vi har lavet følgende specialbyggede agentværktøjer til vores scenarie:
- Værktøj til aktieforespørgsel – At forespørge S&P lagerdata ved hjælp af Athena og SQLAlchemy.
- Porteføljeoptimeringsværktøj – At opbygge en portefølje baseret på de valgte aktier.
- Opslagsværktøj til finansiel information – At søge efter oplysninger om økonomisk indtjening, der er gemt i flersidede PDF-filer ved hjælp af Amazon Kendra.
- Python-beregningsværktøj – Bruges til matematiske beregninger.
- Værktøj til stemningsanalyse - At identificere og score følelser om et emne ved hjælp af Amazon Comprehend.
- Værktøj til registrering af sætninger – At finde nøglesætninger i de seneste kvartalsrapporter ved hjælp af Amazon Comprehend.
- Tekstekstraktionsværktøj – At konvertere PDF-versionerne af kvartalsrapporter til tekstfiler ved hjælp af Amazon Textract.
- Transskriber lydværktøj – At konvertere lydoptagelser til tekstfiler ved hjælp af Amazon Transcribe.
Agenthukommelsen, der indeholder kæden af brugerinteraktioner med agenten, gemmes i DynamoDB.
De følgende afsnit forklarer nogle af de primære trin med tilhørende kode. For at dykke dybere ned i løsningen og koden for alle de trin, der er vist her, henvises til GitHub repo.
Forudsætninger
For at køre denne løsning skal du have en API-nøgle til en LLM, såsom Anthropic Claude v2, eller have adgang til Amazon Bedrock-fundamentmodeller.
For at generere svar fra strukturerede og ustrukturerede data ved hjælp af LLM'er og LangChain skal du have adgang til LLM'er gennem enten Amazon Bedrock, SageMaker JumpStart eller API-nøgler og for at bruge databaser, der er kompatible med SQLAlchemy. AWS identitets- og adgangsstyring (IAM) politikker er også påkrævet, detaljerne som du kan finde i GitHub repo.
Nøglekomponenter i en multimodal agent
Der er et par nøglekomponenter i den multimodale agent:
- Funktioner defineret for værktøjer af den multimodale agent
- Værktøjer defineret for den multimodale agent
- Langtidshukommelse for den multimodale agent
- Planner-executor baseret multimodal agent (defineret med værktøjer, LLM'er og hukommelse)
I dette afsnit illustrerer vi nøglekomponenterne med tilhørende kodestykker.
Funktioner defineret for værktøjer af den multimodale agent
Den multimodale agent skal bruge forskellige AI-tjenester til at behandle forskellige typer data – tekst, tale, billeder og mere. Nogle af disse funktioner skal muligvis kalde AWS AI-tjenester som Amazon Comprehend for at analysere tekst, Amazon Textract til at analysere billeder og dokumenter og Amazon Transcribe for at konvertere tale til tekst. Disse funktioner kan enten kaldes lokalt i agenten eller implementeres som Lambda-funktioner, som agenten kan påberåbe. Lambda-funktionerne ringer internt til de relevante AWS AI-tjenester og returnerer resultaterne til agenten. Denne tilgang modulariserer logikken og gør agenten mere vedligeholdelig og udvidelsesbar.
Den følgende funktion definerer, hvordan den optimerede portefølje beregnes ud fra de valgte aktier. En måde at konvertere en Python-baseret funktion til et LLM-værktøj er at bruge BaseTool indpakning.
Følgende er koden til Lambda, der kalder AWS AI-tjenesten (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API'er:
Værktøjer defineret for den multimodale agent
Den multimodale agent har adgang til forskellige værktøjer for at aktivere dens funktionalitet. Det kan forespørge i en aktiedatabase for at besvare spørgsmål om aktier. Det kan optimere en portefølje ved hjælp af et dedikeret værktøj. Den kan hente oplysninger fra Amazon Kendra, Amazons virksomhedssøgetjeneste. Et Python REPL-værktøj tillader agenten at køre Python-kode. Et eksempel på strukturen af værktøjerne, herunder deres navne og beskrivelser, er vist i følgende kode. Den faktiske værktøjskasse i dette indlæg har otte værktøjer: Aktieforespørgselsværktøj, Portfolio Optimization Tool, Financial Information Lookup Tool, Python Calculation Tool, Sentiment Analysis Tool, Detect Phrases Tool, Text Extraction Tool og Transscribe Audio Tool.
Langtidshukommelse for den multimodale agent
Den følgende kode illustrerer konfigurationen af langtidshukommelsen for den multimodale agent. I denne kode tilføjes DynamoDB-tabel som hukommelse for at gemme meddelelser og svar til fremtidig reference.
Planlægger-udfører baseret multimodal agent
planlægger-udfører baseret multimodal agentarkitektur har to hovedkomponenter: en planlægger og en udfører. Planlæggeren genererer en plan på højt niveau med nødvendige trin for at køre og besvare det hurtige spørgsmål. Eksekutøren kører derefter denne plan ved at generere passende systemsvar for hvert plantrin ved hjælp af sprogmodellen med nødvendige værktøjer. Se følgende kode:
Eksempelscenarier baseret på spørgsmål stillet af finansanalytiker
I dette afsnit udforsker vi to eksempler på scenarier for at illustrere de ende-til-ende-trin, der udføres af den multimodale agent baseret på spørgsmål stillet af finansanalytiker.
Scenario 1: Spørgsmål fra finansanalytiker relateret til strukturerede data
I dette scenarie stiller finansanalytikeren et spørgsmål på engelsk relateret til virksomheders aktier til den multimodale agent. Den multimodale LangChain-agent kommer med en flertrinsplan og beslutter, hvilke værktøjer der skal bruges til hvert trin. Følgende diagram illustrerer et eksempel på en arbejdsgang med følgende trin:
- Finansanalytikeren stiller et finansielt spørgsmål på engelsk gennem brugergrænsefladen til den multimodale agent.
- Agenten identificerer, at det kræver databaseværktøjet at besvare spørgsmålet. Den genererer en SQL-forespørgsel ved hjælp af en LLM baseret på spørgsmålet og forespørger Athena-databasen.
- Athena kører SQL-forespørgslen, henter det relevante resultat (aktiekurstidsserier for de fem virksomheder) og videregiver resultatet med relevante data til agenten.
- Agenten identificerer, at det kræver et andet værktøj til at besvare spørgsmålet. Den sender de hentede data til Python-værktøjet til porteføljeoptimering.
- Python-værktøjet beregner den nødvendige optimale portefølje, inklusive vægte, og sender svaret til LLM i agenten.
- Agenten sammensætter de nødvendige oplysninger og beregninger ved hjælp af LLM og besvarer finansanalytikeren via brugergrænsefladen på engelsk.
Finansanalytikeren stiller følgende spørgsmål:
"Hvad er slutkurserne for aktier AAAA, WWW, DDD i år 2018? Kan du opbygge en optimeret portefølje ved hjælp af disse tre aktier?"
Følgende kode viser de trin, der er identificeret af planlæggeren af den multimodale agent:
Agenten oversatte spørgsmålet til følgende SQL-forespørgsel:
Følgende kode viser det endelige svar fra den multimodale agent baseret på spørgsmålet:
Scenarie 2: Spørgsmål fra finansanalytiker relateret til ustrukturerede data
I dette scenarie stiller en finansanalytiker flere spørgsmål om virksomhedens økonomiske helbred til den multimodale agent. Agenten kalder to værktøjsagenter, Amazon Kendra med ustrukturerede data og et Python-beregningsværktøj, til at indsamle information og udføre de nødvendige beregninger. Agenten kompilerer derefter oplysningerne fra værktøjerne ved hjælp af sin sprogmodel og giver analytikeren det fulde svar. Nøglen i dette scenarie er, at agenten kan huske spørgsmålene og svarene fra de foregående spørgsmål og inkorporerer konteksten i samtalen. Følgende diagram illustrerer arbejdsgangen, som består af følgende trin:
- Finansanalytikeren stiller et finansielt spørgsmål på engelsk gennem brugergrænsefladen til den multimodale agent.
- Agenten identificerer, at det kræver Amazon Kendra-værktøjet for at besvare spørgsmålet og påberåber sig Amazon Kendra-agentværktøjet.
- Amazon Kendra søger i det ustrukturerede datakorpus i Amazon S3 og henter det relevante dokument, der indeholder svaret.
- Ved at bruge Retrieval Augmented Generation (RAG) sender Amazon Kendra svaret fra det relevante dokument til LLM i agenten.
- Agenten identificerer, at det kræver et andet værktøj til at besvare den anden del af spørgsmålet. Den videregiver information fra det første værktøj til Python-beregningsværktøjet.
- Python-værktøjet beregner det nødvendige forhold og sender svaret til LLM'en i agenten.
- Agenten kompilerer de nødvendige oplysninger og beregninger ved hjælp af LLM og svarer finansanalytikeren via brugergrænsefladen.
Følgende er spørgsmål og svar mellem analytikeren og den multimodale agent.
Agenten besvarer spørgsmålet "Hvad er Amazons nettotab for regnskabsåret, der slutter i december 2022?” med “Amazon rapporterede et samlet nettosalg på 514.0 milliarder USD og et nettotab på 2.7 milliarder USD for regnskabsåret 2022.” Kilden er Amazon 10K-rapporten for regnskabsåret, der sluttede december 2022, hentet ved hjælp af Retrive_Kendra
Værktøj.
Til spørgsmålet "Hvad er nettotabet for samme år?" svarer agenten "2.7 milliarder dollars." Kilden er Amazon 10K-rapporten for regnskabsåret, der sluttede december 2022, hentet ved hjælp af Retrive_Kendra
Værktøj. Bemærk, at selvom spørgsmålet ligner det andet spørgsmål, angav dette spørgsmål ikke firmanavnet eller årsnummeret. Agenten var dog i stand til at bruge det korrekte firmanavn og årstal baseret på konteksten i samtalehukommelsen.
Til spørgsmålet "Hvad er formlen for Netto Profit Margin Ratio, som er en type rentabilitetsforhold?” svarer agenten “Amazon rapporterede et samlet nettosalg på $514.0 milliarder og et nettotab på $2.7 milliarder for regnskabsåret 2022. Netto profitmarginratioen for Amazon for regnskabsåret 2022 er -0.5 %.” Kilden er Retrieve_Kendra
, PythonREPLTool().
Dyk dybere ned i løsningen
For at dykke dybere ned i løsningen og koden vist i dette indlæg, tjek GitHub repo.
I GitHub-reposen vil du være i stand til at finde en Python-notesbog, der har end-to-end-løsningen, en AWS CloudFormation skabelon til levering af infrastrukturen, ustrukturerede data (indtjeningsrapporter PDF-filer, indtjeningsopkaldslydfiler) og strukturerede data (aktier tidsserier).
I appendiks til sidst er forskellige spørgsmål stillet af finansanalytiker, agentværktøjer påberåbt, og svaret fra den multimodale agent er blevet opstillet i tabelform.
Ryd op
Når du har kørt den multimodale agent, skal du sørge for at rydde op i alle ressourcer, der ikke vil blive brugt. Luk ned og slet de anvendte databaser (Athena). Derudover skal du slette dataene i Amazon S3 og stoppe eventuelle SageMaker Studio-notebook-forekomster for ikke at pådrage dig yderligere gebyrer. Slet Lambda-funktionerne og DynamoDB-tabellerne som en del af langtidshukommelsen, der ikke bruges. Hvis du brugte SageMaker JumpStart til at implementere en LLM som et SageMaker-endepunkt i realtid, skal du slette slutpunktet via enten SageMaker-konsollen eller SageMaker Studio.
Konklusion
Dette indlæg demonstrerede det brede udvalg af AWS-lagring, AI/ML og computertjenester, som du kan bruge til at bygge en avanceret multimodal AI-løsning sammen med LangChain-rammeværket og generativ AI. Ved at integrere NLP-, talegenkendelses- og ML-teknologier er den multimodale agent udviklet i dette scenarie i stand til at analysere forskellige finansielle datamodaliteter (strukturerede og ustrukturerede) og reagere på prompter på naturligt sprog (engelsk). Dette øger produktiviteten og effektiviteten hos finansanalytikere, hvilket giver dem mulighed for at fokusere på strategisk arbejde af høj værdi. Multimodale AI-løsninger drevet af AWS har potentialet til at transformere finansielle markeder ved at automatisere gentagne opgaver, forbedre menneskelige evner og generere datadrevet indsigt effektivt. For strukturerede data kan en moderne dataarkitektur med flere databaser inkorporeres med generativ AI og LLM. For flere detaljer, se Genopfind dataoplevelsen: Brug generativ AI og moderne dataarkitektur til at låse op for indsigt. Se også Amazonas grundfjeld til use cases på generativ AI, fundamentmodeller og store sprogmodeller.
Tillæg
Følgende tabel indeholder eksempler på spørgsmål fra en finansanalytiker til at stille den multimodale agent baseret på strukturerede og ustrukturerede data.
Spørgsmål Formål | Spørgsmål stillet af finansanalytikere gennem UI | Agentværktøjer påberåbt | Primære AWS-tjenester, der bruges af agentværktøjer | Svar fra multimodal agent |
Bed LangChain-agenten om at forbehandle og udtrække information fra de indsamlede data | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Tekstudtrækningsværktøj |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Bed LangChain-agenten om at transskribere lydoptagelserne til tekster | 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. |
Bed LangChain-agenten om at analysere virksomhedens økonomiske sundhed og ydeevne | 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. |
Bed LangChain-agenten om at analysere virksomhedens økonomiske resultater ud fra virksomhedens indtjeningsrapporter | 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. |
Bed LangChain-agenten om at analysere virksomhedens ledelsesteam og deres planer for fremtiden fra virksomhedens indtjeningsrapporter | 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. |
Bed LangChain-agenten om at analysere virksomhedens strategi ud fra virksomhedens indtjeningsrapporter | 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. |
Bed LangChain-agenten om at udføre en sentimentanalyse på indtjeningsopkaldsoptagelserne | 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. |
Bed LangChain-agenten om at opbygge en optimal portefølje ved hjælp af de indsamlede data | 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%' |
Om forfatterne
Sovik Kumar Nath er AI/ML løsningsarkitekt med AWS. Han har stor erfaring med at designe end-to-end machine learning og forretningsanalyseløsninger inden for økonomi, drift, marketing, sundhedspleje, supply chain management og IoT. Sovik har publiceret artikler og har patent på ML-modelovervågning. Han har dobbelte mastergrader fra University of South Florida, University of Fribourg, Schweiz, og en bachelorgrad fra Indian Institute of Technology, Kharagpur. Uden for arbejdet nyder Sovik at rejse, tage færgeture og se film.
Mohan Musti er Senior Technical Account Manager baseret i Dallas. Mohan hjælper kunder med at bygge og optimere applikationer på AWS. Mohan har Computer Science and Engineering fra JNT University, Indien. I sin fritid nyder han at bruge tid med sin familie og campere.
Jia (Vivian) Li er Senior Solutions Architect i AWS, med speciale i AI/ML. Hun støtter i øjeblikket kunder i den finansielle branche. Før hun kom til AWS i 2022, havde hun 7 års erfaring med at støtte virksomhedskunder med at bruge AI/ML i skyen til at skabe forretningsresultater. Vivian har en BS fra Peking University og en PhD fra University of Southern California. I sin fritid nyder hun alle vandaktiviteterne og at vandre i de smukke bjerge i hendes hjemstat, Colorado.
Uchenna Egbe er en AIML Solutions Architect, der nyder at bygge genanvendelige AIML-løsninger. Uchenna har en MS fra University of Alaska Fairbanks. Han bruger sin fritid på at researche om urter, teer, superfoods, og hvordan man kan inkorporere dem i sin daglige kost.
Navneet Tuteja er dataspecialist hos Amazon Web Services. Før Navneet kom til AWS, arbejdede Navneet som facilitator for organisationer, der søger at modernisere deres dataarkitekturer og implementere omfattende AI/ML-løsninger. Hun har en ingeniøruddannelse fra Thapar University, samt en mastergrad i statistik fra Texas A&M University.
Praful Kava er Sr. Specialist Solutions Architect hos AWS. Han guider kunder til at designe og konstruere Cloud-skala Analytics-pipelines på AWS. Uden for arbejdet nyder han at rejse med sin familie og udforske nye vandrestier.
- 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/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :har
- :er
- :ikke
- :hvor
- ][s
- $OP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- evne
- I stand
- Om
- adgang
- Konto
- Konti
- nøjagtighed
- præcist
- opnået
- opnår
- tværs
- aktiviteter
- faktiske
- tilføjet
- Desuden
- fremskreden
- Fordel
- Agent
- midler
- adræt
- AI
- AI-tjenester
- AI-systemer
- AI / ML
- AIML
- målsætninger
- ALASKA
- Alle
- allokering
- tillade
- tillader
- sammen
- også
- Skønt
- Amazon
- Amazon Comprehend
- Amazon Kendra
- amazontekst
- Amazon Transcrib
- Amazon Web Services
- an
- analyse
- analytiker
- Analytikere
- analytics
- analysere
- analysere
- ,
- årligt
- besvare
- svar
- Antropisk
- enhver
- api
- API NØGLER
- API'er
- Anvendelse
- applikationer
- tilgang
- passende
- arkitektur
- ER
- omkring
- artikler
- AS
- spørg
- Aktiver
- bistår
- forbundet
- At
- lyd
- augmented
- Automatisk Ur
- Automatisering
- til rådighed
- AWS
- tilbage
- baseret
- BE
- smuk
- været
- før
- være
- Bedre
- mellem
- Største
- Billion
- boosts
- Boks
- bygge
- Bygning
- bygget
- virksomhed
- by
- beregne
- beregner
- beregning
- beregninger
- california
- ringe
- kaldet
- ringer
- Opkald
- CAN
- kapaciteter
- tilfælde
- kæde
- kæder
- udfordringer
- Ændringer
- kanaler
- afgifter
- chatbots
- kontrollere
- valgt
- kunder
- lukning
- Cloud
- kode
- indsamler
- Colorado
- kombination
- kombinerer
- kombinerer
- kommer
- kommer
- Kommunikation
- Virksomheder
- selskab
- Selskabs
- kompatibel
- konkurrence
- konkurrencedygtig
- komplekse
- kompleksitet
- komponent
- komponenter
- forstå
- omfattende
- beregninger
- Compute
- computer
- Datalogi
- konceptuelle
- Bekymring
- Konfiguration
- sammenholdt
- Tilslut
- består
- Konsol
- konsoliderer
- forbruger
- indeholder
- sammenhæng
- kontinuerlig
- bidrager
- Samtale
- konvertere
- korrigere
- Koste
- Omkostninger
- kunne
- oprettet
- Nuværende
- For øjeblikket
- kunde
- Kundeoplevelse
- Kunder
- dagligt
- Dallas
- data
- databehandling
- datastyret
- Database
- databaser
- Dato
- december
- afgørelser
- dedikeret
- dybere
- definerede
- definerer
- Degree
- Efterspørgsel
- demonstrere
- demonstreret
- Afhængigt
- indsætte
- indsat
- beskrevet
- beskrivelse
- Design
- designe
- detaljer
- opdage
- Detektion
- Bestem
- udviklet
- Kost
- forskellige
- Vanskelighed
- dyk
- forskelligartede
- diversificere
- do
- dokumentet
- dokumenter
- færdig
- fordoble
- ned
- køre
- drevet
- drivere
- grund
- hver
- Optjening
- Indtjening
- indtjeningsopkald
- nemt
- Økonomisk
- effektivitet
- effektiv
- effektivt
- indsats
- enten
- emails
- fremgår
- muliggøre
- muliggør
- omfatter
- ende
- ende til ende
- slutter
- Endpoint
- ingeniør
- Engineering
- Engelsk
- forbedret
- styrke
- indtastning
- Enterprise
- Underholdning
- især
- Endog
- eksempel
- Excellence
- udveksling
- eksisterende
- udvidet
- ekspanderende
- udvidelse
- erfaring
- Forklar
- udforskning
- udforske
- Udforskning
- omfattende
- Omfattende oplevelse
- ekstrakt
- udvinding
- facilitator
- vender
- familie
- hurtigere
- få
- Filer
- høvle
- endelige
- finansiere
- finansielle
- finansielle data
- økonomisk information
- økonomisk præstation
- finansielle systemer
- Finde
- finde
- Fornavn
- Fiscal
- fem
- florida
- Fokus
- fokusering
- efter
- følger
- Til
- prognoser
- format
- Formula
- Foundation
- fragmenteret
- Framework
- bedrageri
- bedrageri afsløring
- svigagtig
- Gratis
- hyppigt
- fra
- Brændstof
- fuld
- funktion
- funktionalitet
- funktioner
- yderligere
- fremtiden
- Gevinst
- vinder
- samle
- generere
- genererer
- generere
- generation
- generative
- Generativ AI
- gif
- GitHub
- Mål
- godt
- større
- voksede
- Grow
- Vækst
- Guides
- havde
- håndtere
- Have
- he
- Helse
- sundhedspleje
- hjælper
- hende
- link.
- Høj
- højt niveau
- højere
- hans
- besidder
- Home
- hostede
- Hvordan
- How To
- Men
- http
- HTTPS
- menneskelig
- i
- identificeret
- identificerer
- identificere
- Identity
- if
- illustrerer
- billeder
- gennemføre
- vigtigt
- Forbedre
- forbedring
- in
- omfatter
- omfatter
- Herunder
- indarbejde
- Incorporated
- Forøg
- øget
- stigende
- Indien
- indiske
- industrien
- inflation
- inflationær
- Inflationstryk
- oplysninger
- Infrastruktur
- innovere
- Innovation
- indgang
- Insider
- insiderhandel
- indsigt
- Institut
- Integration
- Intelligens
- Intelligent
- Intelligent dokumentbehandling
- interaktion
- interaktioner
- interagerer
- internt
- ind
- Invest
- investere
- Investorer
- påberåbes
- påberåber sig
- involverede
- tingenes internet
- IT
- ITS
- sammenføjning
- jpg
- Nøgle
- nøgler
- viden
- Kumar
- Mangel
- Sprog
- stor
- førende
- læring
- Leverage
- ligesom
- GRÆNSE
- forbundet
- Likviditet
- Liste
- LLM
- lokalt
- logik
- langsigtet
- Se
- kig op
- off
- Lav
- maskine
- machine learning
- Main
- Vedligeholdelig
- lave
- maerker
- ledelse
- Ledelsesteam
- Håndtering
- måde
- Margin
- Marked
- kursmanipulation
- Marketing
- Markeder
- herres
- matematiske
- Kan..
- Medier
- Hukommelse
- nævner
- ML
- model
- modellering
- modeller
- Moderne
- modernisere
- overvågning
- mere
- mest
- Film
- flytning
- MS
- flere
- skal
- navn
- navne
- Natural
- Natural Language Processing
- Natur
- nødvendig
- nødvendiggør
- Behov
- behov
- negativ
- netto
- Ny
- nye produkter
- nyheder
- NLP
- notesbog
- nu
- nummer
- forpligtelser
- of
- off
- tilbud
- Tilbud
- on
- ONE
- operationelle
- Produktion
- optimal
- optimering
- Optimer
- optimeret
- or
- ordrer
- organisationer
- Andet
- vores
- ud
- uden for
- samlet
- del
- gennemløb
- patent
- Betal
- Peking
- procentdel
- Udfør
- ydeevne
- udføres
- phd
- sætninger
- fly
- planer
- perron
- plato
- Platon Data Intelligence
- PlatoData
- Vær venlig
- Punkt
- politikker
- Populær
- popularitet
- portefølje
- udgør
- position
- Indlæg
- potentiale
- magt
- strøm
- pres
- tidligere
- tidligere
- pris
- Priser
- prissætning
- primært
- primære
- Forud
- behandle
- forarbejdning
- produktivitet
- Produkter
- Profit
- rentabilitet
- overskud
- Progress
- give
- giver
- offentliggjort
- Python
- kvalitet
- kvantitativ
- Kvarter
- forespørgsler
- spørgsmål
- Spørgsmål
- hurtigt
- citere
- rækkevidde
- priser
- forholdet
- RE
- klar
- realtid
- nylige
- anerkendelse
- optagelse
- henvise
- relaterede
- relative
- relevant
- huske
- repetitiv
- indberette
- rapporteret
- Rapportering
- Rapporter
- påkrævet
- Kræver
- forskning
- Ressourcer
- Svar
- svar
- reaktioner
- resultere
- Resultater
- detail
- afkast
- genanvendelige
- indtægter
- Omsætningsvækst
- højre
- Risiko
- risici
- robust
- rutine
- Kør
- løber
- s
- S & P
- sagemaker
- salg
- samme
- gemt
- besparelse
- skalerbar
- Scale
- scenarie
- scenarier
- Videnskab
- score
- SDK
- Søg
- søgninger
- Anden
- Sektion
- sektioner
- sikker
- se
- se
- søger
- søger
- synes
- valg
- SELV
- senior
- stemningen
- følelser
- Series
- tjeneste
- Tjenester
- Session
- hun
- kort sigt
- kortsigtet likviditet
- bør
- udstillingsvindue
- vist
- Shows
- Luk ned
- signifikant
- lignende
- Simpelt
- færdigheder
- Social
- sociale medier
- løsninger
- Løsninger
- nogle
- sofistikeret
- Kilde
- Kilder
- Syd
- South Florida
- Syd
- specialist
- specifikke
- tale
- Talegenkendelse
- hastighed
- udgifterne
- spredes
- standardisering
- Tilstand
- statistik
- forblive
- Trin
- Steps
- bestand
- Lagre
- Stands
- opbevaring
- butik
- opbevaret
- forhandler
- lagring
- Strategisk
- Strategi
- Styrke
- struktur
- struktureret
- Studio
- abonnement
- abonnementer
- sådan
- egnede
- suite
- opsummere
- RESUMÉ
- leverandører
- forsyne
- forsyningskæde
- supply chain management
- support
- Støtte
- Understøtter
- sikker
- Schweiz
- systemet
- Systemer
- bord
- tager
- Opgaver
- opgaver
- hold
- Teknisk
- Teknologier
- Teknologier
- skabelon
- Texas
- tekst
- at
- Fremtiden
- oplysninger
- The Source
- deres
- Them
- derefter
- Der.
- derved
- Disse
- de
- ting
- denne
- selvom?
- true
- tre
- Gennem
- tid
- Tidsserier
- til
- værktøj
- toolkit
- værktøjer
- top
- emne
- I alt
- Trading
- Tog
- Transcript
- Transform
- Transformation
- transport
- Traveling
- Tendenser
- to
- typen
- typer
- ui
- forstå
- forståelse
- universitet
- låse
- oplåsning
- kommende
- opdateret
- us
- brug
- anvendte
- Bruger
- brugere
- bruger
- ved brug af
- udnyttet
- udnytter
- Værdifuld
- værdi
- række
- forskellige
- versioner
- via
- video
- mængder
- var
- ser
- Vand
- Vej..
- måder
- we
- web
- webservices
- GODT
- var
- Hvad
- hvornår
- som
- WHO
- bred
- Bred rækkevidde
- vilje
- med
- inden for
- Arbejde
- arbejdede
- workflow
- år
- år
- Du
- Din
- zephyrnet