다중 모드 데이터는 시장, 경제, 고객, 뉴스, 소셜 미디어, 위험 데이터를 포괄하는 금융 산업의 중요한 구성 요소입니다. 금융 조직은 이 데이터를 생성, 수집 및 사용하여 재무 운영에 대한 통찰력을 얻고 더 나은 결정을 내리며 성과를 향상시킵니다. 그러나 금융 시스템, 데이터 형식 및 품질의 복잡성과 표준화 부족, 데이터의 단편화되고 구조화되지 않은 특성으로 인해 다중 모드 데이터와 관련된 문제가 있습니다. 금융 고객은 다중 모드 데이터에서 재무 통찰력을 얻는 데 따른 운영 오버헤드에 대해 자주 설명했습니다. 이로 인해 복잡한 추출 및 변환 논리가 필요하고 이로 인해 노력과 비용이 증가하게 됩니다. 다중 모드 데이터의 기술적 과제에는 다양한 데이터 유형을 통합하고 모델링하는 복잡성, 다양한 형식(텍스트, 이미지, 오디오, 비디오)의 데이터 결합의 어려움, 고급 컴퓨터 공학 기술 및 정교한 분석 도구의 필요성 등이 포함됩니다.
인기를 얻고 있는 다중 모드 데이터를 처리하는 방법 중 하나는 다중 모드 에이전트를 사용하는 것입니다. 다중 모드 에이전트는 툴킷에 있는 올바른 도구를 사용하여 다양한 형식으로 데이터를 이해하고 분석할 수 있는 AI 시스템입니다. 이러한 다양한 데이터 유형에 걸쳐 통찰력을 연결하여 보다 포괄적인 이해를 얻고 적절한 대응을 생성할 수 있습니다. 생성 AI와 결합된 다중 모드 에이전트는 금융 시장에서 광범위하게 적용되고 있습니다. 다음은 몇 가지 널리 사용되는 사용 사례입니다.
- 스마트 보고 및 시장 정보 – AI는 다양한 금융 정보 소스를 분석하여 시장 인텔리전스 보고서를 생성하고 분석가, 투자자 및 기업이 최신 동향을 파악하는 데 도움을 줍니다. 다중 모드 에이전트는 긴 재무 보고서를 신속하게 요약하여 분석가의 시간과 노력을 크게 절약할 수 있습니다.
- 정량적 모델링 및 예측 – 생성 모델은 대량의 재무 데이터를 합성하여 주가 예측, 포트폴리오 최적화, 위험 모델링 등과 같은 애플리케이션을 위한 기계 학습(ML) 모델을 교육할 수 있습니다. 다양한 데이터 소스를 이해하는 다중 모드 모델은 더욱 강력한 예측을 제공할 수 있습니다.
- 규정 준수 및 사기 탐지 – 이 솔루션은 통화, 이메일, 채팅, 액세스 로그 등과 같은 통신 채널을 분석하여 잠재적인 내부자 거래 또는 시장 조작을 식별하는 모니터링 도구를 포함하도록 확장될 수 있습니다. 데이터 유형 전반에 걸쳐 사기성 공모를 탐지하려면 다중 모드 분석이 필요합니다.
생성 AI가 탑재된 다중 모드 에이전트는 반복적이고 일상적인 작업을 자동화하여 재무 분석가의 생산성을 높이고 분석가가 고부가가치 작업에 집중할 수 있는 시간을 확보합니다. 다중 모드 에이전트는 연구 및 분석을 지원하여 통찰력을 얻는 분석가의 능력을 증폭시킬 수 있습니다. 다중 모드 에이전트는 또한 향상된 정량 분석 및 재무 모델을 생성하여 분석가가 더 빠르고 정확하게 작업할 수 있도록 해줍니다.
AWS로 다중 모드 에이전트를 구현하면 다양한 정형 및 비정형 데이터의 주요 통찰력을 대규모로 통합할 수 있습니다. 다중 모달 에이전트는 생성 AI 제품의 기능을 쉽게 결합할 수 있습니다. 아마존 기반암 및 Amazon SageMaker 점프스타트 AWS 분석 및 AI/ML 서비스의 데이터 처리 기능을 사용하여 재무 분석가가 AWS 내에서 안전하고 확장 가능한 방식으로 다중 모드 데이터를 효율적으로 분석하고 통찰력을 수집할 수 있도록 하는 민첩한 솔루션을 제공합니다. Amazon은 자연어 처리(NLP), 음성 인식, 텍스트 추출 및 검색을 지원하는 AI 서비스 제품군을 제공합니다.
- 아마존 이해 텍스트의 핵심 문구를 분석하고 감성을 분석할 수 있는 NLP 서비스입니다.
- 아마존 텍사스 문서에서 텍스트와 데이터를 정확하게 추출할 수 있는 지능형 문서 처리 서비스입니다.
- 아마존 전사 음성을 텍스트로 변환해주는 자동 음성인식 서비스입니다.
- 아마존 켄드라 문서 및 지식 기반을 포함한 다양한 데이터 소스에서 정보를 찾기 위해 ML을 기반으로 하는 엔터프라이즈 검색 서비스입니다.
이 게시물에서는 재무 분석가가 특별히 구축된 데이터 저장소에 있는 조직의 다중 모드 데이터와 상호 작용하여 재무 통찰력을 수집하는 시나리오를 보여줍니다. 상호 작용에서는 다중 모달 에이전트가 사용자 쿼리를 계획 및 실행하고 관련 데이터 소스에서 결과를 검색하는 방법을 보여줍니다. 이 모든 것은 AWS 서비스를 사용하여 달성되므로 재무 분석가의 효율성이 향상되어 다중 모드 금융 데이터(텍스트, 음성 및 표 데이터)를 전체적으로 분석할 수 있습니다.
다음 스크린샷은 UI의 예를 보여줍니다.
솔루션 개요
다음 다이어그램은 에이전트를 사용하여 다중 모달 데이터와 함께 생성 AI를 사용하는 개념적 아키텍처를 보여줍니다. 관련된 단계는 다음과 같습니다.
- 재무 분석가는 챗봇과 같은 플랫폼을 통해 질문을 던집니다.
- 플랫폼은 프레임워크를 사용하여 질문에 답하는 데 가장 적합한 다중 모드 에이전트 도구를 결정합니다.
- 식별되면 플랫폼은 이전에 식별된 도구에 연결된 코드를 실행합니다.
- 이 도구는 재무 분석가의 요청에 따라 재무 데이터 분석을 생성합니다.
- 결과를 요약할 때 대규모 언어 모델이 검색하여 재무 분석가에게 다시 보고합니다.
기술 아키텍처
다중 모드 에이전트는 비즈니스 사용자의 자연어 프롬프트를 기반으로 다양한 도구를 조정하여 통찰력을 생성합니다. 구조화되지 않은 데이터의 경우 에이전트는 다음을 사용합니다. AWS 람다 문서 분석을 위한 Amazon Textract, 음성 인식을 위한 Amazon Transcribe, NLP를 위한 Amazon Comprehend, 지능형 검색을 위한 Amazon Kendra와 같은 AI 서비스와 함께 작동합니다. 구조화된 데이터의 경우 에이전트는 SQL 커넥터 및 SQLAlchemy를 사용하여 다음을 포함하는 데이터베이스를 분석합니다. 아마존 아테나. 에이전트는 또한 Lambda에서 Python을 활용하고 아마존 세이지 메이커 계산 및 정량적 모델링을 위한 SDK입니다. 에이전트에는 프롬프트와 결과를 저장하기 위한 장기 기억도 있습니다. 아마존 DynamoDB. 다중 모드 에이전트는 SageMaker 노트북에 상주하며 Streamlit UI에서 비즈니스 사용자의 영어 프롬프트를 기반으로 이러한 도구를 조정합니다.
기술 아키텍처의 주요 구성 요소는 다음과 같습니다.
- 데이터 저장 및 분석 – 분기별 재무 수익 기록은 오디오 파일로, 재무 연차 보고서는 PDF 파일로, S&P 주식 데이터는 CSV 파일로 호스팅됩니다. 아마존 단순 스토리지 서비스 (아마존 S3). 주식 데이터에 대한 데이터 탐색은 Athena를 사용하여 수행됩니다.
- 큰 언어 모델 – LLM(대형 언어 모델)은 Amazon Bedrock, SageMaker JumpStart 또는 API를 통해 사용할 수 있습니다.
- 에이전트 – 우리는 LLM 및 기타 도구에 대한 사용자 입력으로 미리 결정되지 않은 호출 체인에 LangChain의 에이전트를 사용합니다. 이러한 유형의 체인에는 도구 모음에 액세스할 수 있는 에이전트가 있습니다. 각 도구는 특정 작업을 위해 제작되었습니다. 사용자 입력에 따라 에이전트는 질문에 답하기 위해 호출할 도구 또는 도구 조합을 결정합니다. 우리는 시나리오를 위해 다음과 같이 특별히 제작된 에이전트 도구를 만들었습니다.
- 주식 조회 도구 – Athena 및 SQLAlchemy를 사용하여 S&P 주식 데이터를 쿼리합니다.
- 포트폴리오 최적화 도구 – 선택한 주식을 기반으로 포트폴리오를 구축합니다.
- 금융정보 조회 도구 – Amazon Kendra를 사용하여 여러 페이지로 구성된 PDF 파일에 저장된 재무 수익 정보를 검색합니다.
- Python 계산 도구 – 수학적 계산에 사용합니다.
- 감정 분석 도구 – Amazon Comprehend를 사용하여 주제에 대한 감정을 식별하고 점수를 매깁니다.
- 구문 감지 도구 – Amazon Comprehend를 사용하여 최근 분기별 보고서에서 핵심 문구를 찾습니다.
- 텍스트 추출 도구 – Amazon Textract를 사용하여 분기별 보고서의 PDF 버전을 텍스트 파일로 변환합니다.
- 오디오 녹음 도구 – Amazon Transcribe를 사용하여 오디오 녹음을 텍스트 파일로 변환합니다.
에이전트와의 사용자 상호 작용 체인을 보유하는 에이전트 메모리는 DynamoDB에 저장됩니다.
다음 섹션에서는 관련 코드를 사용하여 몇 가지 기본 단계를 설명합니다. 여기에 표시된 모든 단계의 솔루션과 코드에 대해 자세히 알아보려면 다음을 참조하세요. GitHub 레포.
사전 조건
이 솔루션을 실행하려면 Anthropic Claude v2와 같은 LLM에 대한 API 키가 있거나 Amazon Bedrock 기반 모델에 대한 액세스 권한이 있어야 합니다.
LLM 및 LangChain을 사용하여 구조화된 데이터와 구조화되지 않은 데이터에서 응답을 생성하려면 Amazon Bedrock, SageMaker JumpStart 또는 API 키를 통해 LLM에 액세스하고 SQLAlchemy와 호환되는 데이터베이스를 사용해야 합니다. AWS 자격 증명 및 액세스 관리 (IAM) 정책도 필요하며 자세한 내용은 GitHub 저장소에서 확인할 수 있습니다.
다중 모드 에이전트의 주요 구성 요소
다중 모드 에이전트에는 몇 가지 주요 구성 요소가 있습니다.
- 다중 모드 에이전트의 도구에 대해 정의된 기능
- 다중 모드 에이전트에 대해 정의된 도구
- 다중 모드 에이전트의 장기 기억
- 플래너-실행자 기반 다중 모달 에이전트(도구, LLM 및 메모리로 정의됨)
이 섹션에서는 관련 코드 조각과 함께 주요 구성 요소를 설명합니다.
다중 모드 에이전트의 도구에 대해 정의된 기능
다중 모드 에이전트는 다양한 AI 서비스를 사용하여 텍스트, 음성, 이미지 등 다양한 유형의 데이터를 처리해야 합니다. 이러한 기능 중 일부는 텍스트를 분석하기 위해 Amazon Comprehend, 이미지와 문서를 분석하기 위해 Amazon Textract, 음성을 텍스트로 변환하기 위해 Amazon Transcribe와 같은 AWS AI 서비스를 호출해야 할 수도 있습니다. 이러한 함수는 에이전트 내에서 로컬로 호출되거나 에이전트가 호출할 수 있는 Lambda 함수로 배포될 수 있습니다. Lambda 함수는 내부적으로 관련 AWS AI 서비스를 호출하고 결과를 에이전트에 반환합니다. 이 접근 방식은 논리를 모듈화하고 에이전트의 유지 관리 및 확장성을 향상시킵니다.
다음 함수는 선택한 주식을 기반으로 최적화된 포트폴리오를 계산하는 방법을 정의합니다. Python 기반 함수를 LLM 도구로 변환하는 한 가지 방법은 다음을 사용하는 것입니다. 기본 도구 싸개.
다음은 AWS AI 서비스(Amazon Comprehend, Amazon Textract, Amazon Transcribe) API를 호출하는 Lambda용 코드입니다.
다중 모드 에이전트에 대해 정의된 도구
다중 모드 에이전트는 해당 기능을 활성화하기 위해 다양한 도구에 액세스할 수 있습니다. 주식 데이터베이스에 쿼리하여 주식에 대한 질문에 답할 수 있습니다. 전용 도구를 사용하여 포트폴리오를 최적화할 수 있습니다. Amazon의 엔터프라이즈 검색 서비스인 Amazon Kendra에서 정보를 검색할 수 있습니다. Python REPL 도구를 사용하면 에이전트가 Python 코드를 실행할 수 있습니다. 이름과 설명을 포함한 도구 구조의 예가 다음 코드에 표시되어 있습니다. 이 게시물의 실제 도구 상자에는 주식 쿼리 도구, 포트폴리오 최적화 도구, 재무 정보 조회 도구, Python 계산 도구, 감정 분석 도구, 구문 감지 도구, 텍스트 추출 도구 및 오디오 녹음 도구 등 XNUMX가지 도구가 있습니다.
다중 모드 에이전트의 장기 기억
다음 코드는 다중 모달 에이전트의 장기 메모리 구성을 보여줍니다. 이 코드에서는 나중에 참조할 수 있도록 프롬프트와 답변을 저장하기 위해 DynamoDB 테이블이 메모리로 추가됩니다.
플래너-실행자 기반 다중 모드 에이전트
XNUMXD덴탈의 기획자-집행자 기반 다중 모달 에이전트 아키텍처에는 플래너와 실행기라는 두 가지 주요 구성 요소가 있습니다. 플래너는 프롬프트 질문을 실행하고 답변하는 데 필요한 단계가 포함된 상위 수준 계획을 생성합니다. 그런 다음 실행자는 필요한 도구와 함께 언어 모델을 사용하여 각 계획 단계에 대한 적절한 시스템 응답을 생성하여 이 계획을 실행합니다. 다음 코드를 참조하세요.
재무 분석가의 질문을 바탕으로 한 예시 시나리오
이 섹션에서는 재무 분석가의 질문을 기반으로 다중 모달 에이전트가 수행하는 엔드투엔드 단계를 설명하기 위해 두 가지 예제 시나리오를 살펴봅니다.
시나리오 1: 구조화된 데이터와 관련된 재무 분석가의 질문
이 시나리오에서는 재무 분석가가 다중 모달 에이전트에게 회사 주식과 관련된 질문을 영어로 질문합니다. 다중 모드 LangChain 에이전트는 다단계 계획을 세우고 각 단계에 사용할 도구를 결정합니다. 다음 다이어그램은 다음 단계를 포함하는 예시 워크플로를 보여줍니다.
- 재무 분석가는 UI를 통해 다중 모달 에이전트에게 영어로 재무 관련 질문을 합니다.
- 에이전트는 질문에 대답하려면 데이터베이스 도구가 필요하다는 것을 식별합니다. 질문을 기반으로 LLM을 사용하여 SQL 쿼리를 생성하고 Athena 데이터베이스를 쿼리합니다.
- Athena는 SQL 쿼리를 실행하고 관련 결과(XNUMX개 회사의 주가 시계열)를 검색한 후 관련 데이터와 함께 결과를 에이전트에 전달합니다.
- 상담원은 질문에 답하려면 두 번째 도구가 필요하다는 것을 확인합니다. 포트폴리오 최적화를 위해 검색된 데이터를 Python 도구에 전달합니다.
- Python 도구는 가중치를 포함하여 필요한 최적의 포트폴리오를 계산하고 에이전트 내의 LLM에 답변을 전달합니다.
- 에이전트는 LLM을 사용하여 필요한 정보와 계산을 정리하고 재무 분석가에게 UI를 통해 영어로 답변합니다.
재무 분석가는 다음과 같은 질문을 합니다.
"2018년 AAAA, WWW, DDD 주식의 종가는 얼마입니까? 이 세 가지 주식을 활용해 최적화된 포트폴리오를 구축할 수 있을까요?"
다음 코드는 다중 모달 에이전트의 플래너에 의해 식별된 단계를 보여줍니다.
에이전트는 질문 프롬프트를 다음 SQL 쿼리로 변환했습니다.
다음 코드는 질문에 기반한 다중 모달 에이전트의 최종 답변을 보여줍니다.
시나리오 2: 비정형 데이터와 관련된 재무 분석가의 질문
이 시나리오에서 재무 분석가는 다중 모드 에이전트에게 회사의 재무 상태에 대해 여러 가지 질문을 합니다. 에이전트는 구조화되지 않은 데이터가 있는 Amazon Kendra와 Python 컴퓨팅 도구라는 두 가지 도구 에이전트를 호출하여 정보를 수집하고 필요한 계산을 수행합니다. 그런 다음 에이전트는 언어 모델을 사용하여 도구에서 정보를 수집하고 분석가에게 전체 답변을 제공합니다. 이 시나리오의 핵심은 상담원이 이전 질문의 질문과 답변을 기억하고 상황을 대화에 통합할 수 있다는 것입니다. 다음 다이어그램은 다음 단계로 구성된 워크플로를 보여줍니다.
- 재무 분석가는 UI를 통해 다중 모달 에이전트에게 영어로 재무 관련 질문을 합니다.
- 에이전트는 질문에 답하려면 Amazon Kendra 도구가 필요하다는 것을 식별하고 Amazon Kendra 에이전트 도구를 호출합니다.
- Amazon Kendra는 Amazon S3에서 구조화되지 않은 데이터 코퍼스를 검색하고 답변이 포함된 관련 문서를 검색합니다.
- RAG(Retrieval Augmented Generation)를 사용하여 Amazon Kendra는 관련 문서의 답변을 에이전트 내의 LLM으로 전달합니다.
- 상담원은 질문의 두 번째 부분에 답하려면 두 번째 도구가 필요하다는 것을 식별합니다. 첫 번째 도구의 정보를 Python 컴퓨팅 도구로 전달합니다.
- Python 도구는 필요한 비율을 계산하고 에이전트 내의 LLM에 답변을 전달합니다.
- 에이전트는 LLM을 사용하여 필요한 정보와 계산을 수집하고 UI를 통해 재무 분석가에게 답변합니다.
다음은 분석가와 멀티모달 에이전트 간의 질문과 답변입니다.
상담원은 "라는 질문에 대답합니다.2022년 XNUMX월에 끝나는 회계연도 동안 Amazon의 순손실은 얼마입니까?"Amazon은 514.0 회계연도에 총 순매출 2.7억 달러, 순 손실 2022억 달러를 보고했습니다." 출처는 10년 2022월에 끝나는 회계연도에 대한 Amazon XNUMXK 보고서입니다. Retrive_Kendra
수단.
"라는 질문에 대해같은 해 순손실은 얼마인가?” 에이전트는 “2.7억 달러”라고 대답합니다. 출처는 10년 2022월에 끝나는 회계연도에 대한 Amazon XNUMXK 보고서입니다. Retrive_Kendra
도구. 질문이 두 번째 질문과 유사하더라도 이 질문에서는 회사 이름이나 연도를 지정하지 않았습니다. 그러나 상담원은 대화 메모리의 컨텍스트를 기반으로 정확한 회사 이름과 연도를 사용할 수 있었습니다.
"라는 질문에 대해수익성 비율의 일종인 순이익률 비율의 공식은 무엇입니까?에이전트는 "Amazon은 514.0 회계연도에 총 순매출 2.7억 달러, 순 손실 2022억 달러를 보고했습니다. 2022 회계연도 Amazon의 순이익률은 -0.5%입니다."라고 대답합니다. 출처는 Retrieve_Kendra
및 PythonREPLTool().
솔루션에 대해 자세히 알아보기
이 게시물에 표시된 솔루션과 코드에 대해 더 자세히 알아보려면 다음을 확인하세요. GitHub 레포.
GitHub 리포지토리에서 엔드투엔드 솔루션이 포함된 Python 노트북을 찾을 수 있습니다. AWS 클라우드 포메이션 인프라, 비정형 데이터(수익 보고서 PDF 파일, 수익 통화 오디오 파일) 및 구조화된 데이터(주식 시계열) 프로비저닝을 위한 템플릿입니다.
마지막 부록에는 재무 분석가가 묻는 다양한 질문, 호출된 에이전트 도구, 다중 모드 에이전트의 답변이 표로 정리되어 있습니다.
정리
다중 모달 에이전트를 실행한 후에는 활용되지 않을 리소스를 모두 정리해야 합니다. 사용된 데이터베이스(Athena)를 종료하고 삭제합니다. 또한 추가 비용이 발생하지 않도록 Amazon S3에서 데이터를 삭제하고 SageMaker Studio 노트북 인스턴스를 중지하십시오. 사용되지 않는 장기 메모리의 일부로 Lambda 함수 및 DynamoDB 테이블을 삭제합니다. SageMaker JumpStart를 사용하여 LLM을 SageMaker 실시간 엔드포인트로 배포한 경우 SageMaker 콘솔 또는 SageMaker Studio를 통해 엔드포인트를 삭제하십시오.
결론
이 게시물에서는 LangChain 프레임워크 및 생성 AI와 함께 고급 다중 모드 AI 솔루션을 구축하는 데 사용할 수 있는 광범위한 AWS 스토리지, AI/ML 및 컴퓨팅 서비스를 시연했습니다. 이 시나리오에서 개발된 다중 모드 에이전트는 NLP, 음성 인식 및 ML 기술을 통합하여 다양한 금융 데이터 형식(정형 및 비정형)을 분석하고 자연어(영어) 프롬프트에 응답할 수 있습니다. 이를 통해 재무 분석가의 생산성과 효율성이 향상되어 높은 가치의 전략적 업무에 집중할 수 있습니다. AWS에서 지원하는 다중 모드 AI 솔루션은 반복적인 작업을 자동화하고, 인간의 역량을 강화하며, 데이터 기반 통찰력을 효율적으로 생성함으로써 금융 시장을 변화시킬 수 있는 잠재력을 가지고 있습니다. 구조화된 데이터의 경우 여러 데이터베이스가 포함된 최신 데이터 아키텍처를 생성 AI 및 LLM과 통합할 수 있습니다. 자세한 내용은 다음을 참조하세요. 데이터 경험 재창조: 생성 AI와 최신 데이터 아키텍처를 사용하여 통찰력 확보. 또한 참조 아마존 기반암 생성 AI, 기초 모델 및 대규모 언어 모델에 대한 사용 사례.
충수
다음 표에는 재무 분석가가 구조화된 데이터와 구조화되지 않은 데이터를 기반으로 다중 모달 에이전트에게 질문하는 예시 질문이 포함되어 있습니다.
질문 목적 | 재무 분석가가 UI를 통해 묻는 질문 | 에이전트 도구 호출 | 에이전트 도구에서 사용하는 기본 AWS 서비스 | 다중 모달 에이전트의 답변 |
수집된 데이터에서 정보를 전처리하고 추출하도록 LangChain 에이전트에 요청 | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. 텍스트 추출 도구 |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
LangChain 에이전트에게 오디오 녹음을 텍스트로 복사하라는 메시지를 표시합니다. | 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. |
LangChain 에이전트에게 회사의 재무 건전성과 성과를 분석하도록 요청 | 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. |
LangChain 에이전트에게 회사 수익 보고서를 통해 회사의 재무 성과를 분석하도록 요청합니다. | 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. |
LangChain 에이전트가 회사 수익 보고서를 통해 회사 경영진과 미래 계획을 분석하도록 요청합니다. | 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. |
회사의 수익 보고서에서 회사의 전략을 분석하도록 LangChain 에이전트에게 요청합니다. | 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. |
수입 통화 녹음에 대한 감정 분석을 수행하도록 LangChain 에이전트에 요청 | 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. |
수집된 데이터를 활용하여 LangChain 에이전트에게 최적의 포트폴리오 구축을 요청합니다. | 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%' |
저자에 관하여
소빅 쿠마르 나트 AWS의 AI/ML 솔루션 아키텍트입니다. 그는 금융, 운영, 마케팅, 의료, 공급망 관리 및 IoT 분야에서 종단간 기계 학습 및 비즈니스 분석 솔루션을 설계한 광범위한 경험을 가지고 있습니다. Sovik은 ML 모델 모니터링에 대한 기사를 발표했으며 특허를 보유하고 있습니다. 그는 University of South Florida와 스위스 Fribourg 대학교에서 이중 석사 학위를, Kharagpur에 있는 Indian Institute of Technology에서 학사 학위를 받았습니다. 업무 외에는 여행, 페리 타기, 영화 감상을 즐깁니다.
모한 무스티 댈러스에 거주하는 수석 기술 계정 관리자입니다. Mohan은 고객이 AWS에서 애플리케이션을 설계하고 최적화하도록 돕습니다. Mohan은 인도 JNT 대학에서 컴퓨터 과학 및 공학을 전공했습니다. 여가 시간에는 가족과 함께 캠핑을 즐기며 시간을 보냅니다.
지아(Viv이안) 리 AI/ML을 전문으로 하는 AWS의 수석 솔루션 아키텍트입니다. 그녀는 현재 금융 업계의 고객을 지원하고 있습니다. 그녀는 2022년 AWS에 합류하기 전에 7년간 기업 고객이 클라우드에서 AI/ML을 사용하여 비즈니스 성과를 달성하도록 지원한 경험이 있습니다. Vivian은 북경 대학교에서 학사 학위를, 서던 캘리포니아 대학교에서 박사 학위를 받았습니다. 여가 시간에는 그녀의 고향인 콜로라도에 있는 아름다운 산에서 모든 수상 활동과 하이킹을 즐깁니다.
우첸나 에그베 재사용 가능한 AIML 솔루션 구축을 즐기는 AIML 솔루션 설계자입니다. Uchenna는 University of Alaska Fairbanks에서 석사 학위를 받았습니다. 그는 여가 시간에 허브, 차, 슈퍼푸드에 대해 연구하고 이를 일상 식단에 포함시키는 방법을 연구합니다.
내 네네 투테하 Amazon Web Services의 데이터 전문가입니다. AWS에 합류하기 전에 Navneet은 데이터 아키텍처를 현대화하고 포괄적인 AI/ML 솔루션을 구현하려는 조직의 조력자로 일했습니다. 그녀는 Thapar University에서 공학 학위를, Texas A&M University에서 통계학 석사 학위를 받았습니다.
프라풀 카바 AWS의 선임 전문 솔루션 아키텍트입니다. 그는 고객이 AWS에서 클라우드 규모 분석 파이프라인을 설계하고 엔지니어링하도록 안내합니다. 직장 밖에서 그는 가족과 함께 여행하고 새로운 하이킹 코스를 탐험하는 것을 즐깁니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :있다
- :이다
- :아니
- :어디
- ][피
- $UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- 능력
- 할 수 있는
- 소개
- ACCESS
- 계정
- 계정
- 정확히
- 달성
- 달성하다
- 가로질러
- 방과 후 액티비티
- 실제
- 추가
- 또한
- 많은
- 이점
- 에이전트
- 자치령 대표
- 기민한
- AI
- AI 서비스
- AI 시스템
- AI / ML
- AIML
- 목표
- 알래스카
- All
- 배당
- 허용
- 수
- 따라
- 또한
- 이기는하지만
- 아마존
- 아마존 이해
- 아마존 켄드라
- 아마존 텍사스
- 아마존 전사
- Amazon Web Services
- an
- 분석
- 분석자
- 애널리스트
- 분석
- 분석하다
- 분석하는
- 및
- 연간
- 답변
- 답변
- 인류
- 어떤
- API를
- API 키
- API
- 어플리케이션
- 어플리케이션
- 접근
- 적당한
- 아키텍처
- 있군요
- 약
- 기사
- AS
- 문의
- 자산
- 돕는
- 관련
- At
- 오디오
- 증강 된
- Automatic
- 자동화
- 가능
- AWS
- 뒤로
- 기반으로
- BE
- 아름다운
- 된
- 전에
- 존재
- 더 나은
- 사이에
- 가장 큰
- 억원
- 향상
- 보물상자
- 빌드
- 건물
- 내장
- 사업
- by
- 계산하다
- ~를 계산하다
- 계산
- 계산
- 캘리포니아
- 전화
- 라는
- 부름
- 통화
- CAN
- 기능
- 가지 경우
- 체인
- 쇠사슬
- 과제
- 변경
- 채널
- 요금
- 잡담
- 검사
- 선택
- 클라이언트
- 폐쇄
- 클라우드
- 암호
- 수집
- 콜로라도
- 결합
- 결합
- 결합
- 제공
- 오는
- 의사 소통
- 기업
- 회사
- 회사
- 호환
- 경쟁
- 경쟁력
- 복잡한
- 복잡성
- 구성 요소
- 구성 요소들
- 이해하다
- 포괄적 인
- 계산
- 계산
- 컴퓨터
- 컴퓨터 과학
- 개념의
- 관심
- 구성
- 결합
- 연결하기
- 구성
- 콘솔에서
- 연결
- 소비자
- 이 포함되어 있습니다
- 문맥
- 끊임없는
- 기여
- 대화
- 변하게 하다
- 수정
- 비용
- 비용
- 수
- 만든
- Current
- 현재
- 고객
- 고객 경험
- 고객
- 매일
- 달라스
- 데이터
- 데이터 처리
- 데이터 중심
- 데이터베이스
- 데이터베이스
- 날짜
- XNUMX월
- 결정
- 전용
- 깊이
- 한정된
- 정의
- 도
- 수요
- 보여
- 시연
- 의존
- 배포
- 배포
- 기술 된
- 설명
- 디자인
- 설계
- 세부설명
- 검색
- Detection System
- 결정
- 개발
- 다이어트
- 다른
- 어려움
- 잠수
- 몇몇의
- 다양 화하다
- do
- 문서
- 서류
- 한
- 더블
- 아래 (down)
- 드라이브
- 구동
- 드라이버
- 두
- 마다
- 적립
- 수입
- 수입 전화
- 용이하게
- 간결한
- 효율성
- 효율적인
- 효율적으로
- 노력
- 중
- 이메일
- 나온다.
- 가능
- 가능
- 포함
- end
- 끝으로 종료
- 종결
- 종점
- 기사
- 엔지니어링
- 영어
- 강화
- 강화
- 입력
- Enterprise
- 엔터테인먼트
- 특히
- 조차
- 예
- 탁월함 <br>(Excellence)
- 교환
- 현존하는
- 확대하는
- 확대
- 확장
- 경험
- 설명
- 탐구
- 탐험
- 탐색
- 광대 한
- 광범위한 경험
- 추출물
- 추출
- 촉진제
- 마주보고
- 가족
- 빠른
- 를
- 파일
- 서류
- 최후의
- 재원
- 금융
- 재무 데이터
- 금융 정보
- 재무 성과
- 금융 시스템
- Find
- 발견
- 먼저,
- 재정상의
- 다섯
- 플로리다
- 초점
- 초점
- 수행원
- 다음
- 럭셔리
- 예측
- 체재
- 공식
- Foundation
- 조각난
- 뼈대
- 사기
- 사기 탐지
- 사기의
- 무료
- 자주
- 에
- 연료
- 가득 찬
- 기능
- 기능
- 기능
- 추가
- 미래
- 이득
- 획득
- 수집
- 생성
- 생성
- 생성
- 세대
- 생성적인
- 제너레이티브 AI
- 지프
- GitHub의
- 목표
- 좋은
- 큰
- 성장
- 성장
- 성장
- 안내서
- 했다
- 핸들
- 있다
- he
- 건강
- 건강 관리
- 도움이
- 그녀의
- 여기에서 지금 확인해 보세요.
- 높은
- 고수준
- 더 높은
- 그의
- 보유
- 홈
- 호스팅
- 방법
- How To
- 그러나
- HTTP
- HTTPS
- 사람의
- i
- 확인
- 식별하다
- 확인
- 통합 인증
- if
- 설명하다
- 형상
- 구현
- 중대한
- 개선
- 개선
- in
- 포함
- 포함
- 포함
- 통합
- Incorporated
- 증가
- 증가
- 증가
- 인도
- 옥수수
- 산업
- 인플레이션
- 인플레이션
- 인플레이션 압력
- 정보
- 인프라
- 받아 들여 쓰다
- 혁신
- 입력
- 소식통
- 내부자 거래
- 통찰력
- 학회
- 통합
- 인텔리전스
- 지능형
- 지능형 문서 처리
- 상호 작용
- 상호 작용
- 인터렉티브
- 내부로
- 으로
- 사다
- 투자
- 법률
- 호출
- 호출
- 참여
- IOT
- IT
- 그
- 가입
- JPG
- 키
- 키
- 지식
- 쿠마
- 결핍
- 언어
- 넓은
- 지도
- 배우기
- 이점
- 처럼
- 제한
- 연결
- 유동성
- 명부
- LLM
- 장소 상에서
- 논리
- 장기
- 보기
- 조회
- 오프
- 낮은
- 기계
- 기계 학습
- 본관
- 유지보수 가능
- 확인
- 제작
- 구축
- 관리팀
- 시장 조작
- 태도
- 한계
- 시장
- 시장 조작
- 마케팅
- 시장
- 석사
- 수학의
- XNUMX월..
- 미디어
- 메모리
- 언급하다
- ML
- 모델
- 모델링
- 모델
- 현대
- 현대화
- 모니터링
- 배우기
- 가장
- 영화 산업
- 움직이는
- MS
- 여러
- 절대로 필요한 것
- name
- 이름
- 자연의
- 자연 언어 처리
- 자연
- 필요한
- 필요하다
- 필요
- 요구
- 부정
- 그물
- 신제품
- 새로운 제품
- news
- nlp
- 수첩
- 지금
- 번호
- 의무
- of
- 오프
- 오퍼링
- 제공
- on
- ONE
- 운영
- 행정부
- 최적의
- 최적화
- 최적화
- 최적화
- or
- 주문
- 조직
- 기타
- 우리의
- 아웃
- 외부
- 전체
- 부품
- 패스
- 특허
- 지불
- 베이징
- tỷ lệ phần trăm
- 수행
- 성능
- 수행
- 박사 학위
- 구문
- 계획
- 계획
- 플랫폼
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 포인트 적립
- 정책
- 인기 문서
- 인기
- 유가 증권
- 포즈
- 위치
- 게시하다
- 가능성
- 힘
- powered
- 압력
- 너무 이른
- 이전에
- 가격
- 학비 안내
- 가격
- 주로
- 일차
- 이전에
- 방법
- 처리
- 생산력
- 제품
- 이익
- 수익성
- 이익
- 진행
- 제공
- 제공
- 출판
- Python
- 품질
- 정량적 인
- 지구
- 쿼리
- 문제
- 문의
- 빨리
- 견적을 원하시면, 오늘 Kevin Lee Company 에 연락주세요.
- 범위
- 거주비용
- 비율
- RE
- 준비
- 실시간
- 최근
- 인식
- 방송
- 참조
- 관련
- 상대적인
- 관련된
- 기억
- 반복적 인
- 신고
- 보고
- 통계 보고서
- 보고서
- 필수
- 필요
- 연구
- 제품 자료
- 응답
- 응답
- 응답
- 결과
- 결과
- 소매
- return
- 재사용 가능한
- 수익
- 매출 성장
- 연락해주세요
- 위험
- 위험
- 강력한
- 루틴
- 달리기
- 실행
- s
- S & P
- 현자
- 판매
- 같은
- 저장
- 절약
- 확장성
- 규모
- 대본
- 시나리오
- 과학
- 점수
- SDK
- 검색
- 검색
- 둘째
- 섹션
- 섹션
- 안전해야합니다.
- 참조
- 보고
- 모색
- 탐색
- 것
- 선택
- 본인
- 연장자
- 감정
- 감정
- 연속
- 서비스
- 서비스
- 세션
- 그녀
- 단기간의
- 단기 유동성
- 영상을
- 소개
- 표시
- 쇼
- 종료
- 상당한
- 비슷한
- 단순, 간단, 편리
- 기술
- 사회적
- 소셜 미디어
- 해결책
- 솔루션
- 일부
- 정교한
- 출처
- 지우면 좋을거같음 . SM
- 남쪽
- 사우스 플로리다
- 남쪽의
- 전문가
- 구체적인
- 연설
- 음성 인식
- 속도
- 지출
- 전파
- 표준화
- 주 정부
- 통계
- 유지
- 단계
- 단계
- 재고
- 주식
- 중지
- 저장
- 저장
- 저장
- 상점
- 저장
- 전략의
- 전략
- 강하게 하다
- 구조
- 구조화
- 스튜디오
- 신청
- 구독
- 이러한
- 적당한
- 스위트
- 요약
- 개요
- 공급 업체
- 공급
- 공급망
- 공급 체인 관리
- SUPPORT
- 지원
- 지원
- 확인
- 스위스
- 체계
- 시스템은
- 테이블
- 복용
- 태스크
- 작업
- 팀
- 테크니컬
- 기술
- Technology
- 이 템플릿
- 텍사스
- 본문
- 그
- XNUMXD덴탈의
- 미래
- 정보
- 소스
- 그들의
- 그들
- 그때
- 그곳에.
- 그것에 의하여
- Bowman의
- 그들
- 맡은 일
- 이
- 그래도?
- 위협하다
- 세
- 을 통하여
- 시간
- 시계열
- 에
- 수단
- 툴킷
- 검색을
- 상단
- 화제
- 금액
- 트레이딩
- Train
- 성적 증명서
- 변환
- 변환
- 수송
- 여행
- 트렌드
- 두
- 유형
- 유형
- ui
- 이해
- 이해
- 대학
- 잠금을 해제
- 잠금 해제
- 곧 출시
- 업데이트
- us
- 사용
- 익숙한
- 사용자
- 사용자
- 사용
- 사용
- 사용
- 이용하다
- 가치 있는
- 가치
- 종류
- 여러
- 버전
- 를 통해
- Video
- 볼륨
- 였다
- 시청
- 물
- 방법..
- 방법
- we
- 웹
- 웹 서비스
- 잘
- 했다
- 뭐
- 언제
- 어느
- 누구
- 넓은
- 넓은 범위
- 의지
- 과
- 이내
- 작업
- 일
- 워크플로우
- year
- 년
- 자신의
- 너의
- 제퍼 넷