A multimodális adatok a pénzügyi ágazat értékes összetevői, amelyek magukban foglalják a piaci, gazdasági, ügyfél-, hír- és közösségi médiát, valamint kockázati adatokat. A pénzügyi szervezetek előállítják, gyűjtik és használják ezeket az adatokat, hogy betekintést nyerjenek a pénzügyi műveletekbe, jobb döntéseket hozzanak, és javítsák a teljesítményt. A multimodális adatokhoz azonban kihívások is társulnak a pénzügyi rendszerek összetettsége és szabványosításának hiánya, valamint az adatformátumok és -minőség, valamint az adatok töredezett és strukturálatlan jellege miatt. A pénzügyi ügyfelek gyakran leírták, hogy a multimodális adatokból pénzügyi betekintést nyerhetnek a működési költségek, ami bonyolult kinyerési és átalakítási logikát tesz szükségessé, ami felduzzadt erőfeszítésekhez és költségekhez vezet. A multimodális adatokkal kapcsolatos technikai kihívások közé tartozik továbbá a különböző adattípusok integrálásának és modellezésének bonyolultsága, a több módozatból származó adatok (szöveg, kép, hang, videó) kombinálásának nehézsége, valamint a fejlett számítástechnikai ismeretek és kifinomult elemző eszközök szükségessége.
Az egyre népszerűbb multimodális adatok kezelésének egyik módja a multimodális ágensek használata. A multimodális ágensek olyan mesterséges intelligencia-rendszerek, amelyek többféle módozatban képesek megérteni és elemezni az adatokat az eszköztáruk megfelelő eszközeivel. Képesek összekapcsolni a különböző adattípusokkal kapcsolatos betekintéseket, hogy átfogóbb megértést és megfelelő válaszokat generáljanak. A multimodális ágensek a generatív MI-vel együtt széles körben elterjedtek a pénzügyi piacokon. Íme néhány népszerű használati eset:
- Intelligens jelentéskészítés és piaci intelligencia – A mesterséges intelligencia különféle pénzügyi információforrásokat tud elemezni, hogy piaci intelligenciajelentéseket készítsen, segítve az elemzőket, a befektetőket és a vállalatokat, hogy naprakészek maradjanak a trendekkel kapcsolatban. A multimodális ügynökök gyorsan össze tudják foglalni a hosszadalmas pénzügyi jelentéseket, jelentős időt és erőfeszítést takarítva meg az elemzőknek.
- Kvantitatív modellezés és előrejelzés – A generatív modellek nagy mennyiségű pénzügyi adatot képesek szintetizálni, hogy gépi tanulási (ML) modelleket képezzenek olyan alkalmazásokhoz, mint a részvényárfolyam-előrejelzés, portfólióoptimalizálás, kockázatmodellezés stb. A különböző adatforrásokat megértő multimodális modellek robusztusabb előrejelzéseket nyújthatnak.
- Megfelelés és csalás felderítése – Ez a megoldás kibővíthető olyan megfigyelő eszközökkel, amelyek elemzik a kommunikációs csatornákat, például a hívásokat, e-maileket, chateket, hozzáférési naplókat és egyebeket a lehetséges bennfentes kereskedelem vagy piaci manipuláció azonosítása érdekében. Az adattípusok közötti csalárd összejátszás észlelése multimodális elemzést igényel.
A generatív AI-val rendelkező multimodális ügynök az ismétlődő és rutinfeladatok automatizálásával növeli a pénzügyi elemzők termelékenységét, így időt szabadít fel az elemzőknek arra, hogy a nagy értékű munkára összpontosítsanak. A multimodális ágensek felerősíthetik az elemző azon képességét, hogy betekintést nyerjenek azáltal, hogy segítik a kutatást és az elemzést. A multimodális ágensek továbbfejlesztett kvantitatív elemzéseket és pénzügyi modelleket is generálhatnak, lehetővé téve az elemzők számára, hogy gyorsabban és nagyobb pontossággal dolgozzanak.
A multimodális ügynök AWS-sel való megvalósítása nagy léptékben konszolidálja a különböző strukturált és strukturálatlan adatokból származó kulcsfontosságú betekintést. A multimodális ügynökök könnyedén kombinálhatják a generatív AI-ajánlatok erejét Amazon alapkőzet és a Amazon SageMaker JumpStart Az AWS Analytics és az AI/ML szolgáltatások adatfeldolgozási képességeivel olyan agilis megoldásokat kínál, amelyek lehetővé teszik a pénzügyi elemzők számára, hogy hatékonyan elemezzenek és betekintést gyűjtsenek a multimodális adatokból biztonságos és méretezhető módon az AWS-en belül. Az Amazon mesterséges intelligencia szolgáltatáscsomagot kínál, amely lehetővé teszi a természetes nyelvi feldolgozást (NLP), a beszédfelismerést, a szövegkivonást és a keresést:
- Amazon Comprehend egy NLP-szolgáltatás, amely képes elemezni a szöveget kulcskifejezések után, és elemezni tudja a hangulatot
- Amazon szöveg egy intelligens dokumentumfeldolgozó szolgáltatás, amely pontosan képes kinyerni a dokumentumokból szöveget és adatokat
- Amazon átirat egy automatikus beszédfelismerő szolgáltatás, amely a beszédet szöveggé alakítja
- Amazon Kendra az ML által működtetett vállalati keresési szolgáltatás, amellyel különféle adatforrásokban találhat információkat, beleértve a dokumentumokat és tudásbázisokat.
Ebben a bejegyzésben egy olyan forgatókönyvet mutatunk be, amelyben egy pénzügyi elemző kölcsönhatásba lép a szervezet multimodális adataival, amelyek erre a célra épített adattárolókban tartózkodnak, hogy pénzügyi betekintést nyerjenek. Az interakció során bemutatjuk, hogy a multimodális ügynökök hogyan tervezik és futtatják a felhasználói lekérdezést, és hogyan kérik le az eredményeket a releváns adatforrásokból. Mindezt az AWS szolgáltatások segítségével érik el, ezáltal növelve a pénzügyi elemzők hatékonyságát a multimodális pénzügyi adatok (szöveg, beszéd és táblázatos adatok) holisztikus elemzésében.
A következő képernyőkép egy példát mutat be a felhasználói felületre.
Megoldás áttekintése
A következő diagram bemutatja a generatív mesterséges intelligencia használatának elvi architektúráját multimodális adatokkal, ügynökök használatával. Az érintett lépések a következők:
- A pénzügyi elemző kérdéseket tesz fel egy olyan platformon keresztül, mint a chatbotok.
- A platform egy keretrendszer segítségével határozza meg a kérdés megválaszolásához legmegfelelőbb multimodális ügynök eszközt.
- Az azonosítás után a platform futtatja a kódot, amely a korábban azonosított eszközhöz kapcsolódik.
- Az eszköz a pénzügyi elemző kérésének megfelelően elemzést készít a pénzügyi adatokról.
- Az eredmények összegzésekor a nagy nyelvi modellek lekérik és jelentést készítenek a pénzügyi elemzőnek.
Műszaki architektúra
A multimodális ügynök különféle eszközöket hangszerel az üzleti felhasználók természetes nyelvi felszólításai alapján, hogy betekintést nyerjen. A strukturálatlan adatokhoz az ügynök használja AWS Lambda olyan AI-szolgáltatásokkal működik együtt, mint az Amazon Textract a dokumentumelemzéshez, az Amazon Transcribe a beszédfelismeréshez, az Amazon Comprehend az NLP-hez és az Amazon Kendra az intelligens kereséshez. Strukturált adatok esetén az ügynök az SQL Connector és az SQLAlchemy segítségével elemzi az adatbázisokat, amelyek magukban foglalják Amazon Athéné. Az ügynök a Pythont is használja a Lambdában és a Amazon SageMaker SDK számításokhoz és kvantitatív modellezéshez. Az ügynök hosszú távú memóriával is rendelkezik a felszólítások és az eredmények tárolására Amazon DynamoDB. A multimodális ügynök egy SageMaker notebookban található, és az üzleti felhasználók angol nyelvű utasításai alapján koordinálja ezeket az eszközöket egy Streamlit felhasználói felületen.
A műszaki architektúra fő összetevői a következők:
- Adattárolás és elemzés – A negyedéves pénzügyi bevételi felvételek hangfájlként, a pénzügyi éves jelentések PDF-fájlként és az S&P részvényadatok CSV-fájlként kerülnek tárolásra Amazon egyszerű tárolási szolgáltatás (Amazon S3). Az állományadatokkal kapcsolatos adatok feltárása az Athena segítségével történik.
- Nagy nyelvi modellek – A nagy nyelvi modellek (LLM-ek) az Amazon Bedrock, a SageMaker JumpStart vagy egy API-n keresztül érhetők el.
- Ügynökök – A LangChain ügynökeit egy előre nem meghatározott híváslánchoz használjuk felhasználói bemenetként az LLM-ekhez és más eszközökhöz. Az ilyen típusú láncokban van egy ügynök, amely egy sor eszközhöz fér hozzá. Minden eszköz egy adott feladathoz készült. A felhasználói beviteltől függően az ügynök eldönti, hogy melyik eszközt vagy eszközök kombinációját hívja meg a kérdés megválaszolásához. A következő, erre a célra kialakított ügynöki eszközöket hoztuk létre a forgatókönyvünkhöz:
- Részvénylekérdező eszköz – Az S&P részvények adatainak lekérdezése az Athena és az SQLAlchemy segítségével.
- Portfólióoptimalizáló eszköz – Portfólió építése a kiválasztott részvények alapján.
- Pénzügyi információkereső eszköz – Többoldalas PDF-fájlokban tárolt pénzügyi bevételi információk keresése az Amazon Kendra segítségével.
- Python számítási eszköz – Matematikai számításokhoz használható.
- Érzelemelemző eszköz – Egy témával kapcsolatos érzelmek azonosítása és pontozása az Amazon Comprehend segítségével.
- Kifejezések észlelése eszköz – Az Amazon Comprehend segítségével kulcsmondatokat kereshet a legutóbbi negyedéves jelentésekben.
- Szövegkivonó eszköz – A negyedéves jelentések PDF-változatainak konvertálása szöveges fájlokká az Amazon Textract segítségével.
- Hang átírása eszköz – Hangfelvételek konvertálása szöveges fájlokká az Amazon Transcribe segítségével.
Az ügynökmemória, amely a felhasználói interakciók láncát tartalmazza az ügynökkel, a DynamoDB-ben van elmentve.
A következő szakaszok néhány elsődleges lépést ismertetnek a kapcsolódó kóddal. Ha mélyebben szeretne belemerülni a megoldásba és az itt bemutatott lépések kódjába, tekintse meg a GitHub repo.
Előfeltételek
A megoldás futtatásához API-kulccsal kell rendelkeznie egy LLM-hez, például az Anthropic Claude v2-hez, vagy hozzáféréssel kell rendelkeznie az Amazon Bedrock alapozó modellekhez.
Ahhoz, hogy válaszokat generáljon strukturált és strukturálatlan adatokból az LLM-ek és a LangChain használatával, hozzá kell férnie az LLM-ekhez az Amazon Bedrock, a SageMaker JumpStart vagy az API-kulcsokon keresztül, és olyan adatbázisokat kell használnia, amelyek kompatibilisek az SQLAlchemyvel. AWS Identity and Access Management (IAM) házirendekre is szükség van, a részleteket a GitHub repóban találja meg.
A multimodális ágens kulcselemei
A multimodális ügynöknek néhány kulcsfontosságú összetevője van:
- A multimodális ágens eszközeihez meghatározott funkciók
- A multimodális ügynökhöz definiált eszközök
- Hosszú távú memória a multimodális ügynök számára
- Tervező-végrehajtó alapú multimodális ügynök (eszközökkel, LLM-ekkel és memóriával definiálva)
Ebben a részben a kulcsfontosságú összetevőket a kapcsolódó kódrészletekkel illusztráljuk.
A multimodális ágens eszközeihez meghatározott funkciók
A multimodális ügynöknek különféle mesterséges intelligencia-szolgáltatásokat kell használnia különböző típusú adatok – szöveg, beszéd, képek és egyebek – feldolgozásához. E funkciók némelyikének meg kell hívnia az AWS AI-szolgáltatásokat, mint például az Amazon Comprehend a szöveg elemzéséhez, az Amazon Textract a képek és dokumentumok elemzéséhez, az Amazon Transcribe a beszéd szöveggé konvertálásához. Ezek a függvények helyileg meghívhatók az ügynökön belül, vagy lambda-függvényekként telepíthetők, amelyeket az ügynök meghívhat. A Lambda-funkciók belsőleg hívják a megfelelő AWS AI-szolgáltatásokat, és visszaküldik az eredményeket az ügynöknek. Ez a megközelítés modularizálja a logikát, és karbantarthatóbbá és bővíthetőbbé teszi az ügynököt.
Az alábbi függvény határozza meg, hogyan számítsuk ki az optimalizált portfóliót a kiválasztott részvények alapján. Egy Python-alapú függvény LLM-eszközzé alakításának egyik módja a BaseTool csomagolás.
A következő kód az AWS AI szolgáltatást (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API-kat hívó Lambda kódja:
A multimodális ügynökhöz definiált eszközök
A multimodális ügynök különféle eszközökhöz férhet hozzá a működéséhez. Lekérdezhet egy részvényadatbázist, hogy válaszoljon a részvényekre vonatkozó kérdésekre. Egy dedikált eszközzel optimalizálhatja a portfóliót. Információkat tud lekérni az Amazon Kendráról, az Amazon vállalati keresőszolgáltatásáról. A Python REPL eszköz lehetővé teszi az ügynök számára Python-kód futtatását. A következő kódban egy példa látható az eszközök szerkezetére, beleértve azok nevét és leírását. A bejegyzés tényleges eszköztárában nyolc eszköz található: részvénylekérdező eszköz, portfólióoptimalizáló eszköz, pénzügyi információkereső eszköz, Python számítási eszköz, hangulatelemző eszköz, kifejezések észlelése, szövegkivonó eszköz és hang átírási eszköz.
Hosszú távú memória a multimodális ügynök számára
A következő kód a multimodális ügynök hosszú távú memóriájának konfigurációját mutatja be. Ebben a kódban a DynamoDB tábla memóriaként van hozzáadva, hogy tárolja a kérdéseket és a válaszokat későbbi hivatkozás céljából.
Tervező-végrehajtó alapú multimodális ügynök
A tervező-végrehajtó alapú multimodális ügynök architektúra két fő összetevőből áll: egy tervezőből és egy végrehajtóból. A tervező magas szintű tervet állít elő a futtatáshoz és a gyors kérdés megválaszolásához szükséges lépésekkel. A végrehajtó ezután futtatja ezt a tervet úgy, hogy megfelelő rendszerválaszokat generál minden tervlépéshez a nyelvi modell és a szükséges eszközök segítségével. Lásd a következő kódot:
Példaforgatókönyvek pénzügyi elemző által feltett kérdések alapján
Ebben a részben két példa forgatókönyvet vizsgálunk meg a multimodális ügynök által végrehajtott végpontok közötti lépések szemléltetésére a pénzügyi elemzők által feltett kérdések alapján.
1. forgatókönyv: Pénzügyi elemző kérdései a strukturált adatokkal kapcsolatban
Ebben a forgatókönyvben a pénzügyi elemző a vállalatok részvényeivel kapcsolatos angol nyelvű kérdést tesz fel a multimodális ügynöknek. A multimodális LangChain ügynök többlépéses tervet készít, és eldönti, hogy milyen eszközöket használjon az egyes lépésekhez. Az alábbi diagram egy példa munkafolyamatot mutat be a következő lépésekkel:
- A pénzügyi elemző angolul tesz fel pénzügyi kérdést a felhasználói felületen keresztül a multimodális ügynöknek.
- Az ügynök felismeri, hogy a kérdés megválaszolásához adatbáziseszközre van szüksége. LLM segítségével SQL lekérdezést generál a kérdés alapján, és lekérdezi az Athena adatbázist.
- Az Athena lefuttatja az SQL lekérdezést, lekéri a releváns eredményt (az öt vállalat részvényárfolyam-idősorát), és az eredményt a releváns adatokkal együtt továbbítja az ügynöknek.
- Az ügynök felismeri, hogy a kérdés megválaszolásához egy második eszközre van szüksége. A letöltött adatokat átadja a Python eszköznek portfólióoptimalizálás céljából.
- A Python eszköz kiszámítja a szükséges optimális portfóliót, beleértve a súlyokat, és továbbítja a választ az ügynökön belüli LLM-nek.
- Az ügynök az LLM segítségével összeállítja a szükséges információkat és számításokat, és angol nyelven válaszol a pénzügyi elemzésre a felhasználói felületen keresztül.
A pénzügyi elemző a következő kérdést teszi fel:
"Milyenek az AAAA, WWW, DDD részvények záróárai 2018-ban? Fel tudsz építeni egy optimalizált portfóliót e három részvény felhasználásával?"
A következő kód a multimodális ügynök tervezője által azonosított lépéseket mutatja:
Az ügynök a kérdéssort a következő SQL-lekérdezésbe fordította:
A következő kód a multimodális ügynök végső válaszát mutatja a kérdés alapján:
2. forgatókönyv: Pénzügyi elemző kérdései a strukturálatlan adatokkal kapcsolatban
Ebben a forgatókönyvben egy pénzügyi elemző több kérdést is feltesz a multimodális ügynöknek a vállalat pénzügyi helyzetéről. Az ügynök két eszközügynököt hív meg, az Amazon Kendrát strukturálatlan adatokkal és egy Python számítási eszközt, hogy információkat gyűjtsön és elvégezze a szükséges számításokat. Az ügynök ezután a nyelvi modellje alapján összeállítja az eszközökből származó információkat, és megadja a teljes választ az elemzőnek. Ennek a forgatókönyvnek az a kulcsa, hogy az ügynök emlékezni tud az előző kérdések kérdéseire és válaszaira, és beépíti a kontextust a beszélgetésbe. Az alábbi diagram a munkafolyamatot mutatja be, amely a következő lépésekből áll:
- A pénzügyi elemző angolul tesz fel pénzügyi kérdést a felhasználói felületen keresztül a multimodális ügynöknek.
- Az ügynök azonosítja, hogy a kérdés megválaszolásához az Amazon Kendra eszközre van szükség, és meghívja az Amazon Kendra ügynökeszközt.
- Az Amazon Kendra megkeresi az Amazon S3 strukturálatlan adatkorpuszát, és lekéri a választ tartalmazó dokumentumot.
- A Retrieval Augmented Generation (RAG) segítségével az Amazon Kendra továbbítja a választ a megfelelő dokumentumból az ügynökön belüli LLM-nek.
- Az ügynök beazonosítja, hogy egy második eszközre van szüksége a kérdés második részének megválaszolásához. Az információkat az első eszköztől a Python számítási eszközhöz továbbítja.
- A Python eszköz kiszámítja a szükséges arányt, és továbbítja a választ az ügynökön belüli LLM-nek.
- Az ügynök az LLM segítségével összeállítja a szükséges információkat és számításokat, és az UI-n keresztül válaszol a pénzügyi elemzőnek.
Az alábbiakban az elemző és a multimodális ügynök közötti kérdések és válaszok találhatók.
Az ügynök válaszol a kérdésreMennyi az Amazon nettó vesztesége a 2022 decemberében végződő pénzügyi évben?"Az Amazon teljes nettó árbevétele 514.0 milliárd dollár, és nettó vesztesége 2.7 milliárd dollár volt a 2022-es pénzügyi évben." A forrás a 10 decemberével végződő pénzügyi év Amazon 2022K jelentése, amelyet a Retrive_Kendra
Eszköz.
A kérdésre "Mennyi a nettó veszteség ugyanebben az évben?Az ügynök válaszol: „2.7 milliárd dollár”. A forrás a 10 decemberével végződő pénzügyi év Amazon 2022K jelentése, amelyet a Retrive_Kendra
Eszköz. Vegye figyelembe, hogy bár a kérdés hasonló a második kérdéshez, ez a kérdés nem adta meg a cég nevét vagy az évszámot. Az ügynök azonban a megfelelő cégnevet és évet tudta használni a beszélgetési memóriában lévő kontextus alapján.
A kérdésre "Mi a nettó nyereséghányad képlete, amely egyfajta jövedelmezőségi mutató?Az ügynök válaszol: „Az Amazon teljes nettó árbevétele 514.0 milliárd dollár, és nettó vesztesége 2.7 milliárd dollár volt a 2022-es pénzügyi évben. Az Amazon nettó nyereséghányados aránya a 2022-es pénzügyi évben -0.5%. A forrás az Retrieve_Kendra
és a PythonREPLTool().
Merüljön el mélyebben a megoldásban
Ha mélyebbre szeretne merülni a megoldásban és a bejegyzésben látható kódban, nézze meg a GitHub repo.
A GitHub repóban találhat egy Python-jegyzetfüzetet, amely rendelkezik a végpontok közötti megoldással, AWS felhőképződés sablon az infrastruktúra kiépítéséhez, strukturálatlan adatok (bevételi jelentések PDF-fájlok, bevételhívási hangfájlok) és strukturált adatok (készletek idősorai).
A végén található függelékben táblázatba foglaltuk a pénzügyi elemző által feltett különböző kérdéseket, az ügynöki eszközöket és a multimodális ügynök válaszait.
Tisztítsuk meg
A multimodális ügynök futtatása után feltétlenül tisztítsa meg a fel nem használt erőforrásokat. Állítsa le és törölje a használt adatbázisokat (Athena). Ezenkívül törölje az adatokat az Amazon S3-ból, és állítsa le a SageMaker Studio notebook példányait, hogy ne számítson fel további költségeket. Törölje a Lambda-függvényeket és a DynamoDB-táblákat a nem használt hosszú távú memória részeként. Ha a SageMaker JumpStart segítségével telepített egy LLM-et SageMaker valós idejű végpontként, törölje a végpontot a SageMaker konzolon vagy a SageMaker Studio-n keresztül.
Következtetés
Ez a bejegyzés bemutatta az AWS-tárolás, az AI/ML és a számítási szolgáltatások széles skáláját, amelyek segítségével fejlett multimodális mesterségesintelligencia-megoldást hozhat létre, a LangChain keretrendszerrel és a generatív AI-val együtt. Az NLP, a beszédfelismerés és az ML technológiák integrálásával az ebben a forgatókönyvben kifejlesztett multimodális ágens képes különféle pénzügyi adatok (strukturált és strukturálatlan) módozatok elemzésére, és természetes nyelven (angol) válaszolni a felszólításokra. Ez növeli a pénzügyi elemzők termelékenységét és hatékonyságát, lehetővé téve számukra, hogy a nagy értékű stratégiai munkára összpontosítsanak. Az AWS által hajtott multimodális mesterséges intelligencia megoldások képesek átalakítani a pénzügyi piacokat az ismétlődő feladatok automatizálásával, az emberi képességek fejlesztésével és az adatvezérelt betekintések hatékony létrehozásával. A strukturált adatokhoz egy modern adatarchitektúra több adatbázissal integrálható a generatív AI-val és az LLM-mel. További részletekért lásd: Újra feltalálni az adatkezelési élményt: Használjon generatív mesterséges intelligenciát és modern adatarchitektúrát, hogy betekintést nyerjen. Lásd még Amazon alapkőzet generatív mesterséges intelligencia, alapmodellek és nagy nyelvi modellek használati eseteihez.
Függelék
A következő táblázat példakérdéseket tartalmaz, amelyeket egy pénzügyi elemző strukturált és strukturálatlan adatok alapján kell feltennie a multimodális ügynöknek.
Kérdés célja | Pénzügyi elemzők által feltett kérdés az UI-n keresztül | Ügynökeszközök meghívva | Az Ügynökeszközök által használt elsődleges AWS-szolgáltatások | Válasz a multimodális ügynöktől |
Kérje meg a LangChain ügynököt az összegyűjtött adatok előfeldolgozására és információk kinyerésére | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Szövegkivonó eszköz |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Kérje meg a LangChain ügynököt, hogy írja át a hangfelvételeket szöveggé | 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. |
Kérje meg a LangChain ügynököt, hogy elemezze a vállalat pénzügyi helyzetét és teljesítményét | 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. |
Kérje meg a LangChain ügynököt, hogy elemezze a vállalat pénzügyi teljesítményét a vállalat eredményjelentései alapján | 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. |
Kérje meg a LangChain ügynököt, hogy elemezze a vállalat vezetői csapatát és jövőre vonatkozó terveit a vállalat eredményjelentései alapján | 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. |
Kérje meg a LangChain ügynököt, hogy elemezze a vállalat stratégiáját a vállalat eredményjelentései alapján | 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. |
Kérje meg a LangChain ügynököt, hogy végezzen hangulatelemzést a bevételi hívások felvételein | 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. |
Kérje meg a LangChain ügynököt, hogy az összegyűjtött adatok felhasználásával készítsen optimális portfóliót | 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%' |
A szerzőkről
Szovik Kumar Nath egy AI/ML megoldástervező az AWS-szel. Nagy tapasztalattal rendelkezik teljes körű gépi tanulási és üzleti elemzési megoldások tervezésében a pénzügy, az üzemeltetés, a marketing, az egészségügy, az ellátási lánc menedzsment és az IoT területén. A Sovik cikkeket publikált, és szabadalommal rendelkezik az ML-modellfigyelés területén. Kettős mesterfokozatot szerzett a Dél-Floridai Egyetemen, a Fribourg Egyetemen, Svájcban, valamint a Bachelor fokozatot a Kharagpur-i Indian Institute of Technology-n. A munkán kívül Sovik szívesen utazik, komppal utazik és filmeket néz.
Mohan Musti Senior Technical Account Manger, aki Dallasból származik. A Mohan segít az ügyfeleknek az AWS-en futó alkalmazások megtervezésében és optimalizálásában. Mohan számítástechnikai és mérnöki diplomát szerzett az indiai JNT Egyetemen. Szabadidejében szívesen tölti idejét családjával és táborozgat.
Jia (Vivian) Li az AWS vezető megoldástervezője, AI/ML szakterülettel. Jelenleg a pénzügyi szektor ügyfeleit támogatja. Mielőtt 2022-ben csatlakozott volna az AWS-hez, 7 éves tapasztalattal rendelkezett abban, hogy a vállalati ügyfelek az AI/ML-t a felhőben használják az üzleti eredmények előmozdítása érdekében. Vivian BS diplomáját a Pekingi Egyetemen, PhD fokozatát pedig a Dél-Kaliforniai Egyetemen szerezte. Szabadidejében szereti a vízi tevékenységeket, és szeret túrázni szülőországa, Colorado gyönyörű hegyeiben.
Uchenna Egbe egy AIML Solutions Architect, aki szereti az újrafelhasználható AIML megoldások építését. Uchenna az Alaska Fairbanks Egyetemen végzett MS-vel. Szabadidejét azzal tölti, hogy gyógynövényekről, teákról, szuperételekről kutakod, és hogyan illessze be ezeket napi étrendjébe.
Navneet Tuteja az Amazon Web Services adatszakértője. Mielőtt csatlakozott volna az AWS-hez, Navneet olyan szervezetek facilitátoraként dolgozott, amelyek az adatarchitektúra korszerűsítésére és átfogó AI/ML megoldások bevezetésére törekedtek. Mérnöki diplomáját a Thapar Egyetemen, valamint statisztika szakon szerzett mesterfokozatot a Texas A&M Egyetemen.
Praful Kava Sr. Specialist Solutions Architect az AWS-nél. Ő irányítja az ügyfeleket az AWS-en futó felhő méretű Analytics folyamatok tervezéséhez és tervezéséhez. Munkán kívül szívesen utazik családjával és új túraútvonalakat fedez fel.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :van
- :is
- :nem
- :ahol
- ][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
- képesség
- Képes
- Rólunk
- hozzáférés
- Fiók
- Fiókok
- pontosság
- pontosan
- elért
- ér
- át
- tevékenységek
- tényleges
- hozzáadott
- mellett
- fejlett
- Előny
- Ügynök
- szerek
- agilis
- AI
- AI szolgáltatások
- AI rendszerek
- AI / ML
- AIML
- célok
- ALASKA
- Minden termék
- kiosztás
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- Is
- Bár
- amazon
- Amazon Comprehend
- Amazon Kendra
- Amazon szöveg
- Amazon átirat
- Az Amazon Web Services
- an
- elemzés
- elemző
- Az elemzők
- analitika
- elemez
- elemzése
- és a
- évi
- válasz
- válaszok
- Antropikus
- bármilyen
- api
- API KULCSOK
- API-k
- Alkalmazás
- alkalmazások
- megközelítés
- megfelelő
- építészet
- VANNAK
- körül
- cikkek
- AS
- kérdez
- Eszközök
- segítő
- társult
- At
- hang-
- bővített
- Automatikus
- automatizálás
- elérhető
- AWS
- vissza
- alapján
- BE
- szép
- óta
- előtt
- hogy
- Jobb
- között
- Legnagyobb
- Billió
- növeli
- Doboz
- épít
- Épület
- épült
- üzleti
- by
- számít
- kiszámítja
- számítás
- számítások
- Kalifornia
- hívás
- hívott
- hívás
- kéri
- TUD
- képességek
- esetek
- lánc
- láncok
- kihívások
- Változások
- csatornák
- díjak
- chatbots
- ellenőrizze
- választott
- ügyfél részére
- záró
- felhő
- kód
- gyűjt
- Colorado
- kombináció
- össze
- kombinálása
- jön
- érkező
- közlés
- Companies
- vállalat
- Társaságé
- összeegyeztethető
- verseny
- versenyképes
- bonyolult
- bonyolultság
- összetevő
- alkatrészek
- megért
- átfogó
- számítások
- Kiszámít
- számítógép
- Computer Science
- fogalmi
- Vonatkozik
- Configuration
- kötőszó
- Csatlakozás
- áll
- Konzol
- Megerősíti
- fogyasztó
- tartalmaz
- kontextus
- folyamatos
- hozzájáruló
- Beszélgetés
- megtérít
- kijavítására
- Költség
- kiadások
- tudott
- készítette
- Jelenlegi
- Jelenleg
- vevő
- Vásárlói élmény
- Ügyfelek
- napi
- Dallas
- dátum
- adatfeldolgozás
- adatalapú
- adatbázis
- adatbázisok
- találka
- december
- határozatok
- elszánt
- mélyebb
- meghatározott
- Annak meghatározása,
- Fok
- Kereslet
- bizonyítani
- igazolták
- attól
- telepíteni
- telepített
- leírt
- leírás
- Design
- tervezés
- részletek
- kimutatására
- Érzékelés
- Határozzuk meg
- fejlett
- Diéta
- különböző
- Nehézség
- merülés
- számos
- Diversify
- do
- dokumentum
- dokumentumok
- csinált
- kétszeresére
- le-
- hajtás
- hajtott
- illesztőprogramok
- két
- minden
- bevételt hozó
- Kereset
- jövedelmek hívás
- könnyen
- Gazdasági
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- bármelyik
- e-mailek
- kiemelkedik
- lehetővé
- lehetővé téve
- átfogó
- végén
- végtől végig
- befejező
- Endpoint
- mérnök
- Mérnöki
- Angol
- fokozott
- fokozása
- belépés
- Vállalkozás
- Szórakozás
- különösen
- Még
- példa
- Kiváló
- csere
- létező
- kiterjesztett
- bővülő
- terjeszkedés
- tapasztalat
- Magyarázza
- kutatás
- feltárása
- Feltárása
- kiterjedt
- Átfogó tapasztalat
- kivonat
- kitermelés
- egyeztető
- néző
- család
- gyorsabb
- kevés
- Fájlok
- reszelék
- utolsó
- finanszíroz
- pénzügyi
- pénzügyi adat
- pénzügyi információ
- pénzügyi teljesítmény
- pénzügyi rendszerek
- Találjon
- megtalálása
- vezetéknév
- Fiscal
- öt
- Florida
- Összpontosít
- összpontosítás
- következő
- következik
- A
- előrejelzések
- formátum
- képlet
- Alapítvány
- töredezett
- Keretrendszer
- csalás
- csalások felderítése
- csaló
- Ingyenes
- gyakran
- ból ből
- Üzemanyag
- Tele
- funkció
- funkcionalitás
- funkciók
- további
- jövő
- Nyereség
- egyre
- gyűjt
- generál
- generál
- generáló
- generáció
- nemző
- Generatív AI
- gif
- GitHub
- Célok
- jó
- nagyobb
- nőtt
- Nő
- Növekedés
- Útmutatók
- kellett
- fogantyú
- Legyen
- he
- Egészség
- egészségügyi
- segít
- neki
- itt
- Magas
- magas szinten
- <p></p>
- övé
- tart
- Kezdőlap
- házigazdája
- Hogyan
- How To
- azonban
- http
- HTTPS
- emberi
- i
- azonosított
- azonosítja
- azonosítani
- Identitás
- if
- illusztrálja
- képek
- végre
- fontos
- javul
- javuló
- in
- tartalmaz
- magában foglalja a
- Beleértve
- bele
- Bejegyzett
- Növelje
- <p></p>
- növekvő
- India
- indián
- ipar
- infláció
- Inflációs
- Inflációs nyomás
- információ
- Infrastruktúra
- újít
- Innováció
- bemenet
- Bennfentes
- bennfentes kereskedelem
- meglátások
- Intézet
- integrálása
- Intelligencia
- Intelligens
- Intelligens dokumentumfeldolgozás
- kölcsönhatás
- kölcsönhatások
- kölcsönhatásba lép
- belsőleg
- bele
- befektet
- befektetés
- Befektetők
- hivatkozni
- behívja
- részt
- tárgyak internete
- IT
- ITS
- csatlakozott
- jpg
- Kulcs
- kulcsok
- tudás
- Kumar
- hiány
- nyelv
- nagy
- vezető
- tanulás
- Tőkeáttétel
- mint
- LIMIT
- összekapcsolt
- fizetőképesség
- Lista
- LLM
- helyileg
- logika
- hosszú lejáratú
- néz
- lookup
- le
- Elő/Utó
- gép
- gépi tanulás
- Fő
- Karbantartható
- csinál
- KÉSZÍT
- vezetés
- Management Team
- Manipuláció
- mód
- Margó
- piacára
- piacbefolyásolás
- Marketing
- piacok
- mester
- matematikai
- Lehet..
- Média
- Memory design
- megemlíti
- ML
- modell
- modellezés
- modellek
- modern
- korszerűsítésére
- ellenőrzés
- több
- a legtöbb
- Filmek
- mozgó
- MS
- többszörös
- kell
- név
- nevek
- Természetes
- Természetes nyelvi feldolgozás
- Természet
- elengedhetetlen
- szükségessé teszi
- Szükség
- igények
- negatív
- háló
- Új
- új termékek
- hír
- NLP
- jegyzetfüzet
- Most
- szám
- kötvények
- of
- kedvezmény
- Ajánlat
- Ajánlatok
- on
- ONE
- operatív
- Művelet
- optimálisan
- optimalizálás
- Optimalizálja
- optimalizált
- or
- érdekében
- szervezetek
- Más
- mi
- ki
- kívül
- átfogó
- rész
- bérletek
- szabadalom
- Fizet
- Peking
- százalék
- Teljesít
- teljesítmény
- teljesített
- phd
- kifejezés
- terv
- tervek
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- pont
- Politikák
- Népszerű
- népszerűség
- portfolió
- pózok
- pozíció
- állás
- potenciális
- hatalom
- powered
- nyomás
- előző
- korábban
- ár
- Áraink
- árazás
- elsősorban
- elsődleges
- Előzetes
- folyamat
- feldolgozás
- termelékenység
- Termékek
- Nyereség
- jövedelmezőség
- nyereség
- Haladás
- ad
- biztosít
- közzétett
- Piton
- világítás
- mennyiségi
- Negyed
- lekérdezések
- kérdés
- Kérdések
- gyorsan
- idézet
- hatótávolság
- Az árak
- hányados
- RE
- kész
- real-time
- új
- elismerés
- felvétel
- utal
- összefüggő
- relatív
- eszébe jut
- ismétlő
- jelentést
- Számolt
- Jelentő
- Jelentések
- kötelező
- megköveteli,
- kutatás
- Tudástár
- Reagálni
- válasz
- válaszok
- eredményez
- Eredmények
- kiskereskedelem
- visszatérés
- újrahasználható
- jövedelem
- bevétel növekedés
- jobb
- Kockázat
- kockázatok
- erős
- rutin
- futás
- fut
- s
- S&P
- sagemaker
- értékesítés
- azonos
- mentett
- megtakarítás
- skálázható
- Skála
- forgatókönyv
- forgatókönyvek
- Tudomány
- pontszám
- sdk
- Keresés
- keresések
- Második
- Rész
- szakaszok
- biztonság
- lát
- látás
- keres
- Keresi
- Úgy tűnik,
- kiválasztás
- MAGA
- idősebb
- érzés
- érzések
- Series of
- szolgáltatás
- Szolgáltatások
- ülés
- ő
- rövid időszak
- rövid távú likviditás
- kellene
- kirakat
- mutatott
- Műsorok
- Állítsa le
- jelentős
- hasonló
- Egyszerű
- készségek
- Közösség
- Közösségi média
- megoldások
- Megoldások
- néhány
- kifinomult
- forrás
- Források
- Dél
- South Florida
- Déli
- szakember
- különleges
- beszéd
- Speech Recognition
- sebesség
- Költési
- terjedése
- szabványosítás
- Állami
- statisztika
- tartózkodás
- Lépés
- Lépései
- készlet
- készletek
- megáll
- tárolás
- tárolni
- memorizált
- árnyékolók
- tárolása
- Stratégiai
- Stratégia
- Meg kell erősíteni
- struktúra
- szerkesztett
- stúdió
- előfizetés
- előfizetések
- ilyen
- megfelelő
- kíséret
- összegez
- ÖSSZEFOGLALÓ
- szállítók
- kínálat
- ellátási lánc
- ellátási lánc menedzsment
- támogatás
- Támogató
- Támogatja
- biztos
- svájc
- rendszer
- Systems
- táblázat
- bevétel
- Feladat
- feladatok
- csapat
- Műszaki
- Technologies
- Technológia
- sablon
- Texas
- szöveg
- hogy
- A
- A jövő
- az információ
- The Source
- azok
- Őket
- akkor
- Ott.
- ezáltal
- Ezek
- ők
- dolog
- ezt
- bár?
- fenyeget
- három
- Keresztül
- idő
- Idősorok
- nak nek
- szerszám
- eszköztár
- szerszámok
- felső
- téma
- Végösszeg
- Kereskedés
- Vonat
- Másolat
- Átalakítás
- Átalakítás
- szállítás
- Utazó
- Trends
- kettő
- típus
- típusok
- ui
- megért
- megértés
- egyetemi
- kinyit
- kinyitó
- közelgő
- frissítve
- us
- használ
- használt
- használó
- Felhasználók
- használ
- segítségével
- hasznosított
- hasznosítja
- Értékes
- érték
- fajta
- különféle
- verzió
- keresztül
- videó
- kötetek
- volt
- őrzés
- Víz
- Út..
- módon
- we
- háló
- webes szolgáltatások
- JÓL
- voltak
- Mit
- amikor
- ami
- WHO
- széles
- Széleskörű
- lesz
- val vel
- belül
- Munka
- dolgozott
- munkafolyamat
- év
- év
- te
- A te
- zephyrnet