Les données multimodales sont un élément précieux du secteur financier, englobant les données de marché, économiques, clients, d'actualité et de médias sociaux, ainsi que les données sur les risques. Les organisations financières génèrent, collectent et utilisent ces données pour obtenir des informations sur les opérations financières, prendre de meilleures décisions et améliorer leurs performances. Cependant, les données multimodales présentent des défis en raison de la complexité et du manque de standardisation des systèmes financiers, des formats et de la qualité des données, ainsi que de la nature fragmentée et non structurée des données. Les clients financiers ont souvent décrit les frais opérationnels liés à l'obtention d'informations financières à partir de données multimodales, ce qui nécessite une logique d'extraction et de transformation complexe, entraînant des efforts et des coûts excessifs. Les défis techniques liés aux données multimodales incluent en outre la complexité de l'intégration et de la modélisation de différents types de données, la difficulté de combiner des données provenant de plusieurs modalités (texte, images, audio, vidéo) et la nécessité de compétences informatiques avancées et d'outils d'analyse sophistiqués.
L’un des moyens de plus en plus populaires de gérer les données multimodales est l’utilisation d’agents multimodaux. Les agents multimodaux sont des systèmes d'IA capables de comprendre et d'analyser les données selon plusieurs modalités en utilisant les bons outils de leur boîte à outils. Ils sont capables de relier les informations de ces divers types de données pour acquérir une compréhension plus complète et générer des réponses appropriées. Les agents multimodaux, associés à l’IA générative, trouvent une application largement répandue sur les marchés financiers. Voici quelques cas d’utilisation courants :
- Reporting intelligent et veille commerciale – L’IA peut analyser diverses sources d’informations financières pour générer des rapports d’information sur le marché, aidant ainsi les analystes, les investisseurs et les entreprises à se tenir au courant des tendances. Les agents multimodaux peuvent résumer rapidement de longs rapports financiers, ce qui permet aux analystes d'économiser beaucoup de temps et d'efforts.
- Modélisation et prévisions quantitatives – Les modèles génératifs peuvent synthétiser de grands volumes de données financières pour former des modèles d'apprentissage automatique (ML) pour des applications telles que la prévision du cours des actions, l'optimisation de portefeuille, la modélisation des risques, etc. Les modèles multimodaux qui comprennent diverses sources de données peuvent fournir des prévisions plus robustes.
- Conformité et détection des fraudes – Cette solution peut être étendue pour inclure des outils de surveillance qui analysent les canaux de communication tels que les appels, les e-mails, les chats, les journaux d'accès, etc. afin d'identifier les délits d'initiés potentiels ou les manipulations de marché. La détection des collusions frauduleuses sur tous les types de données nécessite une analyse multimodale.
Un agent multimodal doté d'une IA générative augmente la productivité d'un analyste financier en automatisant les tâches répétitives et routinières, libérant ainsi du temps pour que les analystes puissent se concentrer sur un travail à grande valeur ajoutée. Les agents multimodaux peuvent amplifier la capacité d'un analyste à obtenir des informations en l'aidant à la recherche et à l'analyse. Les agents multimodaux peuvent également générer des analyses quantitatives et des modèles financiers améliorés, permettant aux analystes de travailler plus rapidement et avec plus de précision.
La mise en œuvre d'un agent multimodal avec AWS consolide les informations clés issues de diverses données structurées et non structurées à grande échelle. Les agents multimodaux peuvent facilement combiner la puissance des offres d'IA générative de Socle amazonien ainsi que Amazon SageMaker JumpStart avec les capacités de traitement des données d'AWS Analytics et des services AI/ML pour fournir des solutions agiles qui permettent aux analystes financiers d'analyser et de recueillir efficacement des informations à partir de données multimodales de manière sécurisée et évolutive au sein d'AWS. Amazon propose une suite de services d'IA qui permettent le traitement du langage naturel (NLP), la reconnaissance vocale, l'extraction de texte et la recherche :
- Amazon comprendre est un service PNL qui peut analyser le texte à la recherche de phrases clés et analyser les sentiments
- Extrait d'Amazon est un service de traitement de documents intelligent capable d'extraire avec précision le texte et les données des documents
- Amazon Transcribe est un service de reconnaissance vocale automatique capable de convertir la parole en texte
- Amazone Kendra est un service de recherche d'entreprise optimisé par ML pour trouver des informations dans diverses sources de données, notamment des documents et des bases de connaissances.
Dans cet article, nous présentons un scénario dans lequel un analyste financier interagit avec les données multimodales de l'organisation, résidant dans des magasins de données spécialement conçus, pour recueillir des informations financières. Dans l'interaction, nous démontrons comment les agents multimodaux planifient et exécutent la requête utilisateur et récupèrent les résultats des sources de données pertinentes. Tout cela est réalisé à l'aide des services AWS, augmentant ainsi l'efficacité de l'analyste financier pour analyser les données financières multimodales (textes, paroles et données tabulaires) de manière globale.
La capture d'écran suivante montre un exemple de l'interface utilisateur.
Vue d'ensemble de la solution
Le diagramme suivant illustre l'architecture conceptuelle permettant d'utiliser l'IA générative avec des données multimodales à l'aide d'agents. Les étapes impliquées sont les suivantes :
- L’analyste financier pose des questions via une plateforme comme les chatbots.
- La plateforme utilise un cadre pour déterminer l'outil d'agent multimodal le plus approprié pour répondre à la question.
- Une fois identifiée, la plateforme exécute le code qui est lié à l'outil préalablement identifié.
- L'outil génère une analyse des données financières à la demande de l'analyste financier.
- En résumant les résultats, de grands modèles de langage récupèrent et font rapport à l'analyste financier.
Architecture technique
L'agent multimodal orchestre divers outils basés sur les invites en langage naturel des utilisateurs professionnels pour générer des informations. Pour les données non structurées, l'agent utilise AWS Lambda fonctionne avec des services d'IA tels qu'Amazon Textract pour l'analyse de documents, Amazon Transcribe pour la reconnaissance vocale, Amazon Comprehend pour le NLP et Amazon Kendra pour la recherche intelligente. Pour les données structurées, l'agent utilise le connecteur SQL et SQLAlchemy pour analyser les bases de données, ce qui inclut Amazone Athéna. L'agent utilise également Python dans Lambda et le Amazon Sage Maker SDK pour les calculs et la modélisation quantitative. L'agent dispose également d'une mémoire à long terme pour stocker les invites et les résultats. Amazon DynamoDB. L'agent multimodal réside dans un bloc-notes SageMaker et coordonne ces outils en fonction des invites en anglais des utilisateurs professionnels dans une interface utilisateur Streamlit.
Les éléments clés de l'architecture technique sont les suivants :
- Stockage et analyse des données – Les enregistrements trimestriels des revenus financiers sous forme de fichiers audio, les rapports financiers annuels sous forme de fichiers PDF et les données boursières S&P sous forme de fichiers CSV sont hébergés sur Service de stockage simple Amazon (Amazon S3). L'exploration des données sur les données boursières se fait à l'aide d'Athena.
- Grands modèles de langage – Les grands modèles de langage (LLM) sont disponibles via Amazon Bedrock, SageMaker JumpStart ou une API.
- Agents – Nous utilisons les agents de LangChain pour une chaîne d'appels non prédéterminée en tant qu'entrée utilisateur dans les LLM et autres outils. Dans ce type de chaînes, il existe un agent qui a accès à une suite d'outils. Chaque outil a été conçu pour une tâche spécifique. En fonction de la saisie de l'utilisateur, l'agent décide de l'outil ou d'une combinaison d'outils à appeler pour répondre à la question. Nous avons créé les outils d'agent suivants spécialement conçus pour notre scénario :
- Outil de requête d'actions – Pour interroger les données des actions S&P à l’aide d’Athena et SQLAlchemy.
- Outil d'optimisation de portefeuille – Constituer un portefeuille basé sur les valeurs choisies.
- Outil de recherche d'informations financières – Pour rechercher des informations sur les revenus financiers stockées dans des fichiers PDF de plusieurs pages à l'aide d'Amazon Kendra.
- Outil de calcul Python – À utiliser pour les calculs mathématiques.
- Outil d'analyse des sentiments – Pour identifier et noter les sentiments sur un sujet à l’aide d’Amazon Comprehend.
- Outil de détection de phrases – Pour rechercher des phrases clés dans les rapports trimestriels récents à l'aide d'Amazon Comprehend.
- Outil d'extraction de texte – Pour convertir les versions PDF des rapports trimestriels en fichiers texte à l'aide d'Amazon Textract.
- Outil de transcription audio – Pour convertir des enregistrements audio en fichiers texte à l'aide d'Amazon Transcribe.
La mémoire de l'agent qui contient la chaîne des interactions utilisateur avec l'agent est enregistrée dans DynamoDB.
Les sections suivantes expliquent certaines des principales étapes avec le code associé. Pour approfondir la solution et le code de toutes les étapes présentées ici, reportez-vous au GitHub repo.
Pré-requis
Pour exécuter cette solution, vous devez disposer d'une clé API vers un LLM tel qu'Anthropic Claude v2, ou avoir accès aux modèles de fondation Amazon Bedrock.
Pour générer des réponses à partir de données structurées et non structurées à l'aide de LLM et LangChain, vous devez accéder aux LLM via Amazon Bedrock, SageMaker JumpStart ou des clés API, et utiliser des bases de données compatibles avec SQLAlchemy. Gestion des identités et des accès AWS (IAM) sont également requises, les détails que vous pouvez trouver dans le dépôt GitHub.
Composants clés d'un agent multimodal
Il existe quelques composants clés de l'agent multimodal :
- Fonctions définies pour les outils de l'agent multimodal
- Outils définis pour l'agent multimodal
- Mémoire à long terme pour l'agent multimodal
- Agent multimodal basé sur un planificateur-exécuteur (défini avec des outils, des LLM et de la mémoire)
Dans cette section, nous illustrons les composants clés avec les extraits de code associés.
Fonctions définies pour les outils de l'agent multimodal
L'agent multimodal doit utiliser divers services d'IA pour traiter différents types de données : texte, parole, images, etc. Certaines de ces fonctions peuvent devoir appeler des services AWS AI comme Amazon Comprehend pour analyser du texte, Amazon Textract pour analyser des images et des documents et Amazon Transcribe pour convertir la parole en texte. Ces fonctions peuvent être appelées localement au sein de l'agent ou déployées en tant que fonctions Lambda que l'agent peut appeler. Les fonctions Lambda appellent en interne les services AWS AI concernés et renvoient les résultats à l'agent. Cette approche modularise la logique et rend l'agent plus maintenable et extensible.
La fonction suivante définit comment calculer le portefeuille optimisé en fonction des actions choisies. Une façon de convertir une fonction basée sur Python en un outil LLM consiste à utiliser le Outil de base emballage.
Voici le code pour Lambda appelant les API du service AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe) :
Outils définis pour l'agent multimodal
L'agent multimodal a accès à divers outils pour activer ses fonctionnalités. Il peut interroger une base de données boursière pour répondre aux questions sur les actions. Il peut optimiser un portefeuille à l’aide d’un outil dédié. Il peut récupérer des informations auprès d'Amazon Kendra, le service de recherche d'entreprise d'Amazon. Un outil Python REPL permet à l'agent d'exécuter du code Python. Un exemple de la structure des outils, y compris leurs noms et descriptions, est présenté dans le code suivant. La boîte à outils actuelle de cet article comprend huit outils : outil de requête d'actions, outil d'optimisation de portefeuille, outil de recherche d'informations financières, outil de calcul Python, outil d'analyse des sentiments, outil de détection d'expressions, outil d'extraction de texte et outil de transcription audio.
Mémoire à long terme pour l'agent multimodal
Le code suivant illustre la configuration de la mémoire à long terme pour l'agent multimodal. Dans ce code, la table DynamoDB est ajoutée en tant que mémoire pour stocker les invites et les réponses pour référence future.
Agent multimodal basé sur un planificateur-exécuteur
La planificateur-exécuteur L'architecture d'agent multimodale basée sur l'agent comporte deux composants principaux : un planificateur et un exécuteur. Le planificateur génère un plan de haut niveau avec les étapes requises pour exécuter et répondre à la question rapide. L'exécuteur exécute ensuite ce plan en générant des réponses système appropriées pour chaque étape du plan en utilisant le modèle de langage avec les outils nécessaires. Voir le code suivant :
Exemples de scénarios basés sur des questions posées par un analyste financier
Dans cette section, nous explorons deux exemples de scénarios pour illustrer les étapes de bout en bout effectuées par l'agent multimodal en fonction des questions posées par l'analyste financier.
Scénario 1 : Questions de l'analyste financier liées aux données structurées
Dans ce scénario, l'analyste financier pose à l'agent multimodal une question en anglais relative aux actions des entreprises. L'agent multimodal LangChain propose un plan en plusieurs étapes et décide des outils à utiliser pour chaque étape. Le diagramme suivant illustre un exemple de flux de travail avec les étapes suivantes :
- L'analyste financier pose une question financière en anglais via l'interface utilisateur à l'agent multimodal.
- L'agent identifie qu'il a besoin de l'outil de base de données pour répondre à la question. Il génère une requête SQL à l'aide d'un LLM basé sur la question et interroge la base de données Athena.
- Athena exécute la requête SQL, récupère le résultat pertinent (série chronologique des cours des actions des cinq sociétés) et transmet le résultat avec les données pertinentes à l'agent.
- L'agent identifie qu'il a besoin d'un deuxième outil pour répondre à la question. Il transmet les données récupérées à l'outil Python pour l'optimisation du portefeuille.
- L'outil Python calcule le portefeuille optimal requis, y compris les pondérations, et transmet la réponse au LLM au sein de l'agent.
- L'agent compile les informations et calculs requis à l'aide du LLM et répond à l'analyse financière via l'interface utilisateur en anglais.
L'analyste financier pose la question suivante :
"Quels sont les cours de clôture des actions AAAA, WWW, DDD en 2018 ? Pouvez-vous constituer un portefeuille optimisé en utilisant ces trois actions ? »
Le code suivant montre les étapes identifiées par le planificateur de l'agent multimodal :
L'agent a traduit l'invite de question en la requête SQL suivante :
Le code suivant montre la réponse finale de l'agent multimodal en fonction de la question :
Scénario 2 : Questions de l'analyste financier liées aux données non structurées
Dans ce scénario, un analyste financier pose à l'agent multimodal plusieurs questions sur la santé financière de l'entreprise. L'agent appelle deux agents outils, Amazon Kendra avec des données non structurées et un outil de calcul Python, pour collecter des informations et effectuer les calculs nécessaires. L'agent compile ensuite les informations des outils à l'aide de son modèle de langage et fournit la réponse complète à l'analyste. La clé de ce scénario est que l’agent peut mémoriser les questions et les réponses des questions précédentes et intégrer le contexte dans la conversation. Le diagramme suivant illustre le flux de travail, qui comprend les étapes suivantes :
- L'analyste financier pose une question financière en anglais via l'interface utilisateur à l'agent multimodal.
- L'agent identifie qu'il a besoin de l'outil Amazon Kendra pour répondre à la question et appelle l'outil de l'agent Amazon Kendra.
- Amazon Kendra recherche le corpus de données non structurées dans Amazon S3 et récupère le document pertinent contenant la réponse.
- À l'aide de Retrieval Augmented Generation (RAG), Amazon Kendra transmet la réponse du document concerné au LLM au sein de l'agent.
- L'agent identifie qu'il a besoin d'un deuxième outil pour répondre à la deuxième partie de la question. Il transmet les informations du premier outil à l'outil de calcul Python.
- L'outil Python calcule le ratio requis et transmet la réponse au LLM au sein de l'agent.
- L'agent compile les informations et calculs requis à l'aide du LLM et répond à l'analyste financier via l'interface utilisateur.
Voici les questions et réponses entre l'analyste et l'agent multimodal.
L'agent répond à la question «Quelle est la perte nette d'Amazon pour l'exercice se terminant en décembre 2022 ?» avec « Amazon a déclaré un chiffre d'affaires net total de 514.0 milliards de dollars et une perte nette de 2.7 milliards de dollars pour l'exercice 2022 ». La source est le rapport Amazon 10K pour l'exercice se terminant en décembre 2022, récupéré à l'aide du Retrive_Kendra
Outil.
Pour la question «Quelle est la perte nette pour la même année ?» l'agent répond « 2.7 milliards de dollars ». La source est le rapport Amazon 10K pour l'exercice se terminant en décembre 2022, récupéré à l'aide du Retrive_Kendra
Outil. Notez que même si la question est similaire à la deuxième question, cette question ne précise pas le nom de l'entreprise ni le numéro de l'année. Cependant, l’agent a pu utiliser le nom et l’année corrects de l’entreprise en fonction du contexte dans la mémoire de la conversation.
Pour la question «Quelle est la formule du ratio de marge bénéficiaire nette qui est un type de ratio de rentabilité ?» l'agent répond « Amazon a déclaré un chiffre d'affaires net total de 514.0 milliards de dollars et une perte nette de 2.7 milliards de dollars pour l'exercice 2022. Le ratio de marge bénéficiaire nette d'Amazon pour l'exercice 2022 est de -0.5 %. La source est Retrieve_Kendra
ainsi que PythonREPLTool().
Plongez plus profondément dans la solution
Pour approfondir la solution et le code présenté dans cet article, consultez le GitHub repo.
Dans le dépôt GitHub, vous pourrez trouver un notebook Python doté de la solution de bout en bout, un AWS CloudFormation modèle pour l'approvisionnement de l'infrastructure, des données non structurées (fichiers PDF des rapports sur les résultats, fichiers audio des appels sur les résultats) et des données structurées (séries chronologiques d'actions).
Dans l'annexe à la fin, différentes questions posées par l'analyste financier, les outils d'agent invoqués et la réponse de l'agent multimodal ont été compilées.
Nettoyer
Après avoir exécuté l'agent multimodal, assurez-vous de nettoyer toutes les ressources qui ne seront pas utilisées. Arrêtez et supprimez les bases de données utilisées (Athena). De plus, supprimez les données dans Amazon S3 et arrêtez toutes les instances de bloc-notes SageMaker Studio pour ne pas encourir de frais supplémentaires. Supprimez les fonctions Lambda et les tables DynamoDB de la mémoire à long terme qui ne sont pas utilisées. Si vous avez utilisé SageMaker JumpStart pour déployer un LLM en tant que point de terminaison en temps réel SageMaker, supprimez le point de terminaison via la console SageMaker ou SageMaker Studio.
Conclusion
Cet article présente la large gamme de services de stockage, d'IA/ML et de calcul AWS que vous pouvez utiliser pour créer une solution d'IA multimodale avancée avec le framework LangChain et l'IA générative. En intégrant les technologies PNL, reconnaissance vocale et ML, l'agent multimodal développé dans ce scénario est capable d'analyser diverses modalités de données financières (structurées et non structurées) et de répondre aux invites en langage naturel (anglais). Cela augmente la productivité et l’efficacité des analystes financiers, leur permettant de se concentrer sur un travail stratégique à forte valeur ajoutée. Les solutions d'IA multimodales optimisées par AWS ont le potentiel de transformer les marchés financiers en automatisant les tâches répétitives, en améliorant les capacités humaines et en générant efficacement des informations basées sur les données. Pour les données structurées, une architecture de données moderne avec plusieurs bases de données peut être intégrée à l'IA générative et au LLM. Pour plus de détails, reportez-vous à Réinventer l'expérience des données : utilisez l'IA générative et l'architecture de données moderne pour débloquer des informations. Reportez-vous également à Socle amazonien pour les cas d'utilisation sur l'IA générative, les modèles de base et les grands modèles de langage.
Appendice
Le tableau suivant contient des exemples de questions qu'un analyste financier doit poser à l'agent multimodal en fonction de données structurées et non structurées.
Objet de la question | Question posée par les analystes financiers via l'interface utilisateur | Outils d'agent invoqués | Services AWS principaux utilisés par les outils d'agent | Réponse de l'agent multimodal |
Inviter l'agent LangChain à prétraiter et extraire les informations des données collectées | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Outil d'extraction de texte |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Inviter l'agent LangChain à transcrire les enregistrements audio en textes | 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. |
Inviter l'agent LangChain à analyser la santé financière et les performances de l'entreprise | 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. |
Inviter l'agent LangChain à analyser les performances financières de l'entreprise à partir des rapports sur les bénéfices de l'entreprise | 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. |
Inviter l'agent LangChain à analyser l'équipe de direction de l'entreprise et ses projets pour l'avenir à partir des rapports sur les résultats de l'entreprise. | 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. |
Inviter l'agent LangChain à analyser la stratégie de l'entreprise à partir des rapports sur les bénéfices de l'entreprise | 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. |
Inviter l'agent LangChain à effectuer une analyse des sentiments sur les enregistrements des appels de résultats | 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. |
Inviter l'agent LangChain à créer un portefeuille optimal en utilisant les données collectées | 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%' |
À propos des auteurs
Sovik Kumar Nath est un architecte de solution AI/ML avec AWS. Il possède une vaste expérience dans la conception de solutions d'apprentissage automatique et d'analyse commerciale de bout en bout dans les domaines de la finance, des opérations, du marketing, de la santé, de la gestion de la chaîne d'approvisionnement et de l'IdO. Sovik a publié des articles et détient un brevet sur la surveillance des modèles ML. Il est titulaire d'un double master de l'Université de Floride du Sud, de l'Université de Fribourg, en Suisse, et d'un baccalauréat de l'Institut indien de technologie de Kharagpur. En dehors du travail, Sovik aime voyager, faire des promenades en ferry et regarder des films.
Mohan Musti est responsable de compte technique principal basé à Dallas. Mohan aide les clients à concevoir et à optimiser les applications sur AWS. Mohan est diplômé en informatique et en ingénierie de l'Université JNT, en Inde. Dans ses temps libres, il aime passer du temps avec sa famille et faire du camping.
Jia (Vivian) Li est un architecte de solutions senior chez AWS, avec une spécialisation en IA/ML. Elle accompagne actuellement les clients du secteur financier. Avant de rejoindre AWS en 2022, elle avait 7 ans d'expérience dans l'accompagnement des entreprises clientes dans l'utilisation de l'IA/ML dans le cloud pour générer des résultats commerciaux. Vivian est titulaire d'une licence de l'Université de Pékin et d'un doctorat de l'Université de Californie du Sud. Dans ses temps libres, elle aime toutes les activités nautiques et les randonnées dans les magnifiques montagnes de son État d'origine, le Colorado.
Uchenna Egbé est un architecte de solutions AIML qui aime créer des solutions AIML réutilisables. Uchenna est titulaire d'une maîtrise de l'Université d'Alaska Fairbanks. Il passe son temps libre à faire des recherches sur les herbes, les thés, les superaliments et sur la manière de les incorporer dans son alimentation quotidienne.
Navneet Tutéja est spécialiste des données chez Amazon Web Services. Avant de rejoindre AWS, Navneet a travaillé en tant que facilitateur pour des organisations cherchant à moderniser leurs architectures de données et à mettre en œuvre des solutions complètes d'IA/ML. Elle est titulaire d'un diplôme d'ingénieur de l'Université Thapar, ainsi que d'une maîtrise en statistiques de l'Université Texas A&M.
Praful Kava est un architecte de solutions spécialisé senior chez AWS. Il guide les clients dans la conception et l'ingénierie de pipelines d'analyse à l'échelle du cloud sur AWS. En dehors du travail, il aime voyager avec sa famille et explorer de nouveaux sentiers de randonnée.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :possède
- :est
- :ne pas
- :où
- ][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
- capacité
- Capable
- A Propos
- accès
- Compte
- hybrides
- précision
- avec précision
- atteint
- Atteint
- à travers
- d'activités
- présenter
- ajoutée
- ajout
- Avancée
- Avantage
- Agent
- agents
- agile
- AI
- Services d'IA
- Systèmes d'IA
- AI / ML
- Objectif
- vise
- ALASKA
- Tous
- allocation
- Permettre
- permet
- le long de
- aussi
- Bien que
- Amazon
- Amazon comprendre
- Amazone Kendra
- Extrait d'Amazon
- Amazon Transcribe
- Amazon Web Services
- an
- selon une analyse de l’Université de Princeton
- analyste
- Analystes
- analytique
- il analyse
- l'analyse
- ainsi que
- annuel
- répondre
- réponses
- Anthropique
- tous
- api
- CLÉS API
- Apis
- Application
- applications
- une approche
- approprié
- architecture
- SONT
- autour
- sur notre blog
- AS
- demander
- Outils
- assistant
- associé
- At
- acoustique
- augmentée
- Automatique
- automatiser
- disponibles
- AWS
- RETOUR
- basé
- BE
- pour créer les plus
- était
- before
- va
- Améliorée
- jusqu'à XNUMX fois
- Le plus grand
- Milliards
- l'attrait
- Box
- construire
- Développement
- construit
- la performance des entreprises
- by
- calculer
- calcule
- calcul
- calculs
- Californie
- Appelez-nous
- appelé
- appel
- Appels
- CAN
- capacités
- cas
- chaîne
- Chaînes
- globaux
- Modifications
- Voies
- des charges
- Chatbots
- vérifier
- choisi
- CLIENTS
- fermeture
- le cloud
- code
- recueillir
- Colorado
- combinaison
- combiner
- combinant
- vient
- Venir
- Communication
- Sociétés
- Société
- De l'entreprise
- compatible
- concurrence
- compétitif
- complexe
- complexité
- composant
- composants électriques
- comprendre
- complet
- calculs
- calcul
- ordinateur
- Informatique
- conceptuel
- PROBLÈMES DE PEAU
- configuration
- conjonction
- NOUS CONTACTER
- consiste
- Console
- Consolide
- consommateur
- contient
- contexte
- continu
- contribuant
- Conversation
- convertir
- correct
- Prix
- Costs
- pourriez
- créée
- Courant
- Lecture
- des clients
- expérience client
- Clients
- Tous les jours
- Dallas
- données
- informatique
- data-driven
- Base de données
- bases de données
- Date
- Décembre
- décisions
- dévoué
- profond
- défini
- Définit
- Degré
- Demande
- démontrer
- démontré
- Selon
- déployer
- déployé
- décrit
- la description
- Conception
- conception
- détails
- détecter
- Détection
- Déterminer
- développé
- Alimentation
- différent
- Difficulté
- plongeon
- plusieurs
- diversifier
- do
- document
- INSTITUTIONNELS
- fait
- double
- down
- motivation
- entraîné
- conducteurs
- deux
- chacun
- Revenus
- Mes Revenus
- Earnings Call
- même
- Économique
- efficace
- efficace
- efficacement
- effort
- non plus
- emails
- émerge
- permettre
- permettant
- englobant
- fin
- end-to-end
- fin
- Endpoint
- ingénieur
- ENGINEERING
- Anglais
- améliorée
- améliorer
- entrant
- Entreprise
- Divertissement
- notamment
- Pourtant, la
- exemple
- Excellence
- échange
- existant
- étendu
- expansion
- avec des données
- d'experience
- Expliquer
- exploration
- explorez
- Explorer
- les
- Une vaste expérience
- extrait
- extraction
- Facilitateur
- famille
- plus rapide
- few
- Fichiers
- limailles
- finale
- finance
- la traduction de documents financiers
- données financières
- l'information financière
- performance financière
- systèmes financiers
- Trouvez
- trouver
- Prénom
- Fiscal
- cinq
- Floride
- Focus
- mettant l'accent
- Abonnement
- suit
- Pour
- prévisions
- le format
- formule
- Fondation
- fragmenté
- Framework
- fraude
- détection de fraude
- frauduleux
- Gratuit
- fréquemment
- De
- Carburant
- plein
- fonction
- fonctions
- plus
- avenir
- Gain
- gagner
- recueillir
- générer
- génère
- générateur
- génération
- génératif
- IA générative
- gif
- GitHub
- Objectifs
- Bien
- plus grand
- a augmenté de
- Croître
- Croissance
- Guides
- ait eu
- manipuler
- Vous avez
- he
- Santé
- la médecine
- aide
- ici
- ici
- Haute
- de haut niveau
- augmentation
- sa
- détient
- Accueil
- organisé
- Comment
- How To
- Cependant
- http
- HTTPS
- humain
- i
- identifié
- identifie
- identifier
- Identite
- if
- illustre
- satellite
- Mettre en oeuvre
- important
- améliorer
- l'amélioration de
- in
- comprendre
- inclut
- Y compris
- intégrer
- Incorporée
- Améliore
- increased
- croissant
- Inde
- Indian
- industrie
- inflation
- Inflationniste
- Pressions inflationnistes
- d'information
- Infrastructure
- innovons
- Innovation
- contribution
- Insider
- délit d'initié
- idées.
- Institut
- Intégration
- Intelligence
- Intelligent
- Traitement intelligent des documents
- l'interaction
- interactions
- interagit
- intérieurement
- développement
- Investir
- sueñortiendo
- Investisseurs
- invoqué
- invoque
- impliqué
- IOT
- IT
- SES
- joindre
- jpg
- ACTIVITES
- clés
- spécialisées
- kumar
- Peindre
- langue
- gros
- conduisant
- apprentissage
- Levier
- comme
- LIMIT
- lié
- Liquidité
- Liste
- LLM
- localement
- logique
- long-term
- Style
- rechercher
- perte
- Faible
- click
- machine learning
- Entrée
- Maintenable
- a prendre une
- FAIT DU
- gestion
- et de gestion de projets
- Manipulation
- manière
- Marge
- Marché
- les manipulations de marché
- Stratégie
- Marchés
- maîtrise
- mathématique
- Mai..
- Médias
- Mémoire
- mentions
- ML
- modèle
- modélisation statistique
- numériques jumeaux (digital twin models)
- Villas Modernes
- moderniser
- Stack monitoring
- PLUS
- (en fait, presque toutes)
- Films
- en mouvement
- MS
- plusieurs
- must
- prénom
- noms
- Nature
- Traitement du langage naturel
- Nature
- nécessaire
- nécessite
- Besoin
- Besoins
- négatif
- net
- Nouveauté
- produits nouveaux
- nouvelles
- nlp
- cahier
- maintenant
- nombre
- obligations
- of
- de rabais
- Offrandes
- Offres Speciales
- on
- ONE
- opérationnel
- Opérations
- optimaux
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- Optimiser
- optimisé
- or
- de commander
- organisations
- Autre
- nos
- ande
- au contrôle
- global
- partie
- passes
- brevet
- Payer
- Pékin
- pourcentage
- Effectuer
- performant
- effectué
- phd
- les expressions clés
- plan
- plans
- plateforme
- Platon
- Intelligence des données Platon
- PlatonDonnées
- veuillez cliquer
- Point
- politiques
- Populaire
- popularité
- portefeuille
- pose
- position
- Post
- défaillances
- power
- alimenté
- pressions
- précédent
- précédemment
- prix
- Tarifs
- établissement des prix
- qui se déroulent
- primaire
- Avant
- processus
- traitement
- productivité
- Produits
- Profit
- de la rentabilité
- bénéfices
- Progrès
- fournir
- fournit
- publié
- Python
- qualité
- quantitatif
- Trimestre
- requêtes
- question
- fréquemment posées
- vite.
- Devis
- gamme
- Tarifs
- rapport
- RE
- solutions
- en temps réel
- récent
- reconnaissance
- l'enregistrement
- reportez-vous
- en relation
- relatif
- pertinent
- rappeler
- répétitif
- rapport
- Signalé
- Rapports
- Rapports
- conditions
- a besoin
- un article
- Resources
- Réagir
- réponse
- réponses
- résultat
- Résultats
- détail
- retourner
- réutilisable
- de revenus
- hausse des revenus
- bon
- Analyse
- risques
- robuste
- routine
- Courir
- fonctionne
- s
- S & P
- sagemaker
- vente
- même
- sauvé
- économie
- évolutive
- Escaliers intérieurs
- scénario
- scénarios
- Sciences
- But
- Sdk
- Rechercher
- recherches
- Deuxièmement
- Section
- les sections
- sécurisé
- sur le lien
- voir
- recherche
- Cherche
- semble
- sélection
- AUTO
- supérieur
- sentiment
- des sentiments
- Série
- service
- Services
- Session
- elle
- assistance technique à court terme
- liquidité à court terme
- devrait
- vitrine
- montré
- Spectacles
- arrêter
- significative
- similaires
- étapes
- compétences
- Réseaux sociaux
- réseaux sociaux
- sur mesure
- Solutions
- quelques
- sophistiqué
- Identifier
- Sources
- Région Sud
- Sud de la Floride
- Du sud
- spécialiste
- groupe de neurones
- discours
- Reconnaissance vocale
- vitesse
- Dépenses
- propagation
- standardisation
- Région
- statistiques
- rester
- étapes
- Étapes
- stock
- Actions
- Arrêter
- storage
- Boutique
- stockée
- STORES
- stockage
- Stratégique
- de Marketing
- Renforcer
- structure
- structuré
- studio
- abonnement
- Abonnements
- tel
- convient
- suite
- résumé
- RÉSUMÉ
- fournisseurs
- la quantité
- chaîne d'approvisionnement
- gestion de la chaîne logistique
- Support
- Appuyer
- Les soutiens
- sûr
- Suisse
- combustion propre
- Système
- table
- prise
- Tâche
- tâches
- équipe
- Technique
- Les technologies
- Technologie
- modèle
- Texas
- texte
- qui
- La
- El futuro
- les informations
- La Source
- leur
- Les
- puis
- Là.
- ainsi
- Ces
- l'ont
- chose
- this
- bien que?
- menacer
- trois
- Avec
- fiable
- Des séries chronologiques
- à
- outil
- Boîte à outils
- les outils
- top
- sujet
- Total
- Commerce
- Train
- Transcription
- Transformer
- De La Carrosserie
- transport
- Voyages
- Trends
- deux
- type
- types
- ui
- comprendre
- compréhension
- université
- ouvrir
- déverrouillage
- prochain
- a actualisé
- us
- utilisé
- d'utiliser
- Utilisateur
- utilisateurs
- Usages
- en utilisant
- utilisé
- utilise
- Précieux
- Plus-value
- variété
- divers
- versions
- via
- Vidéo
- volumes
- était
- personne(s) regarde(nt) cette fiche produit
- Eau
- Façon..
- façons
- we
- web
- services Web
- WELL
- ont été
- Quoi
- quand
- qui
- WHO
- large
- Large gamme
- sera
- comprenant
- dans les
- activités principales
- travaillé
- workflow
- an
- années
- Vous n'avez
- Votre
- zéphyrnet