Multimodale Daten sind ein wertvoller Bestandteil der Finanzbranche und umfassen Markt-, Wirtschafts-, Kunden-, Nachrichten- und Social-Media- sowie Risikodaten. Finanzorganisationen generieren, sammeln und nutzen diese Daten, um Einblicke in Finanzvorgänge zu gewinnen, bessere Entscheidungen zu treffen und die Leistung zu verbessern. Mit multimodalen Daten sind jedoch Herausforderungen verbunden, die auf die Komplexität und mangelnde Standardisierung der Finanzsysteme, Datenformate und -qualität sowie die fragmentierte und unstrukturierte Natur der Daten zurückzuführen sind. Finanzkunden haben häufig den betrieblichen Aufwand für die Gewinnung finanzieller Erkenntnisse aus multimodalen Daten beschrieben, der eine komplexe Extraktions- und Transformationslogik erfordert, was zu überhöhten Aufwand und Kosten führt. Zu den technischen Herausforderungen bei multimodalen Daten gehören außerdem die Komplexität der Integration und Modellierung verschiedener Datentypen, die Schwierigkeit, Daten aus mehreren Modalitäten (Text, Bilder, Audio, Video) zu kombinieren und der Bedarf an fortgeschrittenen Informatikkenntnissen und ausgefeilten Analysewerkzeugen.
Eine immer beliebter werdende Möglichkeit, mit multimodalen Daten umzugehen, ist der Einsatz multimodaler Agenten. Multimodale Agenten sind KI-Systeme, die mithilfe der richtigen Tools in ihrem Toolkit Daten in mehreren Modalitäten verstehen und analysieren können. Sie sind in der Lage, Erkenntnisse über diese verschiedenen Datentypen hinweg zu verknüpfen, um ein umfassenderes Verständnis zu erlangen und entsprechende Antworten zu generieren. Multimodale Agenten finden in Verbindung mit generativer KI eine weit verbreitete Anwendung auf den Finanzmärkten. Im Folgenden sind einige beliebte Anwendungsfälle aufgeführt:
- Intelligente Berichterstattung und Marktinformationen – KI kann verschiedene Finanzinformationsquellen analysieren, um Marktintelligenzberichte zu erstellen, die Analysten, Investoren und Unternehmen dabei helfen, über Trends auf dem Laufenden zu bleiben. Multimodale Agenten können umfangreiche Finanzberichte schnell zusammenfassen, was den Analysten viel Zeit und Mühe erspart.
- Quantitative Modellierung und Prognose – Generative Modelle können große Mengen an Finanzdaten synthetisieren, um Modelle für maschinelles Lernen (ML) für Anwendungen wie Aktienkursprognosen, Portfoliooptimierung, Risikomodellierung und mehr zu trainieren. Multimodale Modelle, die verschiedene Datenquellen verstehen, können belastbarere Prognosen liefern.
- Compliance und Betrugserkennung – Diese Lösung kann um Überwachungstools erweitert werden, die Kommunikationskanäle wie Anrufe, E-Mails, Chats, Zugriffsprotokolle und mehr analysieren, um potenziellen Insiderhandel oder Marktmanipulation zu erkennen. Die Erkennung betrügerischer Absprachen über Datentypen hinweg erfordert eine multimodale Analyse.
Ein multimodaler Agent mit generativer KI steigert die Produktivität eines Finanzanalysten, indem er sich wiederholende und routinemäßige Aufgaben automatisiert und den Analysten mehr Zeit gibt, sich auf hochwertige Arbeit zu konzentrieren. Multimodale Agenten können die Fähigkeit eines Analysten verbessern, Erkenntnisse zu gewinnen, indem sie ihn bei Recherchen und Analysen unterstützen. Multimodale Agenten können außerdem verbesserte quantitative Analysen und Finanzmodelle erstellen, sodass Analysten schneller und genauer arbeiten können.
Durch die Implementierung eines multimodalen Agenten mit AWS werden wichtige Erkenntnisse aus verschiedenen strukturierten und unstrukturierten Daten in großem Umfang konsolidiert. Multimodale Agenten können die Leistungsfähigkeit generativer KI-Angebote problemlos kombinieren Amazonas Grundgestein machen Amazon SageMaker-JumpStart mit den Datenverarbeitungsfunktionen von AWS Analytics und AI/ML-Diensten, um agile Lösungen bereitzustellen, die es Finanzanalysten ermöglichen, multimodale Daten effizient zu analysieren und auf sichere und skalierbare Weise innerhalb von AWS Erkenntnisse daraus zu gewinnen. Amazon bietet eine Reihe von KI-Diensten an, die die Verarbeitung natürlicher Sprache (NLP), Spracherkennung, Textextraktion und Suche ermöglichen:
- Amazon verstehen ist ein NLP-Dienst, der Texte auf Schlüsselphrasen und Stimmungen analysieren kann
- Amazontext ist ein intelligenter Dokumentenverarbeitungsdienst, der Text und Daten präzise aus Dokumenten extrahieren kann
- Amazon Transcribe ist ein automatischer Spracherkennungsdienst, der Sprache in Text umwandeln kann
- Amazon Kendra ist ein auf ML basierender Unternehmenssuchdienst zum Auffinden von Informationen in einer Vielzahl von Datenquellen, einschließlich Dokumenten und Wissensdatenbanken
In diesem Beitrag stellen wir ein Szenario vor, in dem ein Finanzanalyst mit den multimodalen Daten des Unternehmens interagiert, die sich in speziell entwickelten Datenspeichern befinden, um finanzielle Erkenntnisse zu gewinnen. In der Interaktion demonstrieren wir, wie multimodale Agenten die Benutzerabfrage planen, ausführen und die Ergebnisse aus den relevanten Datenquellen abrufen. All dies wird mithilfe von AWS-Diensten erreicht, wodurch die Effizienz des Finanzanalysten bei der ganzheitlichen Analyse multimodaler Finanzdaten (Text-, Sprach- und Tabellendaten) erhöht wird.
Der folgende Screenshot zeigt ein Beispiel der Benutzeroberfläche.
Lösungsüberblick
Das folgende Diagramm veranschaulicht die konzeptionelle Architektur zur Verwendung generativer KI mit multimodalen Daten mithilfe von Agenten. Die erforderlichen Schritte sind wie folgt:
- Der Finanzanalyst stellt Fragen über eine Plattform wie Chatbots.
- Die Plattform verwendet ein Framework, um das am besten geeignete multimodale Agententool zur Beantwortung der Frage zu ermitteln.
- Nach der Identifizierung führt die Plattform den Code aus, der mit dem zuvor identifizierten Tool verknüpft ist.
- Das Tool erstellt eine vom Finanzanalysten gewünschte Analyse der Finanzdaten.
- Bei der Zusammenfassung der Ergebnisse werden große Sprachmodelle abgerufen und dem Finanzanalysten gemeldet.
Technische Architektur
Der multimodale Agent orchestriert verschiedene Tools auf der Grundlage natürlichsprachlicher Eingabeaufforderungen von Geschäftsbenutzern, um Erkenntnisse zu generieren. Für unstrukturierte Daten verwendet der Agent AWS Lambda Funktionen mit KI-Diensten wie Amazon Textract für die Dokumentenanalyse, Amazon Transcribe für die Spracherkennung, Amazon Comprehend für NLP und Amazon Kendra für die intelligente Suche. Für strukturierte Daten verwendet der Agent den SQL Connector und SQLAlchemy, um Datenbanken zu analysieren, einschließlich Amazonas Athena. Der Agent nutzt auch Python in Lambda und dem Amazon Sage Maker SDK für Berechnungen und quantitative Modellierung. Der Agent verfügt außerdem über ein Langzeitgedächtnis zum Speichern von Eingabeaufforderungen und Ergebnissen Amazon DynamoDB. Der multimodale Agent befindet sich in einem SageMaker-Notizbuch und koordiniert diese Tools basierend auf englischen Eingabeaufforderungen von Geschäftsbenutzern in einer Streamlit-Benutzeroberfläche.
Die Schlüsselkomponenten der technischen Architektur sind wie folgt:
- Datenspeicherung und -analyse – Die vierteljährlichen Finanzertragsaufzeichnungen als Audiodateien, die Finanzjahresberichte als PDF-Dateien und die S&P-Aktiendaten als CSV-Dateien werden auf gehostet Amazon Simple Storage-Service (Amazon S3). Die Datenexploration von Bestandsdaten erfolgt mit Athena.
- Große Sprachmodelle – Die großen Sprachmodelle (LLMs) sind über Amazon Bedrock, SageMaker JumpStart oder eine API verfügbar.
- Mitarbeiter – Wir nutzen die Agenten von LangChain für eine nicht vorgegebene Kette von Aufrufen als Benutzereingaben für LLMs und andere Tools. In solchen Ketten gibt es einen Agenten, der Zugriff auf eine Reihe von Tools hat. Jedes Werkzeug wurde für eine bestimmte Aufgabe entwickelt. Abhängig von der Benutzereingabe entscheidet der Agent, welches Tool oder eine Kombination von Tools zur Beantwortung der Frage aufgerufen wird. Wir haben die folgenden speziell entwickelten Agententools für unser Szenario erstellt:
- Tool zur Aktienabfrage – Zum Abfragen von S&P-Aktiendaten mit Athena und SQLAlchemy.
- Portfolio-Optimierungstool – Aufbau eines Portfolios basierend auf den ausgewählten Aktien.
- Suchtool für Finanzinformationen – Um mit Amazon Kendra nach Finanzeinkommensinformationen zu suchen, die in mehrseitigen PDF-Dateien gespeichert sind.
- Python-Berechnungstool – Zur Verwendung für mathematische Berechnungen.
- Stimmungsanalyse-Tool – Um Stimmungen zu einem Thema mit Amazon Comprehend zu identifizieren und zu bewerten.
- Tool zum Erkennen von Phrasen – Um Schlüsselphrasen in aktuellen Quartalsberichten mit Amazon Comprehend zu finden.
- Textextraktionstool – Um die PDF-Versionen von Quartalsberichten mit Amazon Textract in Textdateien zu konvertieren.
- Audio-Transkribieren-Tool – Um Audioaufnahmen mit Amazon Transcribe in Textdateien zu konvertieren.
Der Agentenspeicher, der die Kette der Benutzerinteraktionen mit dem Agenten speichert, wird in DynamoDB gespeichert.
In den folgenden Abschnitten werden einige der wichtigsten Schritte mit dem zugehörigen Code erläutert. Um tiefer in die Lösung und den Code für alle hier gezeigten Schritte einzutauchen, lesen Sie die GitHub Repo.
Voraussetzungen:
Um diese Lösung auszuführen, benötigen Sie einen API-Schlüssel für ein LLM wie Anthropic Claude v2 oder Zugriff auf Amazon Bedrock-Grundlagenmodelle.
Um Antworten aus strukturierten und unstrukturierten Daten mithilfe von LLMs und LangChain zu generieren, benötigen Sie Zugriff auf LLMs über Amazon Bedrock, SageMaker JumpStart oder API-Schlüssel und müssen Datenbanken verwenden, die mit SQLAlchemy kompatibel sind. AWS Identity and Access Management and (IAM)-Richtlinien sind ebenfalls erforderlich, die Details finden Sie im GitHub-Repo.
Schlüsselkomponenten eines multimodalen Agenten
Es gibt einige Schlüsselkomponenten des multimodalen Agenten:
- Für Werkzeuge des multimodalen Agenten definierte Funktionen
- Für den multimodalen Agenten definierte Tools
- Langzeitgedächtnis für den multimodalen Agenten
- Planner-Executor-basierter multimodaler Agent (definiert mit Tools, LLMs und Speicher)
In diesem Abschnitt veranschaulichen wir die Schlüsselkomponenten mit zugehörigen Codeausschnitten.
Für Werkzeuge des multimodalen Agenten definierte Funktionen
Der multimodale Agent muss verschiedene KI-Dienste nutzen, um verschiedene Arten von Daten zu verarbeiten – Text, Sprache, Bilder und mehr. Einige dieser Funktionen müssen möglicherweise AWS-KI-Dienste wie Amazon Comprehend zum Analysieren von Text, Amazon Textract zum Analysieren von Bildern und Dokumenten und Amazon Transcribe zum Konvertieren von Sprache in Text aufrufen. Diese Funktionen können entweder lokal innerhalb des Agenten aufgerufen oder als Lambda-Funktionen bereitgestellt werden, die der Agent aufrufen kann. Die Lambda-Funktionen rufen intern die relevanten AWS AI-Dienste auf und geben die Ergebnisse an den Agenten zurück. Dieser Ansatz modularisiert die Logik und macht den Agenten wartbarer und erweiterbarer.
Die folgende Funktion definiert, wie das optimierte Portfolio basierend auf den ausgewählten Aktien berechnet wird. Eine Möglichkeit, eine Python-basierte Funktion in ein LLM-Tool zu konvertieren, ist die Verwendung von BaseTool Verpackung.
Das Folgende ist der Code für Lambda, der die APIs des AWS AI-Service (Amazon Comprehend, Amazon Textract, Amazon Transcribe) aufruft:
Für den multimodalen Agenten definierte Tools
Der multimodale Agent hat Zugriff auf verschiedene Tools, um seine Funktionalität zu ermöglichen. Es kann eine Aktiendatenbank abfragen, um Fragen zu Aktien zu beantworten. Es kann ein Portfolio mithilfe eines speziellen Tools optimieren. Es kann Informationen von Amazon Kendra, dem Unternehmenssuchdienst von Amazon, abrufen. Ein Python REPL-Tool ermöglicht es dem Agenten, Python-Code auszuführen. Ein Beispiel für die Struktur der Tools, einschließlich ihrer Namen und Beschreibungen, ist im folgenden Code dargestellt. Die eigentliche Toolbox dieses Beitrags umfasst acht Tools: Stocks Querying Tool, Portfolio Optimization Tool, Financial Information Lookup Tool, Python Calculation Tool, Sentiment Analysis Tool, Detect Phrases Tool, Text Extraction Tool und Transcribe Audio Tool.
Langzeitgedächtnis für den multimodalen Agenten
Der folgende Code veranschaulicht die Konfiguration des Langzeitgedächtnisses für den multimodalen Agenten. In diesem Code wird die DynamoDB-Tabelle als Speicher zum Speichern von Eingabeaufforderungen und Antworten zur späteren Bezugnahme hinzugefügt.
Multimodaler Agent auf Planer-Ausführer-Basis
Das Planer-Ausführer Die auf einer multimodalen Agentenarchitektur basierende Architektur besteht aus zwei Hauptkomponenten: einem Planer und einem Ausführenden. Der Planer generiert einen allgemeinen Plan mit den Schritten, die zum Ausführen und Beantworten der Eingabeaufforderung erforderlich sind. Der Ausführende führt diesen Plan dann aus, indem er unter Verwendung des Sprachmodells und der erforderlichen Tools geeignete Systemantworten für jeden Planschritt generiert. Siehe den folgenden Code:
Beispielszenarien basierend auf Fragen eines Finanzanalysten
In diesem Abschnitt untersuchen wir zwei Beispielszenarien, um die vom multimodalen Agenten durchgeführten End-to-End-Schritte anhand von Fragen des Finanzanalysten zu veranschaulichen.
Szenario 1: Fragen eines Finanzanalysten zu strukturierten Daten
In diesem Szenario stellt der Finanzanalyst dem multimodalen Agenten eine Frage auf Englisch zu den Aktien der Unternehmen. Der multimodale LangChain-Agent erstellt einen mehrstufigen Plan und entscheidet, welche Tools für jeden Schritt verwendet werden sollen. Das folgende Diagramm veranschaulicht einen Beispielworkflow mit den folgenden Schritten:
- Der Finanzanalyst stellt dem multimodalen Agenten über die Benutzeroberfläche eine Finanzfrage auf Englisch.
- Der Agent erkennt, dass er das Datenbanktool zur Beantwortung der Frage benötigt. Es generiert mithilfe eines LLM eine SQL-Abfrage basierend auf der Frage und fragt die Athena-Datenbank ab.
- Athena führt die SQL-Abfrage aus, ruft das relevante Ergebnis ab (Aktienkurszeitreihe der fünf Unternehmen) und übergibt das Ergebnis mit relevanten Daten an den Agenten.
- Der Agent stellt fest, dass zur Beantwortung der Frage ein zweites Tool erforderlich ist. Es übergibt die abgerufenen Daten zur Portfoliooptimierung an das Python-Tool.
- Das Python-Tool berechnet das erforderliche optimale Portfolio inklusive Gewichtungen und übergibt die Antwort an das LLM innerhalb des Agenten.
- Der Agent stellt die erforderlichen Informationen und Berechnungen mithilfe des LLM zusammen und antwortet dem Finanzanalysten über die Benutzeroberfläche in englischer Sprache.
Der Finanzanalyst stellt folgende Frage:
"Wie hoch sind die Schlusskurse der Aktien AAAA, WWW, DDD im Jahr 2018? Können Sie mit diesen drei Aktien ein optimiertes Portfolio aufbauen?"
Der folgende Code zeigt die vom Planer des multimodalen Agenten identifizierten Schritte:
Der Agent übersetzte die Frageaufforderung in die folgende SQL-Abfrage:
Der folgende Code zeigt die endgültige Antwort des multimodalen Agenten basierend auf der Frage:
Szenario 2: Fragen eines Finanzanalysten zu unstrukturierten Daten
In diesem Szenario stellt ein Finanzanalyst dem multimodalen Agenten mehrere Fragen zur finanziellen Gesundheit des Unternehmens. Der Agent ruft zwei Tool-Agenten auf, Amazon Kendra mit unstrukturierten Daten und ein Python-Rechentool, um Informationen zu sammeln und die erforderlichen Berechnungen durchzuführen. Anschließend stellt der Agent mithilfe seines Sprachmodells die Informationen aus den Tools zusammen und stellt dem Analysten die vollständige Antwort bereit. Der Schlüssel zu diesem Szenario besteht darin, dass sich der Agent die Fragen und Antworten der vorherigen Fragen merken kann und den Kontext in das Gespräch einbezieht. Das folgende Diagramm veranschaulicht den Arbeitsablauf, der aus den folgenden Schritten besteht:
- Der Finanzanalyst stellt dem multimodalen Agenten über die Benutzeroberfläche eine Finanzfrage auf Englisch.
- Der Agent erkennt, dass er das Amazon Kendra-Tool zur Beantwortung der Frage benötigt und ruft das Amazon Kendra-Agententool auf.
- Amazon Kendra durchsucht den unstrukturierten Datenkorpus in Amazon S3 und ruft das relevante Dokument mit der Antwort ab.
- Mittels Retrieval Augmented Generation (RAG) übergibt Amazon Kendra die Antwort aus dem relevanten Dokument an das LLM innerhalb des Agenten.
- Der Agent erkennt, dass er ein zweites Tool benötigt, um den zweiten Teil der Frage zu beantworten. Es übergibt Informationen vom ersten Tool an das Python-Rechentool.
- Das Python-Tool berechnet das erforderliche Verhältnis und übergibt die Antwort an das LLM im Agenten.
- Der Agent stellt mithilfe des LLM die erforderlichen Informationen und Berechnungen zusammen und antwortet dem Finanzanalysten über die Benutzeroberfläche.
Im Folgenden finden Sie Fragen und Antworten zwischen dem Analysten und dem multimodalen Agenten.
Der Agent beantwortet die Frage „Wie hoch ist der Nettoverlust von Amazon für das im Dezember 2022 endende Geschäftsjahr?„Amazon meldete für das Geschäftsjahr 514.0 einen Gesamtnettoumsatz von 2.7 Milliarden US-Dollar und einen Nettoverlust von 2022 Milliarden US-Dollar.“ Die Quelle ist der Amazon 10K-Bericht für das im Dezember 2022 endende Geschäftsjahr, abgerufen mit Retrive_Kendra
Werkzeug.
Zur Frage „Wie hoch ist der Nettoverlust für dasselbe Jahr?„Der Agent antwortet: „2.7 Milliarden US-Dollar.“ Die Quelle ist der Amazon 10K-Bericht für das im Dezember 2022 endende Geschäftsjahr, abgerufen mit Retrive_Kendra
Werkzeug. Beachten Sie, dass die Frage zwar der zweiten Frage ähnelt, in dieser Frage jedoch weder der Firmenname noch die Jahreszahl angegeben wurden. Der Agent konnte jedoch basierend auf dem Kontext im Gesprächsgedächtnis den richtigen Firmennamen und das richtige Jahr verwenden.
Zur Frage „Wie lautet die Formel für die Net Profit Margin Ratio, eine Art Rentabilitätskennzahl?„Der Agent antwortet: „Amazon meldete für das Geschäftsjahr 514.0 einen Gesamtnettoumsatz von 2.7 Milliarden US-Dollar und einen Nettoverlust von 2022 Milliarden US-Dollar. Die Nettogewinnmargenquote für Amazon für das Geschäftsjahr 2022 beträgt -0.5 %.“ Die Quelle ist Retrieve_Kendra
machen PythonREPLTool().
Tauchen Sie tiefer in die Lösung ein
Um tiefer in die Lösung und den in diesem Beitrag gezeigten Code einzutauchen, schauen Sie sich die an GitHub Repo.
Im GitHub-Repo finden Sie ein Python-Notebook mit der End-to-End-Lösung AWS CloudFormation Vorlage für die Bereitstellung der Infrastruktur, unstrukturierter Daten (PDF-Dateien mit Gewinnberichten, Audiodateien für Gewinnaufrufe) und strukturierter Daten (Aktienzeitreihen).
Im Anhang am Ende sind verschiedene von Finanzanalysten gestellte Fragen, aufgerufene Agenten-Tools und die Antworten des multimodalen Agenten tabellarisch aufgeführt.
Aufräumen
Stellen Sie nach der Ausführung des multimodalen Agenten sicher, dass Sie alle Ressourcen bereinigen, die nicht verwendet werden. Fahren Sie die verwendeten Datenbanken herunter und löschen Sie sie (Athena). Löschen Sie außerdem die Daten in Amazon S3 und stoppen Sie alle SageMaker Studio-Notebook-Instanzen, damit keine weiteren Kosten anfallen. Löschen Sie die Lambda-Funktionen und DynamoDB-Tabellen als Teil des Langzeitspeichers, die nicht verwendet werden. Wenn Sie SageMaker JumpStart verwendet haben, um ein LLM als SageMaker-Echtzeitendpunkt bereitzustellen, löschen Sie den Endpunkt entweder über die SageMaker-Konsole oder SageMaker Studio.
Zusammenfassung
Dieser Beitrag demonstrierte die breite Palette an AWS-Speicher-, KI/ML- und Rechendiensten, die Sie zum Aufbau einer fortschrittlichen multimodalen KI-Lösung zusammen mit dem LangChain-Framework und generativer KI nutzen können. Durch die Integration von NLP-, Spracherkennungs- und ML-Technologien ist der in diesem Szenario entwickelte multimodale Agent in der Lage, verschiedene Finanzdatenmodalitäten (strukturiert und unstrukturiert) zu analysieren und auf Eingabeaufforderungen in natürlicher Sprache (Englisch) zu reagieren. Dies steigert die Produktivität und Effizienz von Finanzanalysten und ermöglicht ihnen, sich auf hochwertige, strategische Arbeit zu konzentrieren. Auf AWS basierende multimodale KI-Lösungen haben das Potenzial, die Finanzmärkte zu verändern, indem sie sich wiederholende Aufgaben automatisieren, die menschlichen Fähigkeiten verbessern und datengesteuerte Erkenntnisse effizient generieren. Für strukturierte Daten kann eine moderne Datenarchitektur mit mehreren Datenbanken mit generativer KI und LLM integriert werden. Weitere Einzelheiten finden Sie unter Das Datenerlebnis neu erfinden: Nutzen Sie generative KI und moderne Datenarchitektur, um Erkenntnisse zu gewinnen. Siehe auch Amazonas Grundgestein für Anwendungsfälle zu generativer KI, Basismodellen und großen Sprachmodellen.
Anhang
Die folgende Tabelle enthält Beispielfragen, die ein Finanzanalyst dem multimodalen Agenten basierend auf strukturierten und unstrukturierten Daten stellen kann.
Zweck der Frage | Von Finanzanalysten über die Benutzeroberfläche gestellte Frage | Agent-Tools aufgerufen | Primäre AWS-Dienste, die von Agent-Tools verwendet werden | Antwort vom multimodalen Agenten |
Fordern Sie den LangChain-Agenten auf, Informationen aus den gesammelten Daten vorzuverarbeiten und zu extrahieren | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Textextraktionstool |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Fordern Sie den LangChain-Agenten auf, die Audioaufzeichnungen in Texte umzuwandeln | 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. |
Fordern Sie den LangChain-Agenten auf, die finanzielle Gesundheit und Leistung des Unternehmens zu analysieren | 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. |
Bitten Sie den LangChain-Agenten, die finanzielle Leistung des Unternehmens anhand der Gewinnberichte des Unternehmens zu analysieren | 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. |
Bitten Sie den LangChain-Agenten, das Managementteam des Unternehmens und seine Pläne für die Zukunft anhand der Gewinnberichte des Unternehmens zu analysieren | 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. |
Fordern Sie den LangChain-Agenten auf, die Strategie des Unternehmens anhand der Gewinnberichte des Unternehmens zu analysieren | 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. |
Fordern Sie den LangChain-Agenten auf, eine Stimmungsanalyse der Gewinnanrufaufzeichnungen durchzuführen | 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. |
Fordern Sie den LangChain-Agenten auf, anhand der gesammelten Daten ein optimales Portfolio aufzubauen | 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%' |
Über die Autoren
Sovik Kumar Nath ist ein KI/ML-Lösungsarchitekt bei AWS. Er verfügt über umfangreiche Erfahrung in der Entwicklung von End-to-End-Lösungen für maschinelles Lernen und Geschäftsanalysen in den Bereichen Finanzen, Betrieb, Marketing, Gesundheitswesen, Lieferkettenmanagement und IoT. Sovik hat Artikel veröffentlicht und hält ein Patent zur ML-Modellüberwachung. Er verfügt über einen Doppel-Master-Abschluss der University of South Florida, Universität Freiburg, Schweiz, und einen Bachelor-Abschluss des Indian Institute of Technology, Kharagpur. Außerhalb der Arbeit reist Sovik gerne, unternimmt Fährfahrten und schaut sich Filme an.
Mohan Musti ist Senior Technical Account Manager mit Sitz in Dallas. Mohan unterstützt Kunden bei der Architektur und Optimierung von Anwendungen auf AWS. Mohan hat Informatik und Ingenieurwissenschaften von der JNT University, Indien. In seiner Freizeit verbringt er gerne Zeit mit seiner Familie und beim Camping.
Jia (Vivian) Li ist Senior Solutions Architect bei AWS mit Spezialisierung auf KI/ML. Derzeit betreut sie Kunden aus der Finanzbranche. Bevor sie 2022 zu AWS kam, verfügte sie über sieben Jahre Erfahrung in der Unterstützung von Unternehmenskunden bei der Nutzung von KI/ML in der Cloud, um Geschäftsergebnisse zu steigern. Vivian hat einen BS von der Peking University und einen PhD von der University of Southern California. In ihrer Freizeit genießt sie alle Wasseraktivitäten und Wanderungen in den wunderschönen Bergen ihres Heimatstaates Colorado.
Uchenna Egge ist ein AIML-Lösungsarchitekt, der gerne wiederverwendbare AIML-Lösungen erstellt. Uchenna hat einen MS von der University of Alaska Fairbanks. In seiner Freizeit recherchiert er über Kräuter, Tees und Superfoods und wie man sie in seine tägliche Ernährung integrieren kann.
Navnet Tuteja ist Datenspezialist bei Amazon Web Services. Bevor er zu AWS kam, arbeitete Navneet als Vermittler für Organisationen, die ihre Datenarchitekturen modernisieren und umfassende KI/ML-Lösungen implementieren wollten. Sie verfügt über einen Ingenieurabschluss der Thapar University sowie einen Master-Abschluss in Statistik der Texas A&M University.
Praful Kava ist Senior Specialist Solutions Architect bei AWS. Er unterstützt Kunden beim Entwerfen und Entwickeln von Cloud-Scale-Analytics-Pipelines auf AWS. Außerhalb der Arbeit reist er gerne mit seiner Familie und erkundet neue Wanderwege.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :hast
- :Ist
- :nicht
- :Wo
- ][P
- $UP
- 1
- 10
- 100
- 10k
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- Fähigkeit
- Fähig
- Über uns
- Zugang
- Konto
- Trading Konten
- Genauigkeit
- genau
- erreicht
- Erreicht
- über
- Aktivitäten
- präsentieren
- hinzugefügt
- Zusatz
- advanced
- Vorteil
- Makler
- Agenten
- agil
- AI
- KI-Dienste
- KI-Systeme
- AI / ML
- AIML
- Ziel
- ALASKA
- Alle
- Zuteilung
- Zulassen
- erlaubt
- entlang
- ebenfalls
- Obwohl
- Amazon
- Amazon verstehen
- Amazon Kendra
- Amazontext
- Amazon Transcribe
- Amazon Web Services
- an
- Analyse
- Analytiker
- Business Analysten
- Analytik
- analysieren
- Analyse
- machen
- jährlich
- beantworten
- Antworten
- Anthropisch
- jedem
- Bienen
- API-SCHLÜSSEL
- APIs
- Anwendung
- Anwendungen
- Ansatz
- angemessen
- Architektur
- SIND
- um
- Artikel
- AS
- fragen
- Details
- Unterstützung
- damit verbundenen
- At
- Audio-
- Augmented
- automatische
- automatisieren
- verfügbar
- AWS
- Zurück
- basierend
- BE
- schön
- war
- Bevor
- Sein
- Besser
- zwischen
- Größte
- Milliarde
- Boosts
- Box
- bauen
- Building
- erbaut
- Geschäft
- by
- Berechnen
- berechnet
- Berechnung
- Berechnungen
- Kalifornien
- rufen Sie uns an!
- namens
- Aufruf
- Aufrufe
- CAN
- Fähigkeiten
- Fälle
- Kette
- Ketten
- Herausforderungen
- Änderungen
- Kanäle
- Gebühren
- Chatbots
- aus der Ferne überprüfen
- gewählt
- Kunden
- Schließen
- Cloud
- Code
- sammeln
- Colorados
- Kombination
- kombinieren
- Vereinigung
- kommt
- Kommen
- Kommunikation
- Unternehmen
- Unternehmen
- Unternehmen
- kompatibel
- Wettbewerb
- wettbewerbsfähig
- Komplex
- Komplexität
- Komponente
- Komponenten
- begreifen
- umfassend
- Berechnungen
- Berechnen
- Computer
- Computerwissenschaften
- begrifflich
- Hautpflegeprobleme
- Konfiguration
- Verbindung
- Vernetz Dich
- besteht
- Konsul (Console)
- Konsolidiert
- Verbraucher
- enthält
- Kontext
- kontinuierlich
- Beitrag
- Gespräch
- verkaufen
- und beseitigen Muskelschwäche
- Kosten
- Kosten
- könnte
- erstellt
- Strom
- Zur Zeit
- Kunde
- Customer Experience
- Kunden
- Unterricht
- Dallas
- technische Daten
- Datenverarbeitung
- datengesteuerte
- Datenbase
- Datenbanken
- Datum
- Dezember
- Entscheidungen
- gewidmet
- tiefer
- definiert
- Definiert
- Grad
- Demand
- zeigen
- weisen nach, dass
- Abhängig
- einsetzen
- Einsatz
- beschrieben
- Beschreibung
- Design
- Entwerfen
- Details
- entdecken
- Entdeckung
- Bestimmen
- entwickelt
- Diät
- anders
- Schwierigkeit
- tauchen
- verschieden
- variieren
- do
- Dokument
- Unterlagen
- erledigt
- doppelt
- nach unten
- Antrieb
- angetrieben
- Treiber
- zwei
- jeder
- Gesamt-Einnahmen abzüglich Provision
- Verdienste
- Ergebnis nennen
- leicht
- Wirtschaftlich
- Effizienz
- effizient
- effizient
- Anstrengung
- entweder
- E-Mails
- taucht auf
- ermöglichen
- ermöglichen
- umfassend
- Ende
- End-to-End
- Ende
- Endpunkt
- Ingenieur
- Entwicklung
- Englisch
- verbesserte
- Eine Verbesserung der
- Eingabe
- Unternehmen
- Unterhaltung
- insbesondere
- Sogar
- Beispiel
- Exzellenz
- Austausch-
- vorhandenen
- ergänzt
- Ausbau
- Expansion
- ERFAHRUNGEN
- Erklären
- Exploration
- ERKUNDEN
- Möglichkeiten sondieren
- umfangreiche
- Langjährige Erfahrung
- Extrakt
- Extraktion
- Moderator
- zugewandt
- Familie
- beschleunigt
- wenige
- Mappen
- Einreichungen
- Finale
- Finanzen
- Revolution
- Finanzdaten
- Finanzinformation
- Finanzleistung
- Finanzsysteme
- Finden Sie
- Suche nach
- Vorname
- Fiscal
- fünf
- Florida
- Setzen Sie mit Achtsamkeit
- Fokussierung
- Folgende
- folgt
- Aussichten für
- Prognosen
- Format
- Formel
- Foundation
- fragmentierten
- Unser Ansatz
- Betrug
- Betrugserkennung
- betrügerisch
- Frei
- häufig
- für
- Treibstoff
- voller
- Funktion
- Funktionalität
- Funktionen
- weiter
- Zukunft
- Gewinnen
- gewinnen
- sammeln
- erzeugen
- erzeugt
- Erzeugung
- Generation
- generativ
- Generative KI
- gif
- GitHub
- Ziele
- gut
- mehr
- wuchs
- Wachsen Sie über sich hinaus
- Wachstum
- Anleitungen
- hätten
- Griff
- Haben
- he
- Gesundheit
- Gesundheitswesen
- hilft
- hier (auf dänisch)
- hier
- GUTE
- High-Level
- höher
- seine
- hält
- Startseite
- gehostet
- Ultraschall
- Hilfe
- aber
- http
- HTTPS
- human
- i
- identifiziert
- identifiziert
- identifizieren
- Identitätsschutz
- if
- zeigt
- Bilder
- implementieren
- wichtig
- zu unterstützen,
- Verbesserung
- in
- das
- Dazu gehören
- Einschließlich
- integrieren
- Incorporated
- Erhöhung
- hat
- zunehmend
- Indien
- Indisch
- Energiegewinnung
- Inflation
- Inflationär
- Inflationsdruck
- Information
- Infrastruktur
- wir innovieren
- Innovation
- Varianten des Eingangssignals:
- Insider
- Insiderhandel
- Einblicke
- Institut
- Integration
- Intelligenz
- Intelligent
- Intelligente Dokumentenverarbeitung
- Interaktion
- Interaktionen
- interagiert
- innen
- in
- Investieren
- Investitionen
- Investoren
- aufgerufen
- ruft auf
- beteiligt
- iot
- IT
- SEINE
- Beitritt
- jpg
- Wesentliche
- Tasten
- Wissen
- kumar
- Mangel
- Sprache
- grosse
- führenden
- lernen
- Hebelwirkung
- Gefällt mir
- LIMIT
- verknüpft
- Liquidity
- Liste
- LLM
- örtlich
- Logik
- langfristig
- aussehen
- Nachschlagen
- Verlust
- Sneaker
- Maschine
- Maschinelles Lernen
- Main
- Wartbar
- um
- MACHT
- Management
- Management Team
- Manipulation
- Weise
- Marge
- Markt
- Marktmanipulation
- Marketing
- Märkte
- Meister
- mathematisch
- Kann..
- Medien
- Memory
- Erwähnungen
- ML
- Modell
- Modellieren
- für
- modern
- modernisieren
- Überwachung
- mehr
- vor allem warme
- Filme
- ziehen um
- MS
- mehrere
- sollen
- Name
- Namen
- Natürliche
- Verarbeitung natürlicher Sprache
- Natur
- notwendig,
- erfordert
- Need
- Bedürfnisse
- Negativ
- Netto-
- Neu
- neue Produkte
- News
- Nlp
- Notizbuch
- jetzt an
- Anzahl
- Verbindlichkeiten
- of
- WOW!
- Angebote
- Angebote
- on
- EINEM
- Betriebs-
- Einkauf & Prozesse
- optimal
- Optimierung
- Optimieren
- optimiert
- or
- Auftrag
- Organisationen
- Andere
- UNSERE
- aussen
- Gesamt-
- Teil
- leitet
- Patent
- AUFMERKSAMKEIT
- Peking
- Prozentsatz
- Ausführen
- Leistung
- durchgeführt
- phd
- Sätze
- Plan
- Pläne
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bitte
- Points
- Politik durchzulesen
- Beliebt
- Popularität
- Mappe
- Posen
- Position
- Post
- Potenzial
- Werkzeuge
- angetriebene
- Drücke
- früher
- vorher
- Preis
- Preise
- gebühr
- in erster Linie
- primär
- Vor
- Prozessdefinierung
- Verarbeitung
- PRODUKTIVITÄT
- Produkte
- Profit
- Rentabilität
- profite
- Fortschritt
- die
- bietet
- veröffentlicht
- Python
- Qualität
- quantitativ
- Quartal
- Abfragen
- Frage
- Fragen
- schnell
- Angebot!
- Angebot
- Honorar
- Verhältnis
- RE
- bereit
- Echtzeit
- kürzlich
- Anerkennung
- Einspielung vor
- siehe
- bezogene
- relativ
- relevant
- merken
- repetitiv
- berichten
- Berichtet
- Reporting
- Meldungen
- falls angefordert
- erfordert
- Forschungsprojekte
- Downloads
- Reagieren
- Antwort
- Antworten
- Folge
- Die Ergebnisse
- Einzelhandel
- Rückkehr
- wiederverwendbar
- Einnahmen
- Umsatzwachstum
- Recht
- Risiko
- Risiken
- robust
- Routine
- Führen Sie
- läuft
- s
- S & P
- sagemaker
- Vertrieb
- gleich
- Gerettet
- Einsparung
- skalierbaren
- Skalieren
- Szenario
- Szenarien
- Wissenschaft
- Ergebnis
- Sdk
- Suche
- Suchbegriffe
- Zweite
- Abschnitt
- Abschnitte
- Verbindung
- sehen
- Sehen
- auf der Suche nach
- Sucht
- scheint
- Auswahl
- SELF
- Senior
- Gefühl
- Gefühle
- Modellreihe
- Dienstleistungen
- Sitzung
- sie
- kurzfristig
- kurzfristige Liquidität
- sollte
- Vitrine
- gezeigt
- Konzerte
- schließen
- signifikant
- ähnlich
- Einfacher
- Fähigkeiten
- Social Media
- Social Media
- Lösung
- Lösungen
- einige
- anspruchsvoll
- Quelle
- Quellen
- Süd
- South Florida
- Süd
- Spezialist
- spezifisch
- Rede
- Spracherkennung
- Geschwindigkeit
- Ausgabe
- Verbreitung
- Standardisierung
- Bundesstaat
- Statistiken
- bleiben
- Schritt
- Shritte
- -bestands-
- Aktien
- Stoppen
- Lagerung
- speichern
- gelagert
- Läden
- Speicherung
- Strategisch
- Strategie
- Stärke
- Struktur
- strukturierte
- Studio Adressen
- Abonnement
- Abos aktualisiert
- so
- geeignet
- Suite
- zusammenfassen
- ZUSAMMENFASSUNG
- Lieferanten
- liefern
- Supply Chain
- Leitung der Lieferkette
- Support
- Unterstützung
- Unterstützt
- sicher
- Schweiz
- System
- Systeme und Techniken
- Tabelle
- Einnahme
- Aufgabe
- und Aufgaben
- Team
- Technische
- Technologies
- Technologie
- Vorlage
- Texas
- Text
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Zukunft
- die Informationen
- Die Quelle
- ihr
- Sie
- dann
- Dort.
- damit
- Diese
- vom Nutzer definierten
- Ding
- fehlen uns die Worte.
- obwohl?
- drohen
- nach drei
- Durch
- Zeit
- Zeitfolgen
- zu
- Werkzeug
- Toolkit
- Werkzeuge
- Top
- Thema
- Gesamt
- Trading
- Training
- Abschrift
- Transformieren
- Transformation
- , des Transports
- Reise
- Trends
- XNUMX
- tippe
- Typen
- ui
- verstehen
- Verständnis
- Universität
- öffnen
- Entriegelung
- anstehende
- aktualisiert
- us
- -
- benutzt
- Mitglied
- Nutzer
- verwendet
- Verwendung von
- seit
- die
- wertvoll
- Wert
- Vielfalt
- verschiedene
- Versionen
- Video
- Volumen
- wurde
- beobachten
- Wasser
- Weg..
- Wege
- we
- Netz
- Web-Services
- GUT
- waren
- Was
- wann
- welche
- WHO
- breit
- Große Auswahl
- werden wir
- mit
- .
- Arbeiten
- gearbeitet
- Arbeitsablauf.
- Jahr
- Jahr
- Du
- Ihr
- Zephyrnet