Los datos multimodales son un componente valioso de la industria financiera, que abarca datos de mercado, económicos, de clientes, de noticias y redes sociales, y de riesgos. Las organizaciones financieras generan, recopilan y utilizan estos datos para obtener información sobre las operaciones financieras, tomar mejores decisiones y mejorar el rendimiento. Sin embargo, existen desafíos asociados con los datos multimodales debido a la complejidad y la falta de estandarización en los sistemas financieros y los formatos y la calidad de los datos, así como la naturaleza fragmentada y desestructurada de los datos. Los clientes financieros han descrito con frecuencia la sobrecarga operativa que implica obtener conocimientos financieros a partir de datos multimodales, lo que requiere una lógica de extracción y transformación compleja, lo que genera esfuerzos y costos inflados. Los desafíos técnicos con datos multimodales incluyen además la complejidad de integrar y modelar diferentes tipos de datos, la dificultad de combinar datos de múltiples modalidades (texto, imágenes, audio, video) y la necesidad de habilidades informáticas avanzadas y herramientas de análisis sofisticadas.
Una de las formas de manejar datos multimodales que está ganando popularidad es el uso de agentes multimodales. Los agentes multimodales son sistemas de inteligencia artificial que pueden comprender y analizar datos en múltiples modalidades utilizando las herramientas adecuadas en su conjunto de herramientas. Pueden conectar conocimientos de estos diversos tipos de datos para obtener una comprensión más completa y generar respuestas adecuadas. Los agentes multimodales, junto con la IA generativa, están encontrando una aplicación amplia en los mercados financieros. Los siguientes son algunos casos de uso populares:
- Informes inteligentes e inteligencia de mercado – La IA puede analizar diversas fuentes de información financiera para generar informes de inteligencia de mercado, ayudando a analistas, inversores y empresas a mantenerse actualizados sobre las tendencias. Los agentes multimodales pueden resumir informes financieros extensos rápidamente, lo que ahorra a los analistas mucho tiempo y esfuerzo.
- Modelización y previsión cuantitativa. – Los modelos generativos pueden sintetizar grandes volúmenes de datos financieros para entrenar modelos de aprendizaje automático (ML) para aplicaciones como pronóstico de precios de acciones, optimización de carteras, modelado de riesgos y más. Los modelos multimodales que comprenden diversas fuentes de datos pueden proporcionar pronósticos más sólidos.
- Cumplimiento y detección de fraude – Esta solución se puede ampliar para incluir herramientas de monitoreo que analizan canales de comunicación como llamadas, correos electrónicos, chats, registros de acceso y más para identificar posibles operaciones con información privilegiada o manipulación del mercado. La detección de colusión fraudulenta entre tipos de datos requiere un análisis multimodal.
Un agente multimodal con IA generativa aumenta la productividad de un analista financiero al automatizar tareas repetitivas y rutinarias, liberando tiempo para que los analistas se concentren en trabajos de alto valor. Los agentes multimodales pueden amplificar la capacidad de un analista para obtener conocimientos al ayudar con la investigación y el análisis. Los agentes multimodales también pueden generar análisis cuantitativos y modelos financieros mejorados, lo que permite a los analistas trabajar más rápido y con mayor precisión.
La implementación de un agente multimodal con AWS consolida conocimientos clave de diversos datos estructurados y no estructurados a gran escala. Los agentes multimodales pueden combinar fácilmente el poder de las ofertas de IA generativa de lecho rocoso del amazonas y JumpStart de Amazon SageMaker con las capacidades de procesamiento de datos de AWS Analytics y los servicios AI/ML para proporcionar soluciones ágiles que permitan a los analistas financieros analizar y recopilar información de manera eficiente a partir de datos multimodales de una manera segura y escalable dentro de AWS. Amazon ofrece un conjunto de servicios de inteligencia artificial que permiten el procesamiento del lenguaje natural (NLP), el reconocimiento de voz, la extracción de texto y la búsqueda:
- Amazon Comprehend es un servicio de PNL que puede analizar texto en busca de frases clave y analizar sentimientos.
- Amazon Textil es un servicio de procesamiento de documentos inteligente que puede extraer con precisión texto y datos de documentos
- Amazon Transcribe es un servicio de reconocimiento automático de voz que puede convertir voz en texto
- amazona kendra es un servicio de búsqueda empresarial impulsado por ML para encontrar información en una variedad de fuentes de datos, incluidos documentos y bases de conocimiento.
En esta publicación, mostramos un escenario en el que un analista financiero interactúa con los datos multimodales de la organización, que residen en almacenes de datos especialmente diseñados, para recopilar información financiera. En la interacción, demostramos cómo los agentes multimodales planifican y ejecutan la consulta del usuario y recuperan los resultados de las fuentes de datos relevantes. Todo esto se logra utilizando los servicios de AWS, aumentando así la eficiencia del analista financiero para analizar datos financieros multimodales (texto, voz y datos tabulares) de manera integral.
La siguiente captura de pantalla muestra un ejemplo de la interfaz de usuario.
Resumen de la solución
El siguiente diagrama ilustra la arquitectura conceptual para utilizar IA generativa con datos multimodales utilizando agentes. Los pasos involucrados son los siguientes:
- El analista financiero plantea preguntas a través de una plataforma como los chatbots.
- La plataforma utiliza un marco para determinar la herramienta de agente multimodal más adecuada para responder la pregunta.
- Una vez identificada, la plataforma ejecuta el código que está vinculado a la herramienta previamente identificada.
- La herramienta genera un análisis de los datos financieros según lo solicitado por el analista financiero.
- Al resumir los resultados, los grandes modelos de lenguaje los recuperan y los informan al analista financiero.
Arquitectura técnica
El agente multimodal organiza varias herramientas basadas en indicaciones en lenguaje natural de los usuarios comerciales para generar información. Para datos no estructurados, el agente utiliza AWS Lambda Funciona con servicios de inteligencia artificial como Amazon Textract para análisis de documentos, Amazon Transcribe para reconocimiento de voz, Amazon Comprehend para PNL y Amazon Kendra para búsqueda inteligente. Para datos estructurados, el agente utiliza SQL Connector y SQLAlchemy para analizar bases de datos, que incluyen Atenea amazónica. El agente también utiliza Python en Lambda y el Amazon SageMaker SDK para cálculos y modelado cuantitativo. El agente también tiene memoria a largo plazo para almacenar indicaciones y resultados en Amazon DynamoDB. El agente multimodal reside en una computadora portátil SageMaker y coordina estas herramientas según las indicaciones en inglés de los usuarios comerciales en una interfaz de usuario Streamlit.
Los componentes clave de la arquitectura técnica son los siguientes:
- Almacenamiento y análisis de datos. – Las grabaciones de resultados financieros trimestrales como archivos de audio, los informes financieros anuales como archivos PDF y los datos de acciones de S&P como archivos CSV están alojados en Servicio de almacenamiento simple de Amazon (Amazon S3). La exploración de datos sobre acciones se realiza utilizando Athena.
- Grandes modelos de idiomas – Los modelos de lenguaje grande (LLM) están disponibles a través de Amazon Bedrock, SageMaker JumpStart o una API.
- Agentes – Utilizamos los agentes de LangChain para una cadena de llamadas no predeterminada como entrada del usuario para LLM y otras herramientas. En este tipo de cadenas hay un agente que tiene acceso a un conjunto de herramientas. Cada herramienta ha sido construida para una tarea específica. Dependiendo de la entrada del usuario, el agente decide qué herramienta o una combinación de herramientas llamar para responder la pregunta. Creamos las siguientes herramientas de agente diseñadas específicamente para nuestro escenario:
- Herramienta de consulta de acciones – Consultar datos de acciones de S&P utilizando Athena y SQLAlchemy.
- Herramienta de optimización de cartera – Construir una cartera basada en las acciones elegidas.
- Herramienta de búsqueda de información financiera – Para buscar información sobre ganancias financieras almacenada en archivos PDF de varias páginas utilizando Amazon Kendra.
- Herramienta de cálculo de Python – Para utilizar en cálculos matemáticos.
- Herramienta de análisis de sentimiento – Identificar y calificar opiniones sobre un tema utilizando Amazon Comprehend.
- Herramienta de detección de frases – Para buscar frases clave en informes trimestrales recientes utilizando Amazon Comprehend.
- Herramienta de extracción de texto – Convertir las versiones PDF de informes trimestrales a archivos de texto utilizando Amazon Textract.
- Herramienta para transcribir audio – Para convertir grabaciones de audio a archivos de texto usando Amazon Transcribe.
La memoria del agente que contiene la cadena de interacciones del usuario con el agente se guarda en DynamoDB.
Las siguientes secciones explican algunos de los pasos principales con el código asociado. Para profundizar en la solución y el código de todos los pasos que se muestran aquí, consulte la Repositorio GitHub.
Requisitos previos
Para ejecutar esta solución, debe tener una clave API para un LLM como Anthropic Claude v2 o tener acceso a los modelos básicos de Amazon Bedrock.
Para generar respuestas a partir de datos estructurados y no estructurados mediante LLM y LangChain, necesita acceso a los LLM a través de Amazon Bedrock, SageMaker JumpStart o claves API, y utilizar bases de datos que sean compatibles con SQLAlchemy. Gestión de identidades y accesos de AWS (IAM) también son necesarias, cuyos detalles puede encontrar en el repositorio de GitHub.
Componentes clave de un agente multimodal
Hay algunos componentes clave del agente multimodal:
- Funciones definidas para herramientas del agente multimodal
- Herramientas definidas para el agente multimodal
- Memoria a largo plazo para el agente multimodal
- Agente multimodal basado en planificador-ejecutor (definido con herramientas, LLM y memoria)
En esta sección, ilustramos los componentes clave con fragmentos de código asociados.
Funciones definidas para herramientas del agente multimodal
El agente multimodal necesita utilizar varios servicios de IA para procesar diferentes tipos de datos: texto, voz, imágenes y más. Es posible que algunas de estas funciones necesiten llamar a los servicios de inteligencia artificial de AWS, como Amazon Comprehend para analizar texto, Amazon Textract para analizar imágenes y documentos y Amazon Transcribe para convertir voz en texto. Estas funciones se pueden llamar localmente dentro del agente o implementarse como funciones Lambda que el agente puede invocar. Las funciones Lambda llaman internamente a los servicios de IA de AWS relevantes y devuelven los resultados al agente. Este enfoque modulariza la lógica y hace que el agente sea más mantenible y extensible.
La siguiente función define cómo calcular la cartera optimizada en función de las acciones elegidas. Una forma de convertir una función basada en Python en una herramienta LLM es utilizar el Herramienta base envoltura.
El siguiente es el código para que Lambda llame a las API del servicio AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):
Herramientas definidas para el agente multimodal
El agente multimodal tiene acceso a varias herramientas para habilitar su funcionalidad. Puede consultar una base de datos de acciones para responder preguntas sobre acciones. Puede optimizar una cartera utilizando una herramienta dedicada. Puede recuperar información de Amazon Kendra, el servicio de búsqueda empresarial de Amazon. Una herramienta Python REPL permite al agente ejecutar código Python. En el siguiente código se muestra un ejemplo de la estructura de las herramientas, incluidos sus nombres y descripciones. La caja de herramientas real de esta publicación tiene ocho herramientas: herramienta de consulta de acciones, herramienta de optimización de cartera, herramienta de búsqueda de información financiera, herramienta de cálculo de Python, herramienta de análisis de sentimientos, herramienta de detección de frases, herramienta de extracción de texto y herramienta de transcripción de audio.
Memoria a largo plazo para el agente multimodal
El siguiente código ilustra la configuración de la memoria a largo plazo para el agente multimodal. En este código, la tabla de DynamoDB se agrega como memoria para almacenar mensajes y respuestas para referencia futura.
Agente multimodal basado en planificador-ejecutor
La planificador-ejecutor La arquitectura de agente multimodal basada en tiene dos componentes principales: un planificador y un ejecutor. El planificador genera un plan de alto nivel con los pasos necesarios para ejecutar y responder la pregunta inmediata. Luego, el ejecutor ejecuta este plan generando respuestas apropiadas del sistema para cada paso del plan utilizando el modelo de lenguaje con las herramientas necesarias. Vea el siguiente código:
Escenarios de ejemplo basados en preguntas formuladas por un analista financiero
En esta sección, exploramos dos escenarios de ejemplo para ilustrar los pasos de un extremo a otro realizados por el agente multimodal en función de las preguntas formuladas por el analista financiero.
Escenario 1: Preguntas del analista financiero relacionadas con datos estructurados
En este escenario, el analista financiero hace una pregunta en inglés relacionada con las acciones de las empresas al agente multimodal. El agente multimodal de LangChain elabora un plan de varios pasos y decide qué herramientas utilizar para cada paso. El siguiente diagrama ilustra un flujo de trabajo de ejemplo con los siguientes pasos:
- El analista financiero hace una pregunta financiera en inglés a través de la interfaz de usuario al agente multimodal.
- El agente identifica que requiere la herramienta de base de datos para responder la pregunta. Genera una consulta SQL utilizando un LLM basado en la pregunta y consulta la base de datos de Athena.
- Athena ejecuta la consulta SQL, recupera el resultado relevante (serie temporal de precios de acciones de las cinco empresas) y pasa el resultado con datos relevantes al agente.
- El agente identifica que requiere una segunda herramienta para responder la pregunta. Pasa los datos recuperados a la herramienta Python para optimizar la cartera.
- La herramienta Python calcula la cartera óptima requerida, incluidas las ponderaciones, y pasa la respuesta al LLM dentro del agente.
- El agente recopila la información y los cálculos requeridos utilizando el LLM y responde al análisis financiero a través de la interfaz de usuario en inglés.
El analista financiero hace la siguiente pregunta:
"¿Cuáles son los precios de cierre de las acciones AAAA, WWW, DDD en el año 2018? ¿Puedes crear una cartera optimizada utilizando estas tres acciones?"
El siguiente código muestra los pasos identificados por el planificador del agente multimodal:
El agente tradujo la pregunta a la siguiente consulta SQL:
El siguiente código muestra la respuesta final del agente multimodal según la pregunta:
Escenario 2: Preguntas del analista financiero relacionadas con datos no estructurados
En este escenario, un analista financiero hace múltiples preguntas sobre la salud financiera de la empresa al agente multimodal. El agente invoca dos agentes de herramientas, Amazon Kendra con datos no estructurados y una herramienta informática Python, para recopilar información y realizar los cálculos necesarios. Luego, el agente recopila la información de las herramientas utilizando su modelo de lenguaje y proporciona la respuesta completa al analista. La clave de este escenario es que el agente pueda recordar las preguntas y respuestas de las preguntas anteriores, e incorpore el contexto a la conversación. El siguiente diagrama ilustra el flujo de trabajo, que consta de los siguientes pasos:
- El analista financiero hace una pregunta financiera en inglés a través de la interfaz de usuario al agente multimodal.
- El agente identifica que necesita la herramienta Amazon Kendra para responder la pregunta e invoca la herramienta del agente Amazon Kendra.
- Amazon Kendra busca el corpus de datos no estructurados en Amazon S3 y recupera el documento relevante que contiene la respuesta.
- Mediante la recuperación de generación aumentada (RAG), Amazon Kendra pasa la respuesta del documento relevante al LLM dentro del agente.
- El agente identifica que requiere una segunda herramienta para responder la segunda parte de la pregunta. Pasa información de la primera herramienta a la herramienta informática Python.
- La herramienta Python calcula la proporción requerida y pasa la respuesta al LLM dentro del agente.
- El agente recopila la información y los cálculos necesarios utilizando el LLM y responde al analista financiero a través de la interfaz de usuario.
Las siguientes son preguntas y respuestas entre el analista y el agente multimodal.
El agente responde a la pregunta “¿Cuál es la pérdida neta de Amazon para el año fiscal que finaliza en diciembre de 2022?” con “Amazon informó ventas netas totales de 514.0 millones de dólares y una pérdida neta de 2.7 millones de dólares para el año fiscal 2022”. La fuente es el informe de Amazon 10K para el año fiscal que finaliza en diciembre de 2022, recuperado utilizando el Retrive_Kendra
Herramienta.
Para la pregunta “¿Cuál es la pérdida neta para el mismo año?” el agente responde “2.7 millones de dólares”. La fuente es el informe de Amazon 10K para el año fiscal que finaliza en diciembre de 2022, recuperado utilizando el Retrive_Kendra
Herramienta. Tenga en cuenta que, aunque la pregunta es similar a la segunda pregunta, esta no especifica el nombre de la empresa ni el número de año. Sin embargo, el agente pudo utilizar el nombre y el año correctos de la empresa según el contexto en la memoria de la conversación.
Para la pregunta “¿Cuál es la fórmula para el índice de margen de beneficio neto, que es un tipo de índice de rentabilidad?", responde el agente: "Amazon informó ventas netas totales de $ 514.0 mil millones y una pérdida neta de $ 2.7 mil millones para el año fiscal 2022. El índice de margen de beneficio neto de Amazon para el año fiscal 2022 es -0.5%". La fuente es Retrieve_Kendra
y PythonREPLTool().
Profundice en la solución
Para profundizar en la solución y el código que se muestra en esta publicación, consulte el Repositorio GitHub.
En el repositorio de GitHub, podrá encontrar un cuaderno de Python que tiene la solución de un extremo a otro, un Formación en la nube de AWS plantilla para aprovisionar la infraestructura, datos no estructurados (archivos PDF de informes de ganancias, archivos de audio de llamadas de ganancias) y datos estructurados (series temporales de acciones).
En el apéndice al final, se tabulan las diferentes preguntas formuladas por el analista financiero, las herramientas del agente invocadas y la respuesta del agente multimodal.
Limpiar
Después de ejecutar el agente multimodal, asegúrese de limpiar todos los recursos que no se utilizarán. Cerrar y eliminar las bases de datos utilizadas (Athena). Además, elimine los datos en Amazon S3 y detenga cualquier instancia de notebook de SageMaker Studio para no incurrir en más cargos. Elimine las funciones Lambda y las tablas de DynamoDB como parte de la memoria a largo plazo que no se utilizan. Si utilizó SageMaker JumpStart para implementar un LLM como punto final de SageMaker en tiempo real, elimine el punto final a través de la consola de SageMaker o SageMaker Studio.
Conclusión
Esta publicación demostró la amplia gama de servicios informáticos, IA/ML y almacenamiento de AWS que puede utilizar para crear una solución avanzada de IA multimodal junto con el marco LangChain y la IA generativa. Al integrar tecnologías de PNL, reconocimiento de voz y aprendizaje automático, el agente multimodal desarrollado en este escenario es capaz de analizar diversas modalidades de datos financieros (estructurados y no estructurados) y responder a indicaciones en lenguaje natural (inglés). Esto aumenta la productividad y la eficiencia de los analistas financieros, permitiéndoles centrarse en trabajos estratégicos de alto valor. Las soluciones de IA multimodal impulsadas por AWS tienen el potencial de transformar los mercados financieros al automatizar tareas repetitivas, mejorar las capacidades humanas y generar conocimientos basados en datos de manera eficiente. Para datos estructurados, se puede incorporar una arquitectura de datos moderna con múltiples bases de datos con IA generativa y LLM. Para obtener más detalles, consulte Reinventar la experiencia de los datos: utilice IA generativa y una arquitectura de datos moderna para desbloquear conocimientos. También, refiérase a lecho rocoso del amazonas para casos de uso en IA generativa, modelos básicos y modelos de lenguaje extenso.
Apéndice
La siguiente tabla contiene ejemplos de preguntas que un analista financiero debe formular al agente multimodal en función de datos estructurados y no estructurados.
Propósito de la pregunta | Pregunta formulada por analistas financieros a través de UI | Herramientas del agente invocadas | Servicios primarios de AWS utilizados por las herramientas del agente | Respuesta del agente multimodal |
Solicitar al agente de LangChain que preprocese y extraiga información de los datos recopilados. | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Herramienta de extracción de texto |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Solicitar al agente de LangChain que transcriba las grabaciones de audio a textos | 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. |
Solicite al agente de LangChain que analice la salud y el desempeño financiero de la empresa. | 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. |
Solicite al agente de LangChain que analice el desempeño financiero de la empresa a partir de los informes de ganancias de la empresa. | 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. |
Solicite al agente de LangChain que analice el equipo directivo de la empresa y sus planes para el futuro a partir de los informes de ganancias de la empresa. | 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. |
Solicite al agente de LangChain que analice la estrategia de la empresa a partir de los informes de ganancias de la empresa. | 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. |
Solicite al agente de LangChain que realice un análisis de sentimiento en las grabaciones de llamadas de ganancias. | 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. |
Solicite al agente de LangChain que cree una cartera óptima utilizando los datos recopilados. | 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%' |
Acerca de los autores
Sovik Kumar Nath es un arquitecto de soluciones de IA/ML con AWS. Tiene una amplia experiencia en el diseño de soluciones integrales de aprendizaje automático y análisis empresarial en finanzas, operaciones, marketing, atención médica, gestión de la cadena de suministro e IoT. Sovik ha publicado artículos y posee una patente en el monitoreo de modelos ML. Tiene doble maestría de la Universidad del Sur de Florida, Universidad de Friburgo, Suiza, y una licenciatura del Instituto Indio de Tecnología, Kharagpur. Fuera del trabajo, a Sovik le gusta viajar, viajar en ferry y ver películas.
Mohan Musti es gerente técnico senior de cuentas con sede en Dallas. Mohan ayuda a los clientes a diseñar y optimizar aplicaciones en AWS. Mohan tiene Ciencias de la Computación e Ingeniería de la Universidad JNT, India. En su tiempo libre, le gusta pasar tiempo con su familia y acampar.
Jia (Vivian) li es Arquitecto Senior de Soluciones en AWS, con especialización en AI/ML. Actualmente apoya a clientes en la industria financiera. Antes de unirse a AWS en 2022, tenía 7 años de experiencia ayudando a clientes empresariales a utilizar AI/ML en la nube para impulsar resultados comerciales. Vivian tiene una licenciatura de la Universidad de Pekín y un doctorado de la Universidad del Sur de California. En su tiempo libre, disfruta de todas las actividades acuáticas y del senderismo en las hermosas montañas de su estado natal, Colorado.
Uchenna Egbé es un arquitecto de soluciones AIML que disfruta creando soluciones AIML reutilizables. Uchenna tiene una maestría de la Universidad de Alaska Fairbanks. Dedica su tiempo libre a investigar sobre hierbas, tés, superalimentos y cómo incorporarlos a su dieta diaria.
Navneet Tuteja es especialista en datos en Amazon Web Services. Antes de unirse a AWS, Navneet trabajó como facilitador para organizaciones que buscaban modernizar sus arquitecturas de datos e implementar soluciones integrales de inteligencia artificial y aprendizaje automático. Tiene un título en ingeniería de la Universidad Thapar, así como una maestría en estadística de la Universidad Texas A&M.
Kava praful es arquitecto senior de soluciones especializado en AWS. Guía a los clientes para diseñar y diseñar canales de análisis a escala de nube en AWS. Fuera del trabajo, le gusta viajar con su familia y explorar nuevas rutas de senderismo.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :posee
- :es
- :no
- :dónde
- ][pag
- $ UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- capacidad
- Poder
- Nuestra Empresa
- de la máquina
- Mi Cuenta
- Cuentas
- la exactitud
- precisamente
- alcanzado
- Logra
- a través de
- actividades
- real
- adicional
- adición
- avanzado
- Ventaja
- Agente
- agentes
- ágil
- AI
- Servicios de IA
- Sistemas de IA
- AI / ML
- AIML
- paquete de capacitación DWoVH
- ALASKA
- Todos
- asignación
- Permitir
- permite
- a lo largo de
- también
- Aunque
- Amazon
- Amazon Comprehend
- amazona kendra
- Amazon Textil
- Amazon Transcribe
- Amazon Web Services
- an
- análisis
- analista
- Analistas
- Analytics
- analizar
- el análisis de
- y
- anual
- https://www.youtube.com/watch?v=xB-eutXNUMXJtA&feature=youtu.be
- respuestas
- Antrópico
- cualquier
- abejas
- CLAVES API
- API
- Aplicación
- aplicaciones
- enfoque
- adecuado
- arquitectura
- somos
- en torno a
- AS
- contacta
- Activos
- ayudando
- asociado
- At
- audio
- aumentado
- Automático
- automatizar
- Hoy Disponibles
- AWS
- Atrás
- basado
- BE
- hermosos
- esto
- antes
- "Ser"
- mejores
- entre
- Mayor
- mil millones
- aumenta
- Box
- build
- Construir la
- construido
- by
- calcular
- calcula
- cálculo
- cálculos
- California
- llamar al
- , que son
- llamar
- Calls
- PUEDEN
- capacidades
- cases
- cadena
- cadenas
- retos
- Cambios
- canales
- cargos
- Chatbots
- comprobar
- elegido
- clientes
- cierre
- Soluciones
- código
- recoger
- Colorado
- combinación
- combinar
- combinar
- proviene
- viniendo
- Comunicación
- Empresas
- compañía
- De la empresa
- compatible
- competencia
- competitivos
- integraciones
- complejidad
- componente
- componentes
- comprender
- exhaustivo
- computaciones
- Calcular
- computadora
- Ciencias de la Computación
- conceptual
- Protocolo de Tratamiento
- Configuración
- conjunción
- Contacto
- consiste
- Consola
- Consolida
- consumidor
- contiene
- contexto
- continuo
- contribuyendo
- Conversación
- convertir
- correcta
- Cost
- Precio
- podría
- creado
- Current
- En la actualidad
- cliente
- experiencia del cliente
- Clientes
- todos los días
- Dallas
- datos
- proceso de datos
- basada en datos
- Base de datos
- bases de datos
- Fecha
- Diciembre
- decisiones
- a dedicados
- más profundo
- se define
- Define
- Grado
- Demanda
- demostrar
- demostrado
- Dependiente
- desplegar
- desplegado
- descrito
- descripción
- Diseño
- diseño
- detalles
- detectar
- Detección
- Determinar
- desarrollado
- Dieta
- una experiencia diferente
- Dificultad
- inmersión
- diverso
- diversificar
- do
- documento
- documentos
- hecho
- doble
- DE INSCRIPCIÓN
- el lado de la transmisión
- impulsados
- conductores
- dos
- cada una
- Ganancias
- Ganancias
- los ingresos de llamada
- pasan fácilmente
- Economic
- eficiencia
- eficiente
- eficiente.
- esfuerzo
- ya sea
- correo
- emerge
- habilitar
- permitiendo
- que abarca
- final
- de extremo a extremo
- fin
- Punto final
- ingeniero
- Ingeniería
- Inglés
- mejorado
- mejorar
- que entran a los
- Empresa
- Entretenimiento
- especialmente
- Incluso
- ejemplo
- Excelencia
- Intercambio
- existente
- expandido
- en expansión
- expansión
- experience
- Explicar
- exploración
- explorar
- Explorar
- en los detalles
- Amplia experiencia
- extraerlos
- Extracción
- facilitador
- tener problemas con
- familia
- más rápida
- pocos
- archivos
- limaduras
- final
- financiar
- financiero
- Datos financieros
- información financiera
- rendimiento financiero
- sistemas financieros
- Encuentre
- la búsqueda de
- Nombre
- Fiscal
- Digital XNUMXk
- Florida
- Focus
- enfoque
- siguiendo
- siguiente
- previsiones
- formato
- fórmula
- Fundación
- fragmentado
- Marco conceptual
- fraude
- detección de fraude
- fraudulento
- Gratis
- frecuentemente
- Desde
- Combustible
- ser completados
- función
- a la fatiga
- funciones
- promover
- futuras
- Obtén
- ganando
- reunir
- generar
- genera
- la generación de
- generación de AHSS
- generativo
- IA generativa
- gif
- GitHub
- Goals
- candidato
- mayor
- creció
- Crecer
- Crecimiento
- Guías
- tenido
- encargarse de
- Tienen
- he
- Salud
- la salud
- ayuda
- aquí
- esta página
- Alta
- de alto nivel
- más alto
- su
- mantiene
- Inicio
- organizado
- Cómo
- Como Hacer
- Sin embargo
- http
- HTTPS
- humana
- i
- no haber aun identificado una solucion para el problema
- identifica
- Identifique
- Identidad
- if
- ilustra
- imágenes
- implementar
- importante
- mejorar
- la mejora de
- in
- incluir
- incluye
- Incluye
- incorporar
- Incorporado
- aumente
- aumentado
- creciente
- India
- Indian
- energético
- inflación
- Inflacionista
- Presiones inflacionarias
- información
- EN LA MINA
- innovar
- Innovation
- Las opciones de entrada
- Amenaza
- de información privilegiada
- Insights
- Innovadora
- Integración
- Intelligence
- De Operación
- Procesamiento inteligente de documentos
- interacción
- interacciones
- interactúa
- internamente
- dentro
- Invertir
- metas de
- Inversionistas
- invocado
- invoca
- involucra
- IOT
- IT
- SUS
- unión
- jpg
- Clave
- claves
- especialistas
- Kumar
- Falta
- idioma
- large
- líder
- aprendizaje
- Apalancamiento
- como
- LIMITE LAS
- vinculado
- Liquidez
- Lista
- LLM
- localmente
- lógica
- compromiso a largo plazo
- Mira
- búsqueda
- de
- Baja
- máquina
- máquina de aprendizaje
- Inicio
- Mantenible
- para lograr
- HACE
- Management
- Gestión de Proyectos
- Manipulación
- manera
- Margen
- Mercado
- la manipulación del mercado
- Marketing
- Industrias
- Máster
- matemático
- Puede..
- Medios
- Salud Cerebral
- menciona
- ML
- modelo
- modelado
- modelos
- Moderno
- modernizar
- monitoreo
- más,
- MEJOR DE TU
- Películas
- emocionante
- MS
- múltiples
- debe
- nombre
- nombres
- Natural
- Procesamiento natural del lenguaje
- Naturaleza
- necesario
- necesita
- ¿ Necesita ayuda
- negativas
- red
- Nuevo
- nuevos diseños y productos
- noticias
- nlp
- cuaderno
- ahora
- número
- bonos
- of
- off
- Lista de ofrendas
- Ofertas
- on
- ONE
- operativos.
- Operaciones
- óptimo
- optimización
- Optimización
- optimizado
- or
- solicite
- para las fiestas.
- Otro
- "nuestr
- salir
- afuera
- total
- parte
- pasa
- patentar
- Pagar
- (PDF)
- Pekín
- porcentaje
- Realizar
- actuación
- realizado
- Doctor en Filosofía
- frases
- plan
- jubilación
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Por favor
- punto
- políticas
- Popular
- popularidad
- portafolio
- plantea
- posición
- Publicación
- posible
- industria
- alimentado
- presiones
- anterior
- previamente
- precio
- Precios
- cotización
- las cuales
- primario
- Anterior
- tratamiento
- productividad
- Productos
- Profit
- rentabilidad
- beneficios.
- Progreso
- proporcionar
- proporciona un
- publicado
- Python
- calidad
- XNUMX% automáticos
- Trimestre
- consultas
- pregunta
- Preguntas
- con rapidez
- cotización inicial
- distancia
- Tarifas
- proporción
- RE
- ready
- en tiempo real
- reciente
- reconocimiento
- vea la grabación
- remitir
- relacionado
- relativo
- recordarlo
- repetitivo
- reporte
- reportado
- Informes
- Informes
- Requisitos
- requiere
- la investigación
- Recursos
- Responder
- respuesta
- respuestas
- resultado
- Resultados
- el comercio minorista
- volvemos
- reutilizables
- ingresos
- crecimiento de ingresos
- Derecho
- Riesgo
- riesgos
- robusto
- rutina
- Ejecutar
- corre
- s
- S & P
- sabio
- ventas
- mismo
- salvado
- ahorro
- escalable
- Escala
- guión
- escenarios
- Ciencia:
- Puntuación
- Sdk
- Buscar
- Búsquedas
- Segundo
- Sección
- (secciones)
- seguro
- ver
- ver
- la búsqueda de
- Busca
- parece
- selección
- AUTO
- mayor
- sentimiento
- sentimientos
- Serie
- de coches
- Servicios
- Sesión
- ella
- a corto plazo
- liquidez a corto plazo
- tienes
- mostrar
- mostrado
- Shows
- cerrar
- importante
- similares
- sencillos
- habilidades
- Social
- redes sociales
- a medida
- Soluciones
- algo
- sofisticado
- Fuente
- Fuentes
- Sur
- Premium
- Del Sur
- especialista
- soluciones y
- habla
- Reconocimiento de voz
- velocidad
- Gastos
- propagación
- estandarización
- Estado
- statistics
- quedarse
- paso
- pasos
- en stock
- Acciones
- Detener
- STORAGE
- tienda
- almacenados
- tiendas
- almacenamiento
- Estratégico
- Estrategia
- FORTALECIMIENTO
- estructura
- estructurado
- estudio
- suscripción
- suscripciones
- tal
- adecuado
- suite
- resumir
- RESUMEN
- proveedores
- suministro
- cadena de suministro
- gestión de la cadena de suministro
- SOPORTE
- Apoyar
- soportes
- seguro
- Suiza
- te
- Todas las funciones a su disposición
- mesa
- toma
- Tarea
- tareas
- equipo
- Técnico
- Tecnologías
- Tecnología
- plantilla
- Texas
- texto
- esa
- La
- El futuro de las
- la información
- La Fuente
- su
- Les
- luego
- Ahí.
- de este modo
- Estas
- ellos
- cosa
- así
- ¿aunque?
- amenazar
- Tres
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- equipo
- Series de tiempo
- a
- del IRS
- caja de herramientas
- parte superior
- tema
- Total
- Plataforma de
- Entrenar
- Expediente académico
- Transformar
- de transporte
- Viajar
- Tendencias
- dos
- tipo
- tipos
- ui
- entender
- comprensión
- universidad
- desbloquear
- desbloqueo
- próximos
- actualizado
- us
- utilizan el
- usado
- Usuario
- usuarios
- usos
- usando
- utilizado
- utiliza
- Valioso
- propuesta de
- variedad
- diversos
- versiones
- vía
- Video
- volúmenes
- fue
- ver
- Agua
- Camino..
- formas
- we
- web
- servicios web
- WELL
- tuvieron
- ¿
- cuando
- que
- QUIENES
- amplio
- Amplia gama
- seguirá
- dentro de
- Actividades:
- trabajado
- flujo de trabajo
- año
- años
- Usted
- tú
- zephyrnet