دادههای چندوجهی جزء ارزشمندی از صنعت مالی است که دادههای بازار، اقتصادی، مشتری، اخبار و رسانههای اجتماعی و ریسک را در بر میگیرد. سازمانهای مالی این دادهها را تولید، جمعآوری و استفاده میکنند تا بینشی در مورد عملیات مالی، تصمیمگیری بهتر و بهبود عملکرد کسب کنند. با این حال، به دلیل پیچیدگی و عدم استانداردسازی در سیستمهای مالی و قالبها و کیفیت دادهها، و همچنین ماهیت پراکنده و بدون ساختار دادهها، چالشهایی در ارتباط با دادههای چندوجهی وجود دارد. مشتریان مالی بارها سربار عملیاتی به دست آوردن بینش مالی از دادههای چندوجهی را توصیف کردهاند، که مستلزم منطق پیچیده استخراج و تبدیل است که منجر به تلاش و هزینههای متورم میشود. چالشهای فنی با دادههای چندوجهی بیشتر شامل پیچیدگی یکپارچهسازی و مدلسازی انواع دادههای مختلف، دشواری ترکیب دادهها از روشهای مختلف (متن، تصاویر، صدا، ویدئو) و نیاز به مهارتهای پیشرفته علوم کامپیوتر و ابزارهای تحلیل پیچیده است.
یکی از راههای مدیریت دادههای چند وجهی که در حال محبوبیت است، استفاده از عوامل چند وجهی است. عاملهای چند وجهی، سیستمهای هوش مصنوعی هستند که میتوانند دادهها را در چند حالت با استفاده از ابزارهای مناسب در جعبه ابزار خود درک و تجزیه و تحلیل کنند. آنها میتوانند بینشها را در میان این انواع دادههای متنوع به هم متصل کنند تا به درک جامعتری دست یابند و پاسخهای مناسب ایجاد کنند. عوامل چند وجهی، در ارتباط با هوش مصنوعی مولد، کاربرد گسترده ای در بازارهای مالی پیدا می کنند. موارد زیر چند مورد استفاده محبوب هستند:
- گزارش هوشمند و هوشمندی بازار – هوش مصنوعی میتواند منابع مختلف اطلاعات مالی را برای تولید گزارشهای اطلاعاتی بازار تجزیه و تحلیل کند، به تحلیلگران، سرمایهگذاران و شرکتها کمک میکند تا در جریان روندها قرار بگیرند. نمایندگان چند وجهی می توانند گزارش های مالی طولانی را به سرعت خلاصه کنند و در زمان و تلاش تحلیلگران صرفه جویی قابل توجهی داشته باشند.
- مدل سازی و پیش بینی کمی – مدلهای مولد میتوانند حجم زیادی از دادههای مالی را برای آموزش مدلهای یادگیری ماشین (ML) برای کاربردهایی مانند پیشبینی قیمت سهام، بهینهسازی پورتفولیو، مدلسازی ریسک و غیره ترکیب کنند. مدلهای چند وجهی که منابع داده متنوع را درک میکنند، میتوانند پیشبینیهای قویتری ارائه دهند.
- انطباق و کشف تقلب - این راه حل را می توان به ابزارهای نظارتی که کانال های ارتباطی مانند تماس ها، ایمیل ها، چت ها، گزارش های دسترسی و موارد دیگر را برای شناسایی تجارت داخلی بالقوه یا دستکاری بازار تجزیه و تحلیل می کنند، گسترش داد. تشخیص تبانی متقلبانه بین انواع داده ها نیازمند تجزیه و تحلیل چند وجهی است.
یک عامل چندوجهی با هوش مصنوعی مولد، بهرهوری یک تحلیلگر مالی را با خودکار کردن کارهای تکراری و معمولی افزایش میدهد و زمان را برای تمرکز تحلیلگران بر روی کارهای با ارزش آزاد میکند. عوامل چند وجهی می توانند توانایی تحلیلگر را برای به دست آوردن بینش با کمک به تحقیق و تجزیه و تحلیل تقویت کنند. عوامل چند وجهی همچنین میتوانند تحلیلهای کمی و مدلهای مالی پیشرفتهتری تولید کنند و تحلیلگران را قادر میسازند سریعتر و با دقت بیشتری کار کنند.
پیادهسازی یک عامل چند وجهی با AWS بینشهای کلیدی را از دادههای مختلف ساختاریافته و بدون ساختار در مقیاس بزرگ ادغام میکند. عوامل چند وجهی به راحتی می توانند قدرت ارائه شده توسط هوش مصنوعی مولد را ترکیب کنند بستر آمازون و Amazon SageMaker JumpStart با قابلیتهای پردازش دادههای AWS Analytics و سرویسهای AI/ML برای ارائه راهحلهای چابکی که تحلیلگران مالی را قادر میسازد تا به طور کارآمدی دادههای چندوجهی را به روشی ایمن و مقیاسپذیر در AWS تجزیه و تحلیل و جمعآوری کنند. آمازون مجموعه ای از خدمات هوش مصنوعی را ارائه می دهد که پردازش زبان طبیعی (NLP)، تشخیص گفتار، استخراج متن و جستجو را امکان پذیر می کند:
- درک آمازون یک سرویس NLP است که می تواند متن را برای عبارات کلیدی تجزیه و تحلیل کند و احساسات را تجزیه و تحلیل کند
- متن آمازون یک سرویس پردازش اسناد هوشمند است که می تواند متن و داده ها را به طور دقیق از اسناد استخراج کند
- آمازون رونوشت یک سرویس تشخیص خودکار گفتار است که می تواند گفتار را به متن تبدیل کند
- آمازون کندرا یک سرویس جستجوی سازمانی است که توسط ML برای یافتن اطلاعات در منابع مختلف داده، از جمله اسناد و پایگاههای دانش طراحی شده است.
در این پست، سناریویی را به نمایش میگذاریم که در آن یک تحلیلگر مالی با دادههای چندوجهی سازمان، مستقر در فروشگاههای دادههای هدفمند، برای جمعآوری بینشهای مالی تعامل دارد. در این تعامل، ما نشان میدهیم که چگونه عوامل چند وجهی پرس و جوی کاربر را برنامهریزی و اجرا میکنند و نتایج را از منابع داده مربوطه بازیابی میکنند. همه اینها با استفاده از خدمات AWS به دست می آیند، در نتیجه کارایی تحلیلگر مالی برای تجزیه و تحلیل داده های مالی چند وجهی (متن، گفتار و داده های جدولی) به طور کلی افزایش می یابد.
تصویر زیر نمونه ای از رابط کاربری را نشان می دهد.
بررسی اجمالی راه حل
نمودار زیر معماری مفهومی برای استفاده از هوش مصنوعی مولد با داده های چندوجهی با استفاده از عوامل را نشان می دهد. مراحل انجام شده به شرح زیر است:
- تحلیلگر مالی سوالاتی را از طریق پلتفرمی مانند چت بات ها مطرح می کند.
- این پلتفرم از چارچوبی برای تعیین مناسب ترین ابزار عامل چند وجهی برای پاسخ به سوال استفاده می کند.
- پس از شناسایی، پلت فرم کدی را اجرا می کند که به ابزار شناسایی شده قبلی مرتبط است.
- این ابزار تجزیه و تحلیل داده های مالی را همانطور که توسط تحلیلگر مالی درخواست شده است ایجاد می کند.
- در جمع بندی نتایج، مدل های زبان بزرگ بازیابی و به تحلیلگر مالی گزارش می دهند.
معماری فنی
عامل چند وجهی ابزارهای مختلفی را بر اساس درخواستهای زبان طبیعی از کاربران تجاری برای ایجاد بینش هماهنگ میکند. برای داده های بدون ساختار، عامل استفاده می کند AWS لامبدا با خدمات هوش مصنوعی مانند آمازون تکست برای تجزیه و تحلیل اسناد، رونویسی آمازون برای تشخیص گفتار، آمازون درک برای NLP و آمازون کندرا برای جستجوی هوشمند کار می کند. برای داده های ساخت یافته، عامل از اتصال دهنده SQL و SQLAlchemy برای تجزیه و تحلیل پایگاه های داده استفاده می کند که شامل آمازون آتنا. عامل همچنین از Python در Lambda و the استفاده می کند آمازون SageMaker SDK برای محاسبات و مدل سازی کمی. این عامل همچنین دارای حافظه طولانی مدت برای ذخیره اعلانات و نتایج است آمازون DynamoDB. عامل چند وجهی در یک نوت بوک SageMaker قرار دارد و این ابزارها را بر اساس درخواستهای انگلیسی از کاربران تجاری در یک رابط کاربری Streamlit هماهنگ میکند.
اجزای اصلی معماری فنی به شرح زیر است:
- ذخیره سازی داده ها و تجزیه و تحلیل - ضبط درآمد مالی سه ماهه به عنوان فایل های صوتی، گزارش های مالی سالانه به عنوان فایل های PDF، و داده های سهام S&P به عنوان فایل های CSV در میزبانی می شوند. سرویس ذخیره سازی ساده آمازون (Amazon S3). اکتشاف داده بر روی داده های سهام با استفاده از آتنا انجام می شود.
- مدل های زبان بزرگ - مدلهای زبان بزرگ (LLM) از طریق Amazon Bedrock، SageMaker JumpStart یا یک API در دسترس هستند.
- عوامل - ما از عوامل LangChain برای یک زنجیره غیر از پیش تعیین شده از تماس ها به عنوان ورودی کاربر به LLM ها و سایر ابزارها استفاده می کنیم. در این نوع زنجیر عاملی وجود دارد که به مجموعه ای از ابزارها دسترسی دارد. هر ابزار برای یک کار خاص ساخته شده است. بسته به ورودی کاربر، عامل تصمیم میگیرد که ابزار یا ترکیبی از ابزارها برای پاسخ به سؤال تماس بگیرد. ما ابزارهای عامل هدفمند زیر را برای سناریوی خود ایجاد کردیم:
- ابزار استعلام سهام - برای استعلام داده های سهام S&P با استفاده از Athena و SQLAlchemy.
- ابزار بهینه سازی نمونه کارها – ایجاد سبد بر اساس سهام انتخابی.
- ابزار جستجوی اطلاعات مالی – برای جستجوی اطلاعات درآمدهای مالی ذخیره شده در فایل های PDF چند صفحه ای با استفاده از Amazon Kendra.
- ابزار محاسبه پایتون - برای استفاده برای محاسبات ریاضی.
- ابزار تحلیل احساسات - برای شناسایی و امتیاز دادن به احساسات در مورد یک موضوع با استفاده از Amazon Comprehend.
- ابزار تشخیص عبارات - برای یافتن عبارات کلیدی در گزارش های سه ماهه اخیر با استفاده از Amazon Comprehend.
- ابزار استخراج متن – برای تبدیل نسخه PDF گزارش های فصلی به فایل های متنی با استفاده از Amazon Texttract.
- رونویسی ابزار صوتی – برای تبدیل صداهای ضبط شده به فایل های متنی با استفاده از Amazon Transcript.
حافظه عاملی که زنجیره تعاملات کاربر با عامل را نگه می دارد در DynamoDB ذخیره می شود.
بخشهای زیر برخی از مراحل اولیه کد مرتبط را توضیح میدهند. برای غواصی عمیق تر در راه حل و کد برای تمام مراحل نشان داده شده در اینجا، به آدرس مراجعه کنید GitHub repo.
پیش نیازها
برای اجرای این راه حل، باید یک کلید API برای یک LLM مانند Anthropic Claude v2 داشته باشید یا به مدل های پایه آمازون Bedrock دسترسی داشته باشید.
برای تولید پاسخ از دادههای ساختاریافته و بدون ساختار با استفاده از LLM و LangChain، باید از طریق Amazon Bedrock، SageMaker JumpStart یا کلیدهای API به LLM دسترسی داشته باشید و از پایگاههای داده سازگار با SQLAlchemy استفاده کنید. هویت AWS و مدیریت دسترسی سیاست های (IAM) نیز مورد نیاز است، جزئیاتی که می توانید در مخزن GitHub بیابید.
اجزای کلیدی یک عامل چند وجهی
چند جزء کلیدی عامل چند وجهی وجود دارد:
- توابع تعریف شده برای ابزارهای عامل چند وجهی
- ابزارهای تعریف شده برای عامل چند وجهی
- حافظه بلند مدت برای عامل چند وجهی
- عامل چندوجهی مبتنی بر برنامه ریز - مجری (تعریف شده با ابزارها، LLMها و حافظه)
در این بخش، اجزای کلیدی را با تکههای کد مرتبط نشان میدهیم.
توابع تعریف شده برای ابزارهای عامل چند وجهی
عامل چند وجهی باید از سرویسهای هوش مصنوعی مختلف برای پردازش انواع مختلف دادهها مانند متن، گفتار، تصاویر و موارد دیگر استفاده کند. برخی از این توابع ممکن است نیاز به فراخوانی سرویسهای هوش مصنوعی AWS مانند Amazon Comprehend برای تجزیه و تحلیل متن، Amazon Txtract برای تجزیه و تحلیل تصاویر و اسناد و Amazon Transcript برای تبدیل گفتار به متن داشته باشند. این توابع را می توان به صورت محلی در یک عامل فراخوانی کرد یا به عنوان توابع Lambda که عامل می تواند فراخوانی کند، مستقر شوند. توابع لامبدا به صورت داخلی خدمات مربوط به هوش مصنوعی AWS را فراخوانی میکنند و نتایج را به نماینده برمیگردانند. این رویکرد منطق را مدولار می کند و عامل را قابل نگهداری و توسعه تر می کند.
تابع زیر نحوه محاسبه پرتفوی بهینه شده را بر اساس سهام انتخابی تعریف می کند. یکی از راههای تبدیل تابع مبتنی بر پایتون به ابزار LLM استفاده از آن است BaseTool لفافه
کد زیر کد Lambda برای فراخوانی APIهای سرویس AWS AI (Amazon Comprehend، Amazon Texttract، Amazon Transcribe) است:
ابزارهای تعریف شده برای عامل چند وجهی
عامل چند وجهی به ابزارهای مختلفی برای فعال کردن عملکرد خود دسترسی دارد. می تواند از پایگاه داده سهام برای پاسخ به سوالات مربوط به سهام پرس و جو کند. می تواند با استفاده از یک ابزار اختصاصی یک نمونه کار را بهینه کند. این می تواند اطلاعات را از Amazon Kendra، سرویس جستجوی سازمانی آمازون بازیابی کند. ابزار Python REPL به عامل اجازه می دهد تا کد پایتون را اجرا کند. نمونه ای از ساختار ابزارها شامل نام و توضیحات آنها در کد زیر نشان داده شده است. جعبه ابزار واقعی این پست دارای هشت ابزار است: ابزار جستجوی سهام، ابزار بهینه سازی پورتفولیو، ابزار جستجوی اطلاعات مالی، ابزار محاسبه پایتون، ابزار تحلیل احساسات، ابزار تشخیص عبارات، ابزار استخراج متن و ابزار صوتی رونویسی.
حافظه بلند مدت برای عامل چند وجهی
کد زیر پیکربندی حافظه بلند مدت برای عامل چند وجهی را نشان می دهد. در این کد، جدول DynamoDB به عنوان حافظه برای ذخیره اعلان ها و پاسخ ها برای مراجعات بعدی اضافه شده است.
عامل چندوجهی مبتنی بر برنامه ریز - مجری
La برنامه ریز - مجری معماری عامل چند وجهی مبتنی بر دو جزء اصلی است: یک برنامه ریز و یک مجری. برنامه ریز یک طرح سطح بالا با مراحل مورد نیاز برای اجرا و پاسخ به سؤال فوری ایجاد می کند. سپس مجری این طرح را با ایجاد پاسخ های سیستمی مناسب برای هر مرحله طرح با استفاده از مدل زبان با ابزارهای لازم اجرا می کند. کد زیر را ببینید:
سناریوهای نمونه بر اساس سؤالات تحلیلگر مالی
در این بخش، دو سناریو نمونه را بررسی میکنیم تا مراحل پایان به انتها انجام شده توسط عامل چندوجهی را بر اساس سؤالات تحلیلگر مالی نشان دهیم.
سناریوی 1: سوالات تحلیلگر مالی در رابطه با داده های ساختاریافته
در این سناریو، تحلیلگر مالی یک سوال به زبان انگلیسی در رابطه با سهام شرکت ها از نماینده چند وجهی می پرسد. عامل LangChain چند وجهی با یک طرح چند مرحله ای می آید و تصمیم می گیرد از چه ابزارهایی برای هر مرحله استفاده کند. نمودار زیر یک نمونه گردش کار را با مراحل زیر نشان می دهد:
- تحلیلگر مالی یک سوال مالی به زبان انگلیسی از طریق UI از نماینده چند وجهی می پرسد.
- عامل تشخیص می دهد که برای پاسخ به سوال به ابزار پایگاه داده نیاز دارد. این یک پرس و جو SQL را با استفاده از یک LLM بر اساس سؤال ایجاد می کند و پایگاه داده Athena را پرس و جو می کند.
- آتنا پرس و جوی SQL را اجرا می کند، نتیجه مربوطه (سری زمانی قیمت سهام پنج شرکت) را بازیابی می کند و نتیجه را با داده های مربوطه به نماینده می دهد.
- عامل تشخیص می دهد که برای پاسخ به سوال به ابزار دوم نیاز دارد. داده های بازیابی شده را برای بهینه سازی پورتفولیو به ابزار پایتون ارسال می کند.
- ابزار پایتون پورتفولیو بهینه مورد نیاز، از جمله وزنها را محاسبه میکند و پاسخ را به LLM درون عامل ارسال میکند.
- نماینده اطلاعات و محاسبات مورد نیاز را با استفاده از LLM جمع آوری می کند و به تحلیلگر مالی از طریق UI به زبان انگلیسی پاسخ می دهد.
تحلیلگر مالی سوال زیر را مطرح می کند:
"قیمت های بسته شدن سهام AAAA، WWW، DDD در سال 2018 چقدر است؟ آیا می توانید با استفاده از این سه سهام یک سبد بهینه بسازید؟"
کد زیر مراحل شناسایی شده توسط برنامه ریز عامل چند وجهی را نشان می دهد:
عامل اعلان سؤال را به پرس و جوی SQL زیر ترجمه کرد:
کد زیر پاسخ نهایی توسط عامل چند وجهی را بر اساس سوال نشان می دهد:
سناریو 2: سوالات تحلیلگر مالی در رابطه با داده های بدون ساختار
در این سناریو، یک تحلیلگر مالی سوالات متعددی در مورد سلامت مالی شرکت از نماینده چند وجهی می پرسد. عامل برای جمع آوری اطلاعات و انجام محاسبات لازم، دو عامل ابزار، آمازون کندرا با داده های بدون ساختار و یک ابزار محاسبه پایتون را فراخوانی می کند. سپس عامل اطلاعات را از ابزارها با استفاده از مدل زبان خود جمع آوری می کند و پاسخ کامل را در اختیار تحلیلگر قرار می دهد. کلید این سناریو این است که نماینده بتواند سوالات و پاسخ های سوالات قبلی را به خاطر بسپارد و زمینه را در گفتگو بگنجاند. نمودار زیر روند کار را نشان می دهد که شامل مراحل زیر است:
- تحلیلگر مالی یک سوال مالی به زبان انگلیسی از طریق UI از نماینده چند وجهی می پرسد.
- عامل تشخیص می دهد که برای پاسخ به سوال به ابزار آمازون کندرا نیاز دارد و ابزار عامل آمازون کندرا را فراخوانی می کند.
- آمازون کندرا مجموعه داده های بدون ساختار را در آمازون S3 جستجو می کند و سند مربوطه حاوی پاسخ را بازیابی می کند.
- آمازون کندرا با استفاده از Retrieval Augmented Generation (RAG)، پاسخ را از سند مربوطه به LLM درون عامل منتقل می کند.
- عامل تشخیص می دهد که برای پاسخ به بخش دوم سوال به ابزار دوم نیاز دارد. اطلاعات را از اولین ابزار به ابزار محاسبه پایتون منتقل می کند.
- ابزار Python نسبت مورد نیاز را محاسبه می کند و پاسخ را به LLM درون عامل ارسال می کند.
- نماینده اطلاعات و محاسبات مورد نیاز را با استفاده از LLM جمع آوری می کند و از طریق UI به تحلیلگر مالی پاسخ می دهد.
در زیر پرسش و پاسخ بین تحلیلگر و عامل چند وجهی آمده است.
نماینده به این سوال پاسخ می دهد "ضرر خالص آمازون برای سال مالی منتهی به دسامبر 2022 چقدر است؟آمازون مجموع فروش خالص 514.0 میلیارد دلار و زیان خالص 2.7 میلیارد دلار را برای سال مالی 2022 گزارش کرد. منبع گزارش آمازون 10K برای سال مالی منتهی به دسامبر 2022 است که با استفاده از Retrive_Kendra
ابزار
برای سوال ”ضرر خالص همان سال چقدر است؟نماینده پاسخ می دهد: 2.7 میلیارد دلار. منبع گزارش آمازون 10K برای سال مالی منتهی به دسامبر 2022 است که با استفاده از Retrive_Kendra
ابزار. توجه داشته باشید که با وجود اینکه سوال مشابه سوال دوم است، این سوال نام شرکت یا شماره سال را مشخص نکرده است. با این حال، نماینده توانست از نام شرکت و سال صحیح بر اساس زمینه در حافظه مکالمه استفاده کند.
برای سوال ”فرمول نسبت حاشیه سود خالص که نوعی نسبت سودآوری است چیست؟نماینده پاسخ می دهد: "آمازون مجموع فروش خالص 514.0 میلیارد دلار و ضرر خالص 2.7 میلیارد دلار را برای سال مالی 2022 گزارش کرد. نسبت حاشیه سود خالص برای آمازون برای سال مالی 2022 - 0.5٪ است." منبع است Retrieve_Kendra
و PythonREPLTool().
عمیق تر در محلول فرو بروید
برای غواصی عمیق تر در راه حل و کد نشان داده شده در این پست، این را بررسی کنید GitHub repo.
در مخزن GitHub، شما قادر خواهید بود یک نوت بوک پایتون را پیدا کنید که راه حل انتها به انتها، AWS CloudFormation الگوی تهیه زیرساخت، دادههای بدون ساختار (فایلهای PDF گزارش سود، فایلهای صوتی فراخوانی درآمد)، و دادههای ساختاریافته (سریهای زمانی سهام).
در ضمیمه در پایان، سوالات مختلف توسط تحلیلگر مالی، ابزارهای عامل استناد شده و پاسخ از نماینده چند وجهی جدول بندی شده است.
پاک کردن
پس از اجرای عامل چند وجهی، مطمئن شوید که منابعی را که استفاده نمی شود پاک کنید. پایگاه داده های مورد استفاده (آتنا) را خاموش و حذف کنید. علاوه بر این، دادهها را در Amazon S3 حذف کنید و هرگونه نمونه نوتبوک SageMaker Studio را متوقف کنید تا هزینه دیگری متحمل نشوید. توابع Lambda و جداول DynamoDB را به عنوان بخشی از حافظه بلند مدت که استفاده نمی شود حذف کنید. اگر از SageMaker JumpStart برای استقرار یک LLM به عنوان نقطه پایانی بلادرنگ SageMaker استفاده کرده اید، نقطه پایانی را از طریق کنسول SageMaker یا SageMaker Studio حذف کنید.
نتیجه
این پست طیف گستردهای از سرویسهای ذخیرهسازی AWS، AI/ML و محاسباتی را نشان میدهد که میتوانید از آنها برای ایجاد یک راهحل پیشرفته هوش مصنوعی چند وجهی همراه با چارچوب LangChain و هوش مصنوعی مولد استفاده کنید. با یکپارچهسازی فناوریهای NLP، تشخیص گفتار و ML، عامل چندوجهی توسعهیافته در این سناریو میتواند روشهای مختلف دادههای مالی (ساختیافته و بدون ساختار) را تجزیه و تحلیل کند و به درخواستهای زبان طبیعی (انگلیسی) پاسخ دهد. این کار بهرهوری و کارایی تحلیلگران مالی را افزایش میدهد و به آنها اجازه میدهد روی کارهای استراتژیک و با ارزش بالا تمرکز کنند. راهحلهای هوش مصنوعی چند وجهی که توسط AWS ارائه میشوند، پتانسیل تغییر بازارهای مالی را با خودکارسازی وظایف تکراری، افزایش قابلیتهای انسانی و ایجاد بینشهای مبتنی بر داده به طور کارآمد دارند. برای داده های ساختاریافته، یک معماری داده مدرن با پایگاه های داده متعدد را می توان با هوش مصنوعی و LLM مولد ترکیب کرد. برای جزئیات بیشتر مراجعه کنید اختراع مجدد تجربه داده: از هوش مصنوعی مولد و معماری داده مدرن برای باز کردن بینش ها استفاده کنید. همچنین رجوع شود به بستر آمازون برای موارد استفاده در هوش مصنوعی مولد، مدلهای پایه و مدلهای زبان بزرگ.
ضمیمه
جدول زیر حاوی نمونه سوالاتی است که توسط یک تحلیلگر مالی برای پرسیدن از عامل چندوجهی بر اساس داده های ساختاریافته و بدون ساختار انجام شده است.
هدف سوال | سوالی که توسط تحلیلگران مالی از طریق UI پرسیده شده است | ابزار عامل فراخوانی شد | خدمات اولیه AWS که توسط ابزارهای عامل استفاده می شود | پاسخ از نماینده چند وجهی |
از عامل LangChain بخواهید تا اطلاعات را از داده های جمع آوری شده پیش پردازش و استخراج کند | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. ابزار استخراج متن |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
از عامل LangChain بخواهید که صداهای ضبط شده را به متن رونویسی کند | 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. |
از نماینده LangChain بخواهید تا سلامت مالی و عملکرد شرکت را تجزیه و تحلیل کند | 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. |
از نماینده LangChain بخواهید تا عملکرد مالی شرکت را از گزارش های سود شرکت تجزیه و تحلیل کند | 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. |
از نماینده LangChain بخواهید تیم مدیریت شرکت و برنامه های آنها برای آینده را از گزارش های سود شرکت تجزیه و تحلیل کند. | 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. |
از نماینده LangChain بخواهید استراتژی شرکت را از گزارش های درآمد شرکت تجزیه و تحلیل کند | 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. |
از نماینده LangChain بخواهید تا تجزیه و تحلیل احساسات را در ضبط تماس های درآمد انجام دهد | 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. |
از عامل LangChain بخواهید با استفاده از داده های جمع آوری شده، یک نمونه کار بهینه بسازد | 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%' |
درباره نویسنده
سوویک کومار نات یک معمار راه حل AI/ML با AWS است. او تجربه گسترده ای در طراحی راه حل های یادگیری ماشینی و تجزیه و تحلیل کسب و کار سرتاسر در امور مالی، عملیات، بازاریابی، مراقبت های بهداشتی، مدیریت زنجیره تامین و اینترنت اشیا دارد. Sovik مقالاتی منتشر کرده است و دارای حق ثبت اختراع در نظارت بر مدل ML است. او دارای دو مدرک کارشناسی ارشد از دانشگاه فلوریدا جنوبی، دانشگاه فریبورگ، سوئیس، و مدرک لیسانس از موسسه فناوری هند، خاراگپور است. سوویک خارج از محل کار، از مسافرت، کشتی سواری و تماشای فیلم لذت می برد.
موهان موستی مدیر حساب فنی ارشد مستقر در دالاس است. Mohan به مشتریان کمک می کند تا برنامه ها را در AWS معمار و بهینه کنند. موهان دارای علوم و مهندسی کامپیوتر از دانشگاه JNT هند است. در اوقات فراغت از گذراندن اوقات فراغت با خانواده و کمپینگ لذت می برد.
جیا (Vivian) لی یک معمار ارشد راه حل در AWS، با تخصص در AI/ML است. او در حال حاضر از مشتریان در صنعت مالی پشتیبانی می کند. قبل از پیوستن به AWS در سال 2022، او 7 سال تجربه در پشتیبانی از مشتریان سازمانی از AI/ML در فضای ابری برای هدایت نتایج کسب و کار داشت. ویویان دارای مدرک لیسانس از دانشگاه پکن و دکترا از دانشگاه کالیفرنیای جنوبی است. او در اوقات فراغت خود از تمام فعالیت های آبی و پیاده روی در کوه های زیبای ایالت خود، کلرادو لذت می برد.
اوچنا اگبه یک معمار راه حل های AIML است که از ساخت راه حل های AIML قابل استفاده مجدد لذت می برد. اوچنا دارای مدرک MS از دانشگاه آلاسکا فیربنکس است. او اوقات فراغت خود را صرف تحقیق در مورد گیاهان، چای، غذاهای فوق العاده و نحوه گنجاندن آنها در رژیم غذایی روزانه خود می کند.
ناونتی توتجا یک متخصص داده در خدمات وب آمازون است. قبل از پیوستن به AWS، Navneet به عنوان تسهیلکننده برای سازمانهایی که به دنبال مدرنسازی معماری دادههای خود و پیادهسازی راهحلهای جامع AI/ML بودند، کار میکرد. او دارای مدرک مهندسی از دانشگاه تاپار و همچنین مدرک کارشناسی ارشد آمار از دانشگاه تگزاس A&M است.
پرافول کاوا یک معمار راه حل های تخصصی Sr. در AWS است. او مشتریان را برای طراحی و مهندسی خطوط لوله تجزیه و تحلیل مقیاس ابری در AWS راهنمایی می کند. در خارج از محل کار، او از سفر با خانواده و کاوش در مسیرهای پیاده روی جدید لذت می برد.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : دارد
- :است
- :نه
- :جایی که
- ][پ
- $UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- توانایی
- قادر
- درباره ما
- دسترسی
- حساب
- حساب ها
- دقت
- به درستی
- دست
- دستیابی به
- در میان
- فعالیت ها
- واقعی
- اضافه
- اضافه
- پیشرفته
- مزیت - فایده - سود - منفعت
- عامل
- عاملان
- فرز
- AI
- خدمات هوش مصنوعی
- سیستم های هوش مصنوعی
- AI / ML
- AIML
- اهداف
- آلاسکا
- معرفی
- تخصیص
- اجازه دادن
- اجازه می دهد تا
- در امتداد
- همچنین
- هر چند
- آمازون
- درک آمازون
- آمازون کندرا
- متن آمازون
- آمازون رونوشت
- آمازون خدمات وب
- an
- تحلیل
- روانکاو
- تحلیلگران
- علم تجزیه و تحلیل
- تحلیل
- تجزیه و تحلیل
- و
- سالیانه
- پاسخ
- پاسخ
- آنتروپیک
- هر
- API
- کلیدهای API
- رابط های برنامه کاربردی
- کاربرد
- برنامه های کاربردی
- روش
- مناسب
- معماری
- هستند
- دور و بر
- مقالات
- AS
- پرسیدن
- دارایی
- کمک کردن
- مرتبط است
- At
- سمعی
- افزوده شده
- اتوماتیک
- اتوماسیون
- در دسترس
- AWS
- به عقب
- مستقر
- BE
- خوشگل
- بوده
- قبل از
- بودن
- بهتر
- میان
- بزرگترین
- بیلیون
- تقویت می کند
- جعبه
- ساختن
- بنا
- ساخته
- کسب و کار
- by
- محاسبه
- محاسبه می کند
- محاسبه
- محاسبات
- کالیفرنیا
- صدا
- نام
- فراخوانی
- تماس ها
- CAN
- قابلیت های
- موارد
- زنجیر
- زنجیر
- چالش ها
- تبادل
- کانال
- بار
- chatbots
- بررسی
- برگزیده
- مشتریان
- بسته
- ابر
- رمز
- جمع آوری
- کلرادو
- ترکیب
- ترکیب
- ترکیب
- می آید
- آینده
- ارتباط
- شرکت
- شرکت
- شرکت
- سازگار
- رقابت
- رقابتی
- پیچیده
- پیچیدگی
- جزء
- اجزاء
- درک
- جامع
- محاسبات
- محاسبه
- کامپیوتر
- علم کامپیوتر
- مفهومی
- نگرانی
- پیکر بندی
- پیوستگی
- اتصال
- تشکیل شده است
- کنسول
- ادغام می کند
- مصرف کننده
- شامل
- زمینه
- مداوم
- کمک
- گفتگو
- تبدیل
- اصلاح
- هزینه
- هزینه
- میتوانست
- ایجاد شده
- جاری
- در حال حاضر
- مشتری
- تجربه مشتری
- مشتریان
- روزانه
- دالاس
- داده ها
- پردازش داده ها
- داده محور
- پایگاه داده
- پایگاه های داده
- تاریخ
- دسامبر
- تصمیم گیری
- اختصاصی
- عمیق تر
- مشخص
- تعریف می کند
- درجه
- تقاضا
- نشان دادن
- نشان
- بستگی دارد
- گسترش
- مستقر
- شرح داده شده
- شرح
- طرح
- طراحی
- جزئیات
- تشخیص
- کشف
- مشخص کردن
- توسعه
- رژیم غذایی
- مختلف
- مشکل
- شیرجه رفتن
- مختلف
- تنوع
- do
- سند
- اسناد و مدارک
- انجام شده
- دو برابر
- پایین
- راندن
- رانده
- درایور
- دو
- هر
- سود
- درامد
- درآمد تماس بگیرید
- به آسانی
- اقتصادی
- بهره وری
- موثر
- موثر
- تلاش
- هر دو
- ایمیل
- ظهور می کند
- قادر ساختن
- را قادر می سازد
- شامل
- پایان
- پشت سر هم
- پایان
- نقطه پایانی
- مهندس
- مهندسی
- انگلیسی
- افزایش
- افزایش
- وارد شدن
- سرمایه گذاری
- سرگرمی
- به خصوص
- حتی
- مثال
- برتری
- تبادل
- موجود
- منبسط
- گسترش
- توسعه
- تجربه
- توضیح دهید
- اکتشاف
- اکتشاف
- بررسی
- وسیع
- تجربه گسترده
- عصاره
- استخراج
- تسهیل کننده
- نما
- خانواده
- سریعتر
- کمی از
- فایل ها
- ادویه جات
- نهایی
- سرمایه گذاری
- مالی
- اطلاعات مالی
- اطلاعات مالی
- عملکرد مالی
- سیستم های مالی
- پیدا کردن
- پیدا کردن
- نام خانوادگی
- مالی
- پنج
- فلوریدا
- تمرکز
- تمرکز
- پیروی
- به دنبال آن است
- برای
- پیش بینی
- قالب
- فرمول
- پایه
- تکه تکه
- چارچوب
- تقلب
- کشف تقلب
- جعلی
- رایگان
- غالبا
- از جانب
- سوخت
- کامل
- تابع
- قابلیت
- توابع
- بیشتر
- آینده
- افزایش
- به دست آوردن
- جمع آوری
- تولید می کنند
- تولید می کند
- مولد
- نسل
- مولد
- هوش مصنوعی مولد
- GIF
- GitHub
- اهداف
- خوب
- بیشتر
- رشد
- شدن
- رشد
- راهنما
- بود
- دسته
- آیا
- he
- سلامتی
- بهداشت و درمان
- کمک می کند
- او
- اینجا کلیک نمایید
- زیاد
- در سطح بالا
- بالاتر
- خود را
- دارای
- صفحه اصلی
- میزبانی
- چگونه
- چگونه
- اما
- HTTP
- HTTPS
- انسان
- i
- شناسایی
- شناسایی می کند
- شناسایی
- هویت
- if
- نشان می دهد
- تصاویر
- انجام
- مهم
- بهبود
- بهبود
- in
- شامل
- شامل
- از جمله
- ترکیب کردن
- ادغام شده
- افزایش
- افزایش
- افزایش
- هندوستان
- هندی
- صنعت
- تورم
- تورمی
- فشارهای تورمی
- اطلاعات
- شالوده
- نوآوری
- ابداع
- ورودی
- محرم راز
- تجارت خودی
- بینش
- موسسه
- ادغام
- اطلاعات
- هوشمند
- پردازش هوشمند اسناد
- اثر متقابل
- فعل و انفعالات
- در ارتباط بودن
- داخلی
- به
- سرمایه گذاری
- سرمایه گذاری
- سرمایه گذاران
- استناد کرد
- فراخوانی میکند
- گرفتار
- اینترنت اشیا
- IT
- ITS
- پیوستن
- JPG
- کلید
- کلید
- دانش
- کومار
- عدم
- زبان
- بزرگ
- برجسته
- یادگیری
- قدرت نفوذ
- پسندیدن
- محدود
- مرتبط
- نقدینگی
- فهرست
- LLM
- به صورت محلی
- منطق
- دراز مدت
- نگاه کنيد
- مراجعه
- خاموش
- کم
- دستگاه
- فراگیری ماشین
- اصلی
- قابل نگهداری
- ساخت
- باعث می شود
- مدیریت
- تیم مدیریت
- دست کاری
- روش
- حاشیه
- بازار
- دستکاری در بازار
- بازار یابی (Marketing)
- بازارها
- کارشناسی ارشد
- ریاضی
- ممکن است..
- رسانه ها
- حافظه
- اشاره می کند
- ML
- مدل
- مدل سازی
- مدل
- مدرن
- نوین کردن
- نظارت بر
- بیش
- اکثر
- فیلم ها
- متحرک
- MS
- چندگانه
- باید
- نام
- نام
- طبیعی
- پردازش زبان طبیعی
- طبیعت
- لازم
- را ضروری می کند
- نیاز
- نیازهای
- منفی
- خالص
- جدید
- محصولات جدید
- اخبار
- nlp
- دفتر یادداشت
- اکنون
- عدد
- اوراق قرضه
- of
- خاموش
- پیشنهادات
- پیشنهادات
- on
- ONE
- قابل استفاده
- عملیات
- بهینه
- بهینه سازی
- بهینه سازی
- بهینه
- or
- سفارش
- سازمان های
- دیگر
- ما
- خارج
- خارج از
- به طور کلی
- بخش
- عبور می کند
- حق ثبت اختراع
- پرداخت
- پکن
- درصد
- انجام
- کارایی
- انجام
- دکترا
- عبارات
- برنامه
- برنامه
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- لطفا
- نقطه
- سیاست
- محبوب
- محبوبیت
- مقام
- به شمار
- موقعیت
- پست
- پتانسیل
- قدرت
- صفحه اصلی
- فشار
- قبلی
- قبلا
- قیمت
- قیمت
- قیمت گذاری
- در درجه اول
- اصلی
- قبلا
- روند
- در حال پردازش
- بهره وری
- محصولات
- سود
- سودبخشی
- منافع
- پیشرفت
- ارائه
- فراهم می کند
- منتشر شده
- پــایتــون
- کیفیت
- کمی
- یک چهارم
- نمایش ها
- سوال
- سوالات
- به سرعت
- نقل قول کردن
- محدوده
- نرخ
- نسبت
- RE
- اماده
- زمان واقعی
- اخیر
- به رسمیت شناختن
- ضبط
- مراجعه
- مربوط
- نسبی
- مربوط
- به یاد داشته باشید
- تکراری
- گزارش
- گزارش
- گزارش
- گزارش ها
- ضروری
- نیاز
- تحقیق
- منابع
- پاسخ
- پاسخ
- پاسخ
- نتیجه
- نتایج
- خرده فروشی
- برگشت
- قابل استفاده مجدد
- درامد
- رشد درآمد
- راست
- خطر
- خطرات
- تنومند
- روال
- دویدن
- اجرا می شود
- s
- S&P
- حکیم ساز
- حراجی
- همان
- نگهداری می شود
- صرفه جویی کردن
- مقیاس پذیر
- مقیاس
- سناریو
- سناریوها
- علم
- نمره
- sdk
- جستجو
- جستجو
- دوم
- بخش
- بخش
- امن
- دیدن
- مشاهده
- به دنبال
- جستجو می کند
- به نظر می رسد
- انتخاب
- خود
- ارشد
- احساس
- احساسات
- سلسله
- سرویس
- خدمات
- جلسه
- او
- کوتاه مدت
- نقدینگی کوتاه مدت
- باید
- نمایشگاه
- نشان داده شده
- نشان می دهد
- خاموش
- قابل توجه
- مشابه
- ساده
- مهارت ها
- آگاهی
- رسانه های اجتماعی
- راه حل
- مزایا
- برخی از
- مصنوعی
- منبع
- منابع
- جنوب
- فلوریدای جنوبی
- جنوبی
- متخصص
- خاص
- سخنرانی - گفتار
- تشخیص گفتار
- سرعت
- هزینه
- گسترش
- استاندارد سازی
- دولت
- ارقام
- ماندن
- گام
- مراحل
- موجودی
- سهام
- توقف
- ذخیره سازی
- opbevare
- ذخیره شده
- پرده
- ذخیره سازی
- استراتژیک
- استراتژی
- تقویت
- ساختار
- ساخت یافته
- استودیو
- اشتراک، ابونمان
- اشتراک
- چنین
- مناسب
- دنباله
- خلاصه کردن
- خلاصه
- تامین کنندگان
- عرضه
- زنجیره تامین
- مدیریت زنجیره تامین
- پشتیبانی
- حمایت از
- پشتیبانی از
- مطمئن
- سویس
- سیستم
- سیستم های
- جدول
- مصرف
- کار
- وظایف
- تیم
- فنی
- فن آوری
- پیشرفته
- قالب
- وابسته به تکزاس
- متن
- که
- La
- آینده
- اطلاعات
- منبع
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- اینها
- آنها
- چیز
- این
- اگر چه؟
- تهدید کن
- سه
- از طریق
- زمان
- سری زمانی
- به
- ابزار
- ابزار
- ابزار
- بالا
- موضوع
- جمع
- تجارت
- قطار
- رونوشت
- دگرگون کردن
- دگرگونی
- حمل و نقل
- سفر
- روند
- دو
- نوع
- انواع
- ui
- فهمیدن
- درک
- دانشگاه
- باز
- باز کردن قفل
- نزدیک
- به روز شده
- us
- استفاده کنید
- استفاده
- کاربر
- کاربران
- استفاده
- با استفاده از
- استفاده
- استفاده می کند
- ارزشمند
- ارزش
- تنوع
- مختلف
- نسخه
- از طريق
- تصویری
- جلد
- بود
- تماشای
- آب
- مسیر..
- راه
- we
- وب
- خدمات وب
- خوب
- بود
- چی
- چه زمانی
- که
- WHO
- وسیع
- دامنه گسترده
- اراده
- با
- در داخل
- مهاجرت کاری
- مشغول به کار
- گردش کار
- سال
- سال
- شما
- شما
- زفیرنت