I dati multimodali sono una componente preziosa del settore finanziario, poiché comprendono dati di mercato, economici, relativi ai clienti, alle notizie, ai social media e al rischio. Le organizzazioni finanziarie generano, raccolgono e utilizzano questi dati per ottenere informazioni dettagliate sulle operazioni finanziarie, prendere decisioni migliori e migliorare le prestazioni. Tuttavia, esistono sfide associate ai dati multimodali a causa della complessità e della mancanza di standardizzazione dei sistemi finanziari, dei formati e della qualità dei dati, nonché della natura frammentata e non strutturata dei dati. I clienti finanziari hanno spesso descritto il sovraccarico operativo derivante dall'acquisizione di informazioni finanziarie da dati multimodali, che richiede una complessa logica di estrazione e trasformazione, con conseguenti sforzi e costi eccessivi. Le sfide tecniche con i dati multimodali includono inoltre la complessità dell’integrazione e della modellazione di diversi tipi di dati, la difficoltà di combinare dati provenienti da più modalità (testo, immagini, audio, video) e la necessità di competenze informatiche avanzate e sofisticati strumenti di analisi.
Uno dei modi per gestire i dati multimodali che sta guadagnando popolarità è l'uso di agenti multimodali. Gli agenti multimodali sono sistemi di intelligenza artificiale in grado di comprendere e analizzare i dati in più modalità utilizzando gli strumenti giusti nel loro toolkit. Sono in grado di collegare informazioni tra questi diversi tipi di dati per ottenere una comprensione più completa e generare risposte appropriate. Gli agenti multimodali, insieme all’intelligenza artificiale generativa, stanno trovando un’ampia applicazione nei mercati finanziari. Di seguito sono riportati alcuni casi d'uso popolari:
- Reporting intelligente e intelligence del mercato – L’intelligenza artificiale può analizzare varie fonti di informazioni finanziarie per generare report di market intelligence, aiutando analisti, investitori e aziende a rimanere aggiornati sulle tendenze. Gli agenti multimodali possono riassumere rapidamente report finanziari lunghi, facendo risparmiare agli analisti tempo e fatica significativi.
- Modellazione quantitativa e previsione – I modelli generativi possono sintetizzare grandi volumi di dati finanziari per addestrare modelli di machine learning (ML) per applicazioni come la previsione del prezzo delle azioni, l’ottimizzazione del portafoglio, la modellazione del rischio e altro ancora. I modelli multimodali che comprendono diverse fonti di dati possono fornire previsioni più solide.
- Conformità e rilevamento delle frodi – Questa soluzione può essere estesa per includere strumenti di monitoraggio che analizzano canali di comunicazione come chiamate, e-mail, chat, registri di accesso e altro per identificare potenziali insider trading o manipolazione del mercato. Il rilevamento della collusione fraudolenta tra tipi di dati richiede un’analisi multimodale.
Un agente multimodale con intelligenza artificiale generativa aumenta la produttività di un analista finanziario automatizzando le attività ripetitive e di routine, lasciando agli analisti tempo libero da dedicare a lavori di alto valore. Gli agenti multimodali possono amplificare la capacità di un analista di ottenere approfondimenti fornendo assistenza nella ricerca e nell'analisi. Gli agenti multimodali possono anche generare analisi quantitative e modelli finanziari migliorati, consentendo agli analisti di lavorare più velocemente e con maggiore precisione.
L'implementazione di un agente multimodale con AWS consolida le informazioni chiave provenienti da diversi dati strutturati e non strutturati su larga scala. Gli agenti multimodali possono facilmente combinare la potenza delle offerte di intelligenza artificiale generativa di Roccia Amazzonica ed JumpStart di Amazon SageMaker con le capacità di elaborazione dei dati di AWS Analytics e i servizi AI/ML per fornire soluzioni agili che consentono agli analisti finanziari di analizzare in modo efficiente e raccogliere informazioni da dati multimodali in modo sicuro e scalabile all'interno di AWS. Amazon offre una suite di servizi di intelligenza artificiale che consentono l'elaborazione del linguaggio naturale (NLP), il riconoscimento vocale, l'estrazione del testo e la ricerca:
- Amazon Comprehend è un servizio di PNL in grado di analizzare il testo per frasi chiave e analizzare il sentiment
- Testo Amazon è un servizio di elaborazione documenti intelligente in grado di estrarre con precisione testo e dati dai documenti
- Amazon Transcribe è un servizio di riconoscimento vocale automatico in grado di convertire la voce in testo
- Amazon Kendra è un servizio di ricerca aziendale basato sul machine learning per trovare informazioni in una varietà di origini dati, inclusi documenti e basi di conoscenza
In questo post mostriamo uno scenario in cui un analista finanziario interagisce con i dati multimodali dell'organizzazione, che risiedono su archivi dati appositamente creati, per raccogliere informazioni finanziarie. Nell'interazione, dimostriamo come gli agenti multimodali pianificano ed eseguono la query dell'utente e recuperano i risultati dalle origini dati pertinenti. Tutto ciò viene ottenuto utilizzando i servizi AWS, aumentando così l'efficienza dell'analista finanziario nell'analizzare i dati finanziari multimodali (testo, parlato e dati tabulari) in modo olistico.
Lo screenshot seguente mostra un esempio dell'interfaccia utente.
Panoramica della soluzione
Il diagramma seguente illustra l'architettura concettuale per utilizzare l'intelligenza artificiale generativa con dati multimodali utilizzando agenti. I passaggi coinvolti sono i seguenti:
- L'analista finanziario pone domande tramite una piattaforma come i chatbot.
- La piattaforma utilizza un framework per determinare lo strumento agente multimodale più adatto per rispondere alla domanda.
- Una volta identificato, la piattaforma esegue il codice collegato allo strumento precedentemente identificato.
- Lo strumento genera un'analisi dei dati finanziari come richiesto dall'analista finanziario.
- Nel riassumere i risultati, modelli linguistici di grandi dimensioni recuperano e riportano all'analista finanziario.
Architettura tecnica
L'agente multimodale orchestra vari strumenti in base alle istruzioni in linguaggio naturale degli utenti aziendali per generare approfondimenti. Per i dati non strutturati, l'agente utilizza AWS Lambda funziona con servizi di intelligenza artificiale come Amazon Textract per l'analisi dei documenti, Amazon Transcribe per il riconoscimento vocale, Amazon Comprehend per NLP e Amazon Kendra per la ricerca intelligente. Per i dati strutturati, l'agente utilizza SQL Connector e SQLAlchemy per analizzare i database, che include Amazzone Atena. L'agente utilizza anche Python in Lambda e il Amazon Sage Maker SDK per calcoli e modellazione quantitativa. L'agente dispone inoltre di una memoria a lungo termine in cui archiviare prompt e risultati Amazon DynamoDB. L'agente multimodale risiede in un notebook SageMaker e coordina questi strumenti in base alle istruzioni in inglese degli utenti aziendali in un'interfaccia utente Streamlit.
I componenti chiave dell’architettura tecnica sono i seguenti:
- Archiviazione e analisi dei dati – Le registrazioni trimestrali degli utili finanziari come file audio, le relazioni finanziarie annuali come file PDF e i dati azionari S&P come file CSV sono ospitati su Servizio di archiviazione semplice Amazon (Amazon S3). L'esplorazione dei dati sui dati azionari viene eseguita utilizzando Athena.
- Grandi modelli linguistici – I modelli linguistici di grandi dimensioni (LLM) sono disponibili tramite Amazon Bedrock, SageMaker JumpStart o un'API.
- Agenti – Utilizziamo gli agenti di LangChain per una catena di chiamate non predeterminata come input dell'utente per LLM e altri strumenti. In questi tipi di catene è presente un agente che ha accesso a una suite di strumenti. Ogni strumento è stato costruito per un compito specifico. A seconda dell'input dell'utente, l'agente decide lo strumento o una combinazione di strumenti da chiamare per rispondere alla domanda. Abbiamo creato i seguenti strumenti agente appositamente creati per il nostro scenario:
- Strumento di interrogazione delle azioni – Per interrogare i dati sulle azioni S&P utilizzando Athena e SQLAlchemy.
- Strumento di ottimizzazione del portafoglio – Costruire un portafoglio basato sulle azioni scelte.
- Strumento di ricerca di informazioni finanziarie – Per cercare informazioni sui guadagni finanziari archiviati in file PDF multipagina utilizzando Amazon Kendra.
- Strumento di calcolo Python – Da utilizzare per calcoli matematici.
- Strumento di analisi del sentiment – Per identificare e valutare le opinioni su un argomento utilizzando Amazon Comprehend.
- Strumento Rileva frasi – Per trovare le frasi chiave negli ultimi rapporti trimestrali utilizzando Amazon Comprehend.
- Strumento di estrazione del testo – Per convertire le versioni PDF dei report trimestrali in file di testo utilizzando Amazon Textract.
- Strumento di trascrizione audio – Per convertire le registrazioni audio in file di testo utilizzando Amazon Transcribe.
La memoria dell'agente che contiene la catena di interazioni dell'utente con l'agente viene salvata in DynamoDB.
Le sezioni seguenti spiegano alcuni dei passaggi principali con il codice associato. Per approfondire la soluzione e il codice per tutti i passaggi mostrati qui, fare riferimento a Repository GitHub.
Prerequisiti
Per eseguire questa soluzione, è necessario disporre di una chiave API per un LLM come Anthropic Claude v2 o avere accesso ai modelli di fondazione Amazon Bedrock.
Per generare risposte da dati strutturati e non strutturati utilizzando LLM e LangChain, è necessario accedere a LLM tramite Amazon Bedrock, SageMaker JumpStart o chiavi API e utilizzare database compatibili con SQLAlchemy. Gestione dell'identità e dell'accesso di AWS Sono richieste anche le policy (IAM), i cui dettagli sono reperibili nel repository GitHub.
Componenti chiave di un agente multimodale
Esistono alcuni componenti chiave dell'agente multimodale:
- Funzioni definite per gli strumenti dell'agente multimodale
- Strumenti definiti per l'agente multimodale
- Memoria a lungo termine per l'agente multimodale
- Agente multimodale basato su pianificatore-esecutore (definito con strumenti, LLM e memoria)
In questa sezione illustriamo i componenti chiave con gli snippet di codice associati.
Funzioni definite per gli strumenti dell'agente multimodale
L'agente multimodale deve utilizzare vari servizi di intelligenza artificiale per elaborare diversi tipi di dati: testo, parlato, immagini e altro ancora. Alcune di queste funzioni potrebbero dover chiamare servizi AWS AI come Amazon Comprehend per analizzare il testo, Amazon Textract per analizzare immagini e documenti e Amazon Transcribe per convertire la voce in testo. Queste funzioni possono essere chiamate localmente all'interno dell'agente o distribuite come funzioni Lambda che l'agente può richiamare. Le funzioni Lambda chiamano internamente i servizi AI AWS pertinenti e restituiscono i risultati all'agente. Questo approccio modularizza la logica e rende l'agente più gestibile ed estensibile.
La seguente funzione definisce come calcolare il portafoglio ottimizzato in base alle azioni scelte. Un modo per convertire una funzione basata su Python in uno strumento LLM è utilizzare il file BaseTool involucro.
Di seguito è riportato il codice per Lambda che chiama le API del servizio AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):
Strumenti definiti per l'agente multimodale
L'agente multimodale ha accesso a vari strumenti per abilitare la sua funzionalità. Può interrogare un database di azioni per rispondere a domande sulle azioni. Può ottimizzare un portafoglio utilizzando uno strumento dedicato. Può recuperare informazioni da Amazon Kendra, il servizio di ricerca aziendale di Amazon. Uno strumento Python REPL consente all'agente di eseguire codice Python. Un esempio della struttura degli strumenti, inclusi i relativi nomi e descrizioni, è mostrato nel codice seguente. La cassetta degli attrezzi effettiva di questo post ha otto strumenti: strumento di query sulle azioni, strumento di ottimizzazione del portafoglio, strumento di ricerca di informazioni finanziarie, strumento di calcolo Python, strumento di analisi del sentiment, strumento di rilevamento frasi, strumento di estrazione testo e strumento di trascrizione audio.
Memoria a lungo termine per l'agente multimodale
Il codice seguente illustra la configurazione della memoria a lungo termine per l'agente multimodale. In questo codice, la tabella DynamoDB viene aggiunta come memoria per archiviare prompt e risposte per riferimento futuro.
Agente multimodale basato su pianificatore-esecutore
Il pianificatore-esecutore L'architettura basata su agenti multimodali ha due componenti principali: un pianificatore e un esecutore. Il pianificatore genera un piano di alto livello con i passaggi necessari per l'esecuzione e la risposta alla domanda tempestiva. L'esecutore esegue quindi questo piano generando risposte di sistema appropriate per ciascuna fase del piano utilizzando il modello linguistico con gli strumenti necessari. Vedere il seguente codice:
Scenari di esempio basati su domande poste dall'analista finanziario
In questa sezione esploriamo due scenari di esempio per illustrare i passaggi end-to-end eseguiti dall'agente multimodale in base alle domande poste dall'analista finanziario.
Scenario 1: domande dell'analista finanziario relative ai dati strutturati
In questo scenario, l'analista finanziario pone all'agente multimodale una domanda in inglese relativa ai titoli delle società. L'agente multimodale LangChain elabora un piano in più fasi e decide quali strumenti utilizzare per ogni passaggio. Il seguente diagramma illustra un esempio di flusso di lavoro con i seguenti passaggi:
- L'analista finanziario pone una domanda finanziaria in inglese tramite l'interfaccia utente all'agente multimodale.
- L'agente identifica che è necessario lo strumento database per rispondere alla domanda. Genera una query SQL utilizzando un LLM basato sulla domanda e interroga il database Athena.
- Athena esegue la query SQL, recupera il risultato rilevante (serie temporale dei prezzi delle azioni delle cinque società) e trasmette il risultato con i dati rilevanti all'agente.
- L'agente identifica che è necessario un secondo strumento per rispondere alla domanda. Passa i dati recuperati allo strumento Python per l'ottimizzazione del portafoglio.
- Lo strumento Python calcola il portafoglio ottimale richiesto, compresi i pesi, e trasmette la risposta al LLM all'interno dell'agente.
- L'agente compila le informazioni e i calcoli richiesti utilizzando LLM e risponde all'analisi finanziaria tramite l'interfaccia utente in inglese.
L’analista finanziario pone la seguente domanda:
"Quali sono i prezzi di chiusura delle azioni AAAA, WWW, DDD nel 2018? Puoi costruire un portafoglio ottimizzato utilizzando questi tre titoli?"
Il codice seguente mostra i passaggi identificati dal pianificatore dell'agente multimodale:
L'agente ha tradotto la richiesta di domanda nella seguente query SQL:
Il codice seguente mostra la risposta finale dell'agente multimodale in base alla domanda:
Scenario 2: domande dell'analista finanziario relative a dati non strutturati
In questo scenario, un analista finanziario pone all'agente multimodale molteplici domande sulla salute finanziaria dell'azienda. L'agente richiama due agenti strumento, Amazon Kendra con dati non strutturati e uno strumento di elaborazione Python, per raccogliere informazioni ed eseguire i calcoli necessari. L'agente quindi compila le informazioni dagli strumenti utilizzando il suo modello linguistico e fornisce la risposta completa all'analista. La chiave di questo scenario è che l'agente può ricordare le domande e le risposte delle domande precedenti e incorporare il contesto nella conversazione. Il seguente diagramma illustra il flusso di lavoro, che consiste dei seguenti passaggi:
- L'analista finanziario pone una domanda finanziaria in inglese tramite l'interfaccia utente all'agente multimodale.
- L'agente identifica che è necessario lo strumento Amazon Kendra per rispondere alla domanda e richiama lo strumento dell'agente Amazon Kendra.
- Amazon Kendra cerca il corpus di dati non strutturati in Amazon S3 e recupera il documento pertinente contenente la risposta.
- Utilizzando Retrieval Augmented Generation (RAG), Amazon Kendra trasmette la risposta dal documento pertinente al LLM all'interno dell'agente.
- L'agente identifica che è necessario un secondo strumento per rispondere alla seconda parte della domanda. Passa le informazioni dal primo strumento allo strumento di calcolo Python.
- Lo strumento Python calcola il rapporto richiesto e trasmette la risposta al LLM all'interno dell'agente.
- L'agente compila le informazioni e i calcoli richiesti utilizzando LLM e risponde all'analista finanziario tramite l'interfaccia utente.
Di seguito sono riportate domande e risposte tra l'analista e l'agente multimodale.
L’agente risponde alla domanda”Qual è la perdita netta di Amazon per l'anno fiscale che termina a dicembre 2022?" con "Amazon ha registrato un fatturato netto totale di 514.0 miliardi di dollari e una perdita netta di 2.7 miliardi di dollari per l'anno fiscale 2022". La fonte è il report Amazon 10K per l'anno fiscale terminato a dicembre 2022, recuperato utilizzando il file Retrive_Kendra
Tool.
Per la domanda “Qual è la perdita netta per lo stesso anno?” l’agente risponde “2.7 miliardi di dollari”. La fonte è il report Amazon 10K per l'anno fiscale terminato a dicembre 2022, recuperato utilizzando il file Retrive_Kendra
Attrezzo. Tieni presente che, anche se la domanda è simile alla seconda, non specifica il nome dell'azienda o il numero dell'anno. Tuttavia, l'agente è stato in grado di utilizzare il nome e l'anno corretti della società in base al contesto nella memoria della conversazione.
Per la domanda “Qual è la formula per il rapporto margine utile netto, che è un tipo di rapporto di redditività?” risponde l'agente “Amazon ha riportato un fatturato netto totale di 514.0 miliardi di dollari e una perdita netta di 2.7 miliardi di dollari per l'anno fiscale 2022. Il rapporto del margine di profitto netto per Amazon per l'anno fiscale 2022 è -0.5%”. La fonte è Retrieve_Kendra
ed PythonREPLTool().
Approfondisci la soluzione
Per approfondire la soluzione e il codice mostrato in questo post, controlla il file Repository GitHub.
Nel repository GitHub potrai trovare un notebook Python con la soluzione end-to-end, un AWS CloudFormazione modello per il provisioning dell'infrastruttura, dati non strutturati (file PDF dei rapporti sugli utili, file audio delle chiamate sugli utili) e dati strutturati (serie temporali delle azioni).
Nell'appendice finale sono state tabulate le diverse domande poste dall'analista finanziario, gli strumenti dell'agente utilizzati e la risposta dell'agente multimodale.
ripulire
Dopo aver eseguito l'agente multimodale, assicurati di ripulire tutte le risorse che non verranno utilizzate. Arrestare ed eliminare i database utilizzati (Athena). Inoltre, elimina i dati in Amazon S3 e arresta eventuali istanze notebook di SageMaker Studio per non incorrere in ulteriori addebiti. Elimina le funzioni Lambda e le tabelle DynamoDB che non vengono utilizzate come parte della memoria a lungo termine. Se hai utilizzato SageMaker JumpStart per distribuire un LLM come endpoint in tempo reale SageMaker, elimina l'endpoint tramite la console SageMaker o SageMaker Studio.
Conclusione
Questo post ha dimostrato l'ampia gamma di servizi di storage, AI/ML e calcolo AWS che puoi utilizzare per creare una soluzione AI multimodale avanzata insieme al framework LangChain e all'intelligenza artificiale generativa. Integrando le tecnologie NLP, riconoscimento vocale e ML, l'agente multimodale sviluppato in questo scenario è in grado di analizzare diverse modalità di dati finanziari (strutturati e non strutturati) e rispondere alle richieste in linguaggio naturale (inglese). Ciò aumenta la produttività e l’efficienza degli analisti finanziari, consentendo loro di concentrarsi su un lavoro strategico di alto valore. Le soluzioni IA multimodali basate su AWS hanno il potenziale per trasformare i mercati finanziari automatizzando le attività ripetitive, migliorando le capacità umane e generando in modo efficiente informazioni basate sui dati. Per i dati strutturati, è possibile incorporare una moderna architettura dati con più database con AI generativa e LLM. Per ulteriori dettagli, fare riferimento a Reinventare l'esperienza dei dati: utilizza l'intelligenza artificiale generativa e l'architettura dei dati moderna per ottenere insight. Inoltre, fare riferimento a Roccia Amazzonica per casi d'uso su IA generativa, modelli di base e modelli di linguaggi di grandi dimensioni.
Appendice
La tabella seguente contiene domande di esempio poste da un analista finanziario all'agente multimodale sulla base di dati strutturati e non strutturati.
Scopo della domanda | Domanda posta dagli analisti finanziari tramite l'interfaccia utente | Strumenti dell'agente richiamati | Servizi AWS primari utilizzati dagli strumenti dell'agente | Risposta dell'agente multimodale |
Richiedi all'agente LangChain di preelaborare ed estrarre informazioni dai dati raccolti | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Strumento di estrazione del testo |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Chiedi all'agente LangChain di trascrivere le registrazioni audio in testi | 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. |
Chiedi all'agente LangChain di analizzare la salute finanziaria e le prestazioni dell'azienda | 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. |
Chiedi all'agente LangChain di analizzare la performance finanziaria dell'azienda dai rapporti sugli utili dell'azienda | 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. |
Chiedi all'agente LangChain di analizzare il team di gestione dell'azienda e i suoi piani per il futuro in base ai rapporti sugli utili dell'azienda | 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. |
Chiedi all'agente LangChain di analizzare la strategia dell'azienda dai rapporti sugli utili dell'azienda | 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. |
Richiedi all'agente LangChain di eseguire l'analisi del sentiment sulle registrazioni delle chiamate sugli utili | 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. |
Chiedi all'agente LangChain di costruire un portafoglio ottimale utilizzando i dati raccolti | 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%' |
Informazioni sugli autori
Sovik Kumar Nath è un architetto di soluzioni AI/ML con AWS. Ha una vasta esperienza nella progettazione di soluzioni di machine learning e analisi aziendale end-to-end in finanza, operazioni, marketing, sanità, gestione della supply chain e IoT. Sovik ha pubblicato articoli e detiene un brevetto nel monitoraggio del modello ML. Ha conseguito un doppio master presso la University of South Florida, l'Università di Friburgo, in Svizzera, e una laurea presso l'Indian Institute of Technology, Kharagpur. Al di fuori del lavoro, a Sovik piace viaggiare, prendere il traghetto e guardare film.
Mohan Musti è Senior Technical Account Manger con sede a Dallas. Mohan aiuta i clienti a progettare e ottimizzare le applicazioni su AWS. Mohan ha studiato informatica e ingegneria presso la JNT University, India. Nel tempo libero gli piace trascorrere del tempo con la sua famiglia e campeggiare.
Jia (Vivian) Li è un Senior Solutions Architect in AWS, con specializzazione in AI/ML. Attualmente supporta i clienti nel settore finanziario. Prima di entrare in AWS nel 2022, aveva 7 anni di esperienza nel supportare i clienti aziendali nell'utilizzo dell'intelligenza artificiale/ML nel cloud per ottenere risultati aziendali. Vivian ha una laurea presso l'Università di Pechino e un dottorato di ricerca presso la University of Southern California. Nel tempo libero le piacciono tutte le attività acquatiche e le escursioni sulle splendide montagne del suo stato natale, il Colorado.
Uchenna Egbe è un AIML Solutions Architect a cui piace creare soluzioni AIML riutilizzabili. Uchenna ha un master conseguito presso l'Università dell'Alaska Fairbanks. Trascorre il suo tempo libero facendo ricerche su erbe, tè, supercibi e su come incorporarli nella sua dieta quotidiana.
Navneet Tuteia è un Data Specialist presso Amazon Web Services. Prima di entrare in AWS, Navneet ha lavorato come facilitatore per le organizzazioni che cercavano di modernizzare le proprie architetture di dati e implementare soluzioni AI/ML complete. Ha conseguito una laurea in ingegneria presso la Thapar University e un master in statistica presso la Texas A&M University.
Praful Kava è un Senior Specialist Solutions Architect presso AWS. Guida i clienti nella progettazione e realizzazione di pipeline di analisi su scala cloud su AWS. Fuori dal lavoro gli piace viaggiare con la famiglia ed esplorare nuovi sentieri escursionistici.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :ha
- :È
- :non
- :Dove
- ][P
- $ SU
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- capacità
- capace
- WRI
- accesso
- Il mio account
- conti
- precisione
- con precisione
- raggiunto
- Realizza
- operanti in
- attività
- presenti
- aggiunto
- aggiunta
- Avanzate
- Vantaggio
- Agente
- agenti
- agile
- AI
- Servizi di intelligenza artificiale
- Sistemi di intelligenza artificiale
- AI / ML
- AIML
- mira
- ALASKA
- Tutti
- assegnazione
- Consentire
- consente
- lungo
- anche
- Sebbene il
- Amazon
- Amazon Comprehend
- Amazon Kendra
- Testo Amazon
- Amazon Transcribe
- Amazon Web Services
- an
- .
- analista
- Gli analisti
- analitica
- analizzare
- l'analisi
- ed
- annuale
- rispondere
- risposte
- Antropico
- in qualsiasi
- api
- CHIAVI API
- API
- Applicazioni
- applicazioni
- approccio
- opportuno
- architettura
- SONO
- in giro
- news
- AS
- chiedere
- Attività
- assistere
- associato
- At
- Audio
- aumentata
- Automatico
- Automatizzare
- disponibile
- AWS
- precedente
- basato
- BE
- bellissimo
- stato
- prima
- essendo
- Meglio
- fra
- Maggiore
- Miliardo
- aumenta
- Scatola
- costruire
- Costruzione
- costruito
- affari
- by
- calcolare
- calcola
- calcolo
- calcoli
- California
- chiamata
- detto
- chiamata
- Bandi
- Materiale
- funzionalità
- casi
- catena
- Catene
- sfide
- Modifiche
- canali
- oneri
- chatbots
- dai un'occhiata
- scelto
- clienti
- chiusura
- Cloud
- codice
- raccogliere
- Colorado
- combinazione
- combinare
- combinando
- viene
- arrivo
- Comunicazione
- Aziende
- azienda
- Società
- compatibile
- concorrenza
- competitivo
- complesso
- complessità
- componente
- componenti
- comprendere
- globale
- calcoli
- Calcolare
- computer
- Informatica
- concettuale
- Problemi della Pelle
- Configurazione
- congiunzione
- Connettiti
- consiste
- consolle
- consolida
- Consumer
- contiene
- contesto
- continuo
- contribuendo
- Conversazione
- convertire
- correggere
- Costo
- Costi
- potuto
- creato
- Corrente
- Attualmente
- cliente
- esperienza del cliente
- Clienti
- alle lezioni
- Dallas
- dati
- elaborazione dati
- data-driven
- Banca Dati
- banche dati
- Data
- Dicembre
- decisioni
- dedicato
- più profondo
- definito
- definisce
- Laurea
- Richiesta
- dimostrare
- dimostrato
- Dipendente
- schierare
- schierato
- descritta
- descrizione
- Design
- progettazione
- dettagli
- individuare
- rivelazione
- Determinare
- sviluppato
- Dieta
- diverso
- Livello di difficoltà
- immersione
- paesaggio differenziato
- diversificare
- do
- documento
- documenti
- fatto
- doppio
- giù
- guidare
- spinto
- driver
- dovuto
- ogni
- Guadagno
- Guadagni
- guadagni chiamano
- facilmente
- Economico
- efficienza
- efficiente
- in modo efficiente
- sforzo
- o
- emerge
- enable
- consentendo
- che comprende
- fine
- da un capo all'altro
- finale
- endpoint
- ingegnere
- Ingegneria
- Inglese
- migliorata
- migliorando
- entrare
- Impresa
- Intrattenimento
- particolarmente
- Anche
- esempio
- Eccellenza
- exchange
- esistente
- ampliato
- espansione
- espansione
- esperienza
- Spiegare
- esplorazione
- esplora
- Esplorare
- estensivo
- Conclamata Esperienza
- estratto
- estrazione
- facilitatore
- di fronte
- famiglia
- più veloce
- pochi
- File
- limatura
- finale
- finanziare
- finanziario
- dati finanziari
- informazioni finanziarie
- rendimento finanziario
- sistemi finanziari
- Trovate
- ricerca
- Nome
- Fiscale
- cinque
- Florida
- Focus
- messa a fuoco
- i seguenti
- segue
- Nel
- le previsioni
- formato
- formula
- Fondazione
- frammentato
- Contesto
- frode
- rilevazione di frodi
- fraudolenti
- Gratis
- frequentemente
- da
- Carburante
- pieno
- function
- funzionalità
- funzioni
- ulteriormente
- futuro
- Guadagno
- guadagnando
- raccogliere
- generare
- genera
- la generazione di
- ELETTRICA
- generativo
- AI generativa
- gif
- GitHub
- Obiettivi
- buono
- maggiore
- è cresciuto
- Crescere
- Crescita
- Guide
- ha avuto
- maniglia
- Avere
- he
- Salute e benessere
- assistenza sanitaria
- aiuta
- suo
- qui
- Alta
- alto livello
- superiore
- il suo
- detiene
- Casa
- ospitato
- Come
- Tutorial
- Tuttavia
- http
- HTTPS
- umano
- i
- identificato
- identifica
- identificare
- Identità
- if
- illustra
- immagini
- realizzare
- importante
- competenze
- miglioramento
- in
- includere
- inclusi
- Compreso
- incorporare
- Incorporated
- Aumento
- è aumentato
- crescente
- India
- indiano
- industria
- inflazione
- inflazionistico
- Pressioni inflazionistiche
- informazioni
- Infrastruttura
- innovare
- Innovazione
- ingresso
- Insider
- insider trading
- intuizioni
- Istituto
- Integrazione
- Intelligence
- Intelligente
- Elaborazione intelligente dei documenti
- interazione
- interazioni
- interagisce
- internamente
- ai miglioramenti
- Investire
- investire
- Investitori
- invocato
- invoca
- coinvolto
- IoT
- IT
- SUO
- accoppiamento
- jpg
- Le
- Tasti
- conoscenze
- Kumar
- Dipingere
- Lingua
- grandi
- principale
- apprendimento
- Leva
- piace
- LIMITE
- connesso
- Liquidità
- Lista
- LLM
- a livello locale
- logica
- a lungo termine
- Guarda
- ricerca
- spento
- Basso
- macchina
- machine learning
- Principale
- Mantenibile
- make
- FA
- gestione
- Team
- Manipolazione
- modo
- Margine
- Rappresentanza
- manipolazione del mercato
- Marketing
- Mercati
- master
- matematico
- Maggio..
- Media
- Memorie
- menziona
- ML
- modello
- modellismo
- modelli
- moderno
- modernizzare
- monitoraggio
- Scopri di più
- maggior parte
- Film
- in movimento
- MS
- multiplo
- devono obbligatoriamente:
- Nome
- nomi
- Naturale
- Elaborazione del linguaggio naturale
- Natura
- necessaria
- risulta necessario per
- Bisogno
- esigenze
- negativo.
- rete
- New
- prodotti nuovi
- notizie
- nlp
- taccuino
- adesso
- numero
- obblighi
- of
- MENO
- offerte
- Offerte
- on
- ONE
- operativa
- Operazioni
- ottimale
- ottimizzazione
- OTTIMIZZA
- ottimizzati
- or
- minimo
- organizzazioni
- Altro
- nostro
- su
- al di fuori
- complessivo
- parte
- Passi
- brevetto
- Paga le
- Pechino
- percentuale
- Eseguire
- performance
- eseguita
- phd
- Frasi
- piano
- piani
- piattaforma
- Platone
- Platone Data Intelligence
- PlatoneDati
- per favore
- punto
- Termini e Condizioni
- Popolare
- popolarità
- lavori
- pone
- posizione
- Post
- potenziale
- energia
- alimentato
- pressioni
- precedente
- in precedenza
- prezzo
- Prezzi
- prezzi
- principalmente
- primario
- Precedente
- processi
- lavorazione
- della produttività
- Prodotti
- Profitto
- redditività
- profitti
- Progressi
- fornire
- fornisce
- pubblicato
- Python
- qualità
- quantitativo
- Trimestre
- query
- domanda
- Domande
- rapidamente
- citare
- gamma
- rapporto
- RE
- pronto
- tempo reale
- recente
- riconoscimento
- registrazione
- riferimento
- relazionato
- parente
- pertinente
- ricorda
- ripetitivo
- rapporto
- Segnalati
- Reportistica
- Report
- necessario
- richiede
- riparazioni
- Risorse
- Rispondere
- risposta
- risposte
- colpevole
- Risultati
- nello specifico retail
- ritorno
- riutilizzabile
- Le vendite
- la crescita dei ricavi
- destra
- Rischio
- rischi
- robusto
- routine
- Correre
- corre
- s
- S & P
- sagemaker
- vendite
- stesso
- salvato
- risparmio
- scalabile
- Scala
- scenario
- Scenari
- Scienze
- Punto
- sdk
- Cerca
- Ricerche
- Secondo
- Sezione
- sezioni
- sicuro
- vedere
- vedendo
- cerca
- cerca
- sembra
- prodotti
- AUTO
- anziano
- sentimento
- sentimenti
- Serie
- servizio
- Servizi
- Sessione
- lei
- a breve scadenza
- liquidità a breve termine
- dovrebbero
- vetrina
- mostrato
- Spettacoli
- fermare
- significativa
- simile
- Un'espansione
- abilità
- Social
- Social Media
- soluzione
- Soluzioni
- alcuni
- sofisticato
- Fonte
- fonti
- Sud
- South Florida
- Meridionale
- specialista
- specifico
- discorso
- Riconoscimento vocale
- velocità
- Spendere
- diffondere
- standardizzazione
- Regione / Stato
- statistica
- soggiorno
- step
- Passi
- azione
- Azioni
- Fermare
- conservazione
- Tornare al suo account
- memorizzati
- negozi
- memorizzare
- Strategico
- Strategia
- Rafforza
- La struttura
- strutturato
- studio
- sottoscrizione
- abbonamenti
- tale
- adatto
- suite
- riassumere
- SOMMARIO
- fornitori
- fornire
- supply chain
- gestione della catena di approvvigionamento
- supporto
- Supporto
- supporti
- sicuro
- Svizzera
- sistema
- SISTEMI DI TRATTAMENTO
- tavolo
- presa
- Task
- task
- team
- Consulenza
- Tecnologie
- Tecnologia
- modello
- Texas
- testo
- che
- Il
- Il futuro
- le informazioni
- L’ORIGINE
- loro
- Li
- poi
- Là.
- in tal modo
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- cosa
- questo
- anche se?
- minacciare
- tre
- Attraverso
- tempo
- Serie storiche
- a
- toolkit
- strumenti
- top
- argomento
- Totale
- Trading
- Treni
- Trascrizione
- Trasformare
- Trasformazione
- trasporti
- Di viaggio
- tendenze
- seconda
- Digitare
- Tipi di
- ui
- capire
- e una comprensione reciproca
- Università
- sbloccare
- sblocco
- imminenti
- aggiornato
- us
- uso
- utilizzato
- Utente
- utenti
- usa
- utilizzando
- utilizzati
- utilizza
- Prezioso
- APPREZZIAMO
- varietà
- vario
- versioni
- via
- Video
- volumi
- Prima
- guardare
- Water
- Modo..
- modi
- we
- sito web
- servizi web
- WELL
- sono stati
- Che
- quando
- quale
- OMS
- largo
- Vasta gamma
- volere
- con
- entro
- Lavora
- lavorato
- flusso di lavoro
- anno
- anni
- Tu
- Trasferimento da aeroporto a Sharm
- zefiro