Multimodale data er en verdifull komponent i finansnæringen, og omfatter markeds-, økonomi-, kunde-, nyheter og sosiale medier, og risikodata. Finansielle organisasjoner genererer, samler inn og bruker disse dataene til å få innsikt i økonomiske operasjoner, ta bedre beslutninger og forbedre ytelsen. Det er imidlertid utfordringer knyttet til multimodale data på grunn av kompleksiteten og mangelen på standardisering i økonomiske systemer og dataformater og kvalitet, samt dataenes fragmenterte og ustrukturerte karakter. Finansklienter har ofte beskrevet den operasjonelle overheaden ved å få økonomisk innsikt fra multimodale data, noe som nødvendiggjør kompleks utvinnings- og transformasjonslogikk, noe som fører til oppblåst innsats og kostnader. Tekniske utfordringer med multimodale data inkluderer videre kompleksiteten ved å integrere og modellere ulike datatyper, vanskeligheten med å kombinere data fra flere modaliteter (tekst, bilder, lyd, video), og behovet for avanserte datavitenskapelige ferdigheter og sofistikerte analyseverktøy.
En av måtene å håndtere multimodale data på som stadig øker i popularitet er bruken av multimodale agenter. Multimodale agenter er AI-systemer som kan forstå og analysere data i flere modaliteter ved å bruke de riktige verktøyene i verktøysettet deres. De er i stand til å koble sammen innsikt på tvers av disse forskjellige datatypene for å få en mer omfattende forståelse og generere passende svar. Multimodale agenter, i forbindelse med generativ AI, finner en bred anvendelse i finansmarkedene. Følgende er noen populære brukstilfeller:
- Smart rapportering og markedsintelligens – AI kan analysere ulike kilder til finansiell informasjon for å generere markedsetterretningsrapporter, hjelpe analytikere, investorer og selskaper med å holde seg oppdatert på trender. Multimodale agenter kan raskt oppsummere lange økonomiske rapporter, noe som sparer analytikere for betydelig tid og krefter.
- Kvantitativ modellering og prognoser – Generative modeller kan syntetisere store mengder finansielle data for å trene maskinlæringsmodeller (ML) for applikasjoner som aksjekursprognoser, porteføljeoptimalisering, risikomodellering og mer. Multimodale modeller som forstår ulike datakilder kan gi mer robuste prognoser.
- Overholdelse og avsløring av svindel – Denne løsningen kan utvides til å inkludere overvåkingsverktøy som analyserer kommunikasjonskanaler som samtaler, e-poster, chatter, tilgangslogger og mer for å identifisere potensiell innsidehandel eller markedsmanipulasjon. Å oppdage uredelig samarbeid på tvers av datatyper krever multimodal analyse.
En multimodal agent med generativ AI øker produktiviteten til en finansanalytiker ved å automatisere repeterende og rutinemessige oppgaver, og frigjøre tid for analytikere til å fokusere på arbeid med høy verdi. Multimodale agenter kan forsterke en analytikers evne til å få innsikt ved å bistå med forskning og analyse. Multimodale agenter kan også generere forbedrede kvantitative analyser og finansielle modeller, slik at analytikere kan jobbe raskere og med større nøyaktighet.
Implementering av en multimodal agent med AWS konsoliderer nøkkelinnsikt fra ulike strukturerte og ustrukturerte data i stor skala. Multimodale agenter kan enkelt kombinere kraften til generative AI-tilbud fra Amazonas grunnfjell og Amazon SageMaker JumpStart med databehandlingsmulighetene fra AWS Analytics og AI/ML-tjenester for å tilby smidige løsninger som gjør det mulig for finansanalytikere å effektivt analysere og samle innsikt fra multimodale data på en sikker og skalerbar måte innenfor AWS. Amazon tilbyr en pakke med AI-tjenester som muliggjør naturlig språkbehandling (NLP), talegjenkjenning, tekstutvinning og søk:
- Amazon Comprehend er en NLP-tjeneste som kan analysere tekst for nøkkelfraser og analysere sentiment
- amazontekst er en intelligent dokumentbehandlingstjeneste som nøyaktig kan trekke ut tekst og data fra dokumenter
- Amazon Transcribe er en automatisk talegjenkjenningstjeneste som kan konvertere tale til tekst
- Amazon Kendra er en bedriftssøketjeneste drevet av ML for å finne informasjonen på tvers av en rekke datakilder, inkludert dokumenter og kunnskapsbaser
I dette innlegget viser vi frem et scenario der en finansanalytiker samhandler med organisasjonens multimodale data, som ligger i spesialbygde datalagre, for å samle økonomisk innsikt. I interaksjonen demonstrerer vi hvordan multimodale agenter planlegger og kjører brukerspørringen og henter resultatene fra de relevante datakildene. Alt dette oppnås ved hjelp av AWS-tjenester, og øker dermed finansanalytikerens effektivitet til å analysere multimodale finansielle data (tekst, tale og tabelldata) helhetlig.
Følgende skjermbilde viser et eksempel på brukergrensesnittet.
Løsningsoversikt
Følgende diagram illustrerer den konseptuelle arkitekturen for å bruke generativ AI med multimodale data ved bruk av agenter. Trinnene som er involvert er som følger:
- Finansanalytikeren stiller spørsmål via en plattform som chatbots.
- Plattformen bruker et rammeverk for å finne det mest passende multimodale agentverktøyet for å svare på spørsmålet.
- Når den er identifisert, kjører plattformen koden som er knyttet til det tidligere identifiserte verktøyet.
- Verktøyet genererer en analyse av de økonomiske dataene etter forespørsel fra finansanalytikeren.
- Ved å oppsummere resultatene henter og rapporterer store språkmodeller til finansanalytikeren.
Teknisk arkitektur
Den multimodale agenten orkestrerer ulike verktøy basert på naturlig språkoppfordringer fra forretningsbrukere for å generere innsikt. For ustrukturerte data bruker agenten AWS Lambda funksjoner med AI-tjenester som Amazon Textract for dokumentanalyse, Amazon Transcribe for talegjenkjenning, Amazon Comprehend for NLP og Amazon Kendra for intelligent søk. For strukturerte data bruker agenten SQL Connector og SQLAlchemy for å analysere databaser, som inkluderer Amazonas Athena. Agenten bruker også Python i Lambda og Amazon SageMaker SDK for beregninger og kvantitativ modellering. Agenten har også langtidsminne for lagring av meldinger og resultater Amazon DynamoDB. Den multimodale agenten ligger i en SageMaker-notisbok og koordinerer disse verktøyene basert på engelske spørsmål fra forretningsbrukere i et Streamlit-grensesnitt.
Nøkkelkomponentene i den tekniske arkitekturen er som følger:
- Datalagring og analyse – De kvartalsvise økonomiske inntektsopptakene som lydfiler, økonomiske årsrapporter som PDF-filer og S&P-aksjedata som CSV-filer er vert på Amazon enkel lagringstjeneste (Amazon S3). Datautforskning på aksjedata gjøres ved hjelp av Athena.
- Store språkmodeller – De store språkmodellene (LLM) er tilgjengelige via Amazon Bedrock, SageMaker JumpStart eller en API.
- Agenter – Vi bruker LangChains agenter for en ikke-forutbestemt kjede av samtaler som brukerinndata til LLM og andre verktøy. I disse typene kjeder er det en agent som har tilgang til en rekke verktøy. Hvert verktøy er bygget for en spesifikk oppgave. Avhengig av brukerinndata, bestemmer agenten verktøyet eller en kombinasjon av verktøy som skal ringes for å svare på spørsmålet. Vi har laget følgende spesialbygde agentverktøy for vårt scenario:
- Aksjer spørreverktøy – For å spørre S&P-aksjedata ved hjelp av Athena og SQLAlchemy.
- Verktøy for porteføljeoptimalisering – Å bygge en portefølje basert på de valgte aksjene.
- Oppslagsverktøy for finansiell informasjon – For å søke etter økonomisk inntektsinformasjon lagret i flersidige PDF-filer ved hjelp av Amazon Kendra.
- Python-beregningsverktøy – Brukes til matematiske beregninger.
- Sentimentanalyseverktøy – For å identifisere og score følelser om et emne ved hjelp av Amazon Comprehend.
- Verktøy for oppdage fraser – For å finne nøkkelsetninger i de siste kvartalsrapportene ved hjelp av Amazon Comprehend.
- Verktøy for tekstutvinning – For å konvertere PDF-versjonene av kvartalsrapporter til tekstfiler ved hjelp av Amazon Textract.
- Transkriber lydverktøy – For å konvertere lydopptak til tekstfiler ved hjelp av Amazon Transcribe.
Agentminnet som inneholder kjeden av brukerinteraksjoner med agenten, lagres i DynamoDB.
De følgende delene forklarer noen av de primære trinnene med tilhørende kode. For å dykke dypere inn i løsningen og koden for alle trinnene vist her, se GitHub repo.
Forutsetninger
For å kjøre denne løsningen må du ha en API-nøkkel til en LLM som Anthropic Claude v2, eller ha tilgang til Amazon Bedrock-fundamentmodeller.
For å generere svar fra strukturerte og ustrukturerte data ved hjelp av LLM-er og LangChain, trenger du tilgang til LLM-er gjennom enten Amazon Bedrock, SageMaker JumpStart eller API-nøkler, og for å bruke databaser som er kompatible med SQLAlchemy. AWS identitets- og tilgangsadministrasjon (IAM) retningslinjer er også påkrevd, detaljene som du kan finne i GitHub-repoen.
Nøkkelkomponenter i en multimodal agent
Det er noen få nøkkelkomponenter i den multimodale agenten:
- Funksjoner definert for verktøyene til den multimodale agenten
- Verktøy definert for den multimodale agenten
- Langtidsminne for den multimodale agenten
- Planlegger-utøverbasert multimodal agent (definert med verktøy, LLM-er og minne)
I denne delen illustrerer vi nøkkelkomponentene med tilhørende kodebiter.
Funksjoner definert for verktøyene til den multimodale agenten
Den multimodale agenten må bruke ulike AI-tjenester for å behandle ulike typer data – tekst, tale, bilder og mer. Noen av disse funksjonene må kanskje kalle AWS AI-tjenester som Amazon Comprehend for å analysere tekst, Amazon Textract for å analysere bilder og dokumenter, og Amazon Transcribe for å konvertere tale til tekst. Disse funksjonene kan enten kalles lokalt i agenten eller distribueres som Lambda-funksjoner som agenten kan påkalle. Lambda-funksjonene ringer internt de relevante AWS AI-tjenestene og returnerer resultatene til agenten. Denne tilnærmingen modulariserer logikken og gjør agenten mer vedlikeholdbar og utvidbar.
Følgende funksjon definerer hvordan du beregner den optimaliserte porteføljen basert på de valgte aksjene. En måte å konvertere en Python-basert funksjon til et LLM-verktøy er å bruke BaseTool innpakning.
Følgende er koden for Lambda som kaller AWS AI-tjenesten (Amazon Comprehend, Amazon Textract, Amazon Transcribe) APIer:
Verktøy definert for den multimodale agenten
Den multimodale agenten har tilgang til ulike verktøy for å aktivere funksjonaliteten. Den kan søke i en aksjedatabase for å svare på spørsmål om aksjer. Den kan optimalisere en portefølje ved hjelp av et dedikert verktøy. Den kan hente informasjon fra Amazon Kendra, Amazons bedriftssøketjeneste. Et Python REPL-verktøy lar agenten kjøre Python-kode. Et eksempel på strukturen til verktøyene, inkludert navn og beskrivelser, er vist i følgende kode. Den faktiske verktøykassen til dette innlegget har åtte verktøy: Aksjerspørringsverktøy, porteføljeoptimeringsverktøy, finansiell informasjonsoppslagsverktøy, Python-beregningsverktøy, sentimentanalyseverktøy, verktøy for oppdage fraser, verktøy for tekstutvinning og transkribering av lydverktøy.
Langtidsminne for den multimodale agenten
Følgende kode illustrerer konfigurasjonen av langtidsminne for den multimodale agenten. I denne koden legges DynamoDB-tabellen til som minne for å lagre spørsmål og svar for fremtidig referanse.
Planlegger-utfører basert multimodal agent
De planlegger-utfører basert multimodal agentarkitektur har to hovedkomponenter: en planlegger og en utfører. Planleggeren genererer en plan på høyt nivå med trinn som kreves for å kjøre og svare på spørsmålet. Eksekutøren kjører deretter denne planen ved å generere passende systemsvar for hvert plantrinn ved å bruke språkmodellen med nødvendige verktøy. Se følgende kode:
Eksempelscenarier basert på spørsmål stilt av finansanalytiker
I denne delen utforsker vi to eksempelscenarier for å illustrere ende-til-ende-trinnene utført av den multimodale agenten basert på spørsmål stilt av finansanalytiker.
Scenario 1: Spørsmål fra finansanalytiker knyttet til strukturerte data
I dette scenariet stiller finansanalytikeren et spørsmål på engelsk relatert til selskapers aksjer til den multimodale agenten. Den multimodale LangChain-agenten kommer opp med en flertrinnsplan og bestemmer hvilke verktøy som skal brukes for hvert trinn. Følgende diagram illustrerer et eksempel på en arbeidsflyt med følgende trinn:
- Finansanalytikeren stiller et økonomisk spørsmål på engelsk gjennom brukergrensesnittet til den multimodale agenten.
- Agenten identifiserer at den krever databaseverktøyet for å svare på spørsmålet. Den genererer en SQL-spørring ved å bruke en LLM basert på spørsmålet og spør i Athena-databasen.
- Athena kjører SQL-spørringen, henter det relevante resultatet (tidsserier for aksjekurser for de fem selskapene), og sender resultatet med relevante data til agenten.
- Agenten identifiserer at det krever et ekstra verktøy for å svare på spørsmålet. Den sender de hentede dataene til Python-verktøyet for porteføljeoptimalisering.
- Python-verktøyet beregner den nødvendige optimale porteføljen, inkludert vekter, og sender svaret til LLM i agenten.
- Agenten sammenstiller nødvendig informasjon og beregninger ved hjelp av LLM og svarer finansanalytikeren via brukergrensesnittet på engelsk.
Finansanalytikeren stiller følgende spørsmål:
"Hva er sluttkursene på aksjene AAAA, WWW, DDD i år 2018? Kan du bygge en optimalisert portefølje ved å bruke disse tre aksjene?"
Følgende kode viser trinnene identifisert av planleggeren for den multimodale agenten:
Agenten oversatte spørsmålet til følgende SQL-spørring:
Følgende kode viser det endelige svaret fra den multimodale agenten basert på spørsmålet:
Scenario 2: Spørsmål fra finansanalytiker knyttet til ustrukturerte data
I dette scenariet stiller en finansanalytiker flere spørsmål om selskapets økonomiske helse til den multimodale agenten. Agenten påkaller to verktøyagenter, Amazon Kendra med ustrukturerte data og et Python-dataverktøy, for å samle informasjon og utføre de nødvendige beregningene. Agenten sammenstiller deretter informasjonen fra verktøyene ved hjelp av sin språkmodell og gir analytikeren det fullstendige svaret. Nøkkelen til dette scenariet er at agenten kan huske spørsmålene og svarene til de forrige spørsmålene, og inkorporerer konteksten i samtalen. Følgende diagram illustrerer arbeidsflyten, som består av følgende trinn:
- Finansanalytikeren stiller et økonomisk spørsmål på engelsk gjennom brukergrensesnittet til den multimodale agenten.
- Agenten identifiserer at det krever Amazon Kendra-verktøyet for å svare på spørsmålet og påkaller Amazon Kendra-agentverktøyet.
- Amazon Kendra søker i det ustrukturerte datakorpuset i Amazon S3 og henter det relevante dokumentet som inneholder svaret.
- Ved å bruke Retrieval Augmented Generation (RAG), sender Amazon Kendra svaret fra det relevante dokumentet til LLM i agenten.
- Agenten identifiserer at det krever et ekstra verktøy for å svare på den andre delen av spørsmålet. Den overfører informasjon fra det første verktøyet til Python-beregningsverktøyet.
- Python-verktøyet beregner det nødvendige forholdet og sender svaret til LLM i agenten.
- Agenten kompilerer nødvendig informasjon og beregninger ved hjelp av LLM og svarer finansanalytikeren via brukergrensesnittet.
Følgende er spørsmål og svar mellom analytiker og multimodal agent.
Agenten svarer på spørsmålet "Hva er Amazons nettotap for regnskapsåret som slutter i desember 2022?" med "Amazon rapporterte et samlet nettosalg på 514.0 milliarder dollar og et nettotap på 2.7 milliarder dollar for regnskapsåret 2022." Kilden er Amazon 10K-rapporten for regnskapsåret som slutter desember 2022, hentet ved hjelp av Retrive_Kendra
Verktøy.
For spørsmålet "Hva er netto tap for samme år?" svarer agenten "2.7 milliarder dollar." Kilden er Amazon 10K-rapporten for regnskapsåret som slutter desember 2022, hentet ved hjelp av Retrive_Kendra
Verktøy. Merk at selv om spørsmålet ligner det andre spørsmålet, spesifiserte ikke dette spørsmålet firmanavnet eller årsnummeret. Agenten var imidlertid i stand til å bruke riktig firmanavn og år basert på konteksten i samtaleminnet.
For spørsmålet "Hva er formelen for netto fortjenestemarginforhold som er en type lønnsomhetsforhold?” svarer agenten “Amazon rapporterte totalt nettosalg på 514.0 milliarder dollar og et nettotap på 2.7 milliarder dollar for regnskapsåret 2022. Netto fortjenestemarginforholdet for Amazon for regnskapsåret 2022 er -0.5 %.” Kilden er Retrieve_Kendra
og PythonREPLTool().
Dykk dypere inn i løsningen
For å dykke dypere inn i løsningen og koden vist i dette innlegget, sjekk ut GitHub repo.
I GitHub-repoen vil du kunne finne en Python-notatbok som har ende-til-ende-løsningen, en AWS skyformasjon mal for klargjøring av infrastrukturen, ustrukturerte data (inntektsrapporter PDF-filer, lydfiler for inntektsrop) og strukturerte data (tidsserier for aksjer).
I vedlegget på slutten er ulike spørsmål stilt av finansanalytiker, agentverktøy påberopt, og svaret fra den multimodale agenten blitt tabellert.
Rydd opp
Etter at du har kjørt den multimodale agenten, sørg for å rydde opp i alle ressurser som ikke vil bli brukt. Slå av og slett databasene som brukes (Athena). Slett i tillegg dataene i Amazon S3 og stopp eventuelle SageMaker Studio-notebook-forekomster for ikke å pådra seg ytterligere kostnader. Slett Lambda-funksjonene og DynamoDB-tabellene som en del av langtidsminnet som ikke brukes. Hvis du brukte SageMaker JumpStart til å distribuere en LLM som et SageMaker sanntidsendepunkt, slett endepunktet enten gjennom SageMaker-konsollen eller SageMaker Studio.
konklusjonen
Dette innlegget demonstrerte det brede utvalget av AWS-lagring, AI/ML og databehandlingstjenester som du kan bruke til å bygge en avansert multimodal AI-løsning sammen med LangChain-rammeverket og generativ AI. Ved å integrere NLP, talegjenkjenning og ML-teknologier, er den multimodale agenten utviklet i dette scenariet i stand til å analysere ulike finansielle datamodaliteter (strukturert og ustrukturert) og svare på spørsmål på naturlig språk (engelsk). Dette øker produktiviteten og effektiviteten til finansanalytikere, slik at de kan fokusere på strategisk arbeid med høy verdi. Multimodale AI-løsninger drevet av AWS har potensial til å transformere finansmarkedene ved å automatisere repeterende oppgaver, forbedre menneskelige evner og generere datadrevet innsikt effektivt. For strukturerte data kan en moderne dataarkitektur med flere databaser inkorporeres med generativ AI og LLM. For flere detaljer, se Gjenoppfinne dataopplevelsen: Bruk generativ AI og moderne dataarkitektur for å låse opp innsikt. Se også til Amazonas grunnfjell for brukstilfeller på generativ AI, grunnmodeller og store språkmodeller.
Vedlegg
Tabellen nedenfor inneholder eksempelspørsmål fra en finansanalytiker for å spørre den multimodale agenten basert på strukturerte og ustrukturerte data.
Spørsmål Formål | Spørsmål stilt av finansanalytikere gjennom UI | Agentverktøy påkalt | Primære AWS-tjenester som brukes av agentverktøy | Svar fra multimodal agent |
Be LangChain-agenten om å forhåndsbehandle og trekke ut informasjon fra de innsamlede dataene | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Verktøy for tekstutvinning |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Be LangChain-agenten om å transkribere lydopptakene til tekster | 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. |
Be LangChain-agenten om å analysere selskapets økonomiske helse og ytelse | 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. |
Be LangChain-agenten om å analysere selskapets økonomiske resultater fra selskapets resultatrapporter | 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. |
Be LangChain-agenten om å analysere selskapets ledergruppe og deres planer for fremtiden fra selskapets resultatrapporter | 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. |
Be LangChain-agenten om å analysere selskapets strategi fra selskapets resultatrapporter | 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. |
Be LangChain-agenten om å utføre sentimentanalyse på opptakene av inntjeningsanrop | 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. |
Be LangChain-agenten om å bygge en optimal portefølje ved å bruke de innsamlede dataene | 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%' |
Om forfatterne
Sovik Kumar Nath er en AI/ML løsningsarkitekt med AWS. Han har lang erfaring med å designe ende-til-ende maskinlæring og forretningsanalyseløsninger innen finans, drift, markedsføring, helsevesen, supply chain management og IoT. Sovik har publisert artikler og har patent på ML-modellovervåking. Han har doble mastergrader fra University of South Florida, University of Fribourg, Sveits, og en bachelorgrad fra Indian Institute of Technology, Kharagpur. Utenom jobben liker Sovik å reise, ta ferge og se på film.
Mohan Musti er Senior Technical Account Manager basert i Dallas. Mohan hjelper kundene med å bygge og optimalisere applikasjoner på AWS. Mohan har informatikk og ingeniørfag fra JNT University, India. På fritiden liker han å tilbringe tid med familien og camping.
Jia (Vivian) Li er Senior Solutions Architect i AWS, med spesialisering innen AI/ML. Hun støtter for tiden kunder i finansnæringen. Før hun begynte i AWS i 2022, hadde hun 7 års erfaring med å støtte bedriftskunder ved å bruke AI/ML i skyen for å drive forretningsresultater. Vivian har en BS fra Peking University og en PhD fra University of South California. På fritiden liker hun alle vannaktivitetene og fotturer i de vakre fjellene i hjemstaten Colorado.
Uchenna Egbe er en AIML Solutions Architect som liker å bygge gjenbrukbare AIML-løsninger. Uchenna har en MS fra University of Alaska Fairbanks. Han bruker fritiden sin på å undersøke om urter, te, supermat og hvordan han kan inkludere dem i sitt daglige kosthold.
Navneet Tuteja er dataspesialist hos Amazon Web Services. Før han begynte i AWS, jobbet Navneet som en tilrettelegger for organisasjoner som ønsket å modernisere dataarkitekturene sine og implementere omfattende AI/ML-løsninger. Hun har en ingeniørgrad fra Thapar University, samt en mastergrad i statistikk fra Texas A&M University.
Praful Kava er senior spesialistløsningsarkitekt ved AWS. Han veileder kunder til å designe og konstruere Cloud-skala Analytics-pipelines på AWS. Utenfor jobben liker han å reise med familien og utforske nye turstier.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : har
- :er
- :ikke
- :hvor
- ][s
- $OPP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- evne
- I stand
- Om oss
- adgang
- Logg inn
- kontoer
- nøyaktighet
- nøyaktig
- oppnådd
- oppnår
- tvers
- Aktiviteter
- faktiske
- la til
- tillegg
- avansert
- Fordel
- Agent
- agenter
- smidig
- AI
- AI-tjenester
- AI-systemer
- AI / ML
- AIML
- mål
- ALASKA
- Alle
- allokering
- tillate
- tillater
- langs
- også
- Selv
- Amazon
- Amazon Comprehend
- Amazon Kendra
- amazontekst
- Amazon Transcribe
- Amazon Web Services
- an
- analyse
- analytiker
- analytikere
- analytics
- analysere
- analyserer
- og
- årlig
- besvare
- svar
- Antropisk
- noen
- api
- API NØKLER
- APIer
- Søknad
- søknader
- tilnærming
- hensiktsmessig
- arkitektur
- ER
- rundt
- artikler
- AS
- spør
- Eiendeler
- bistå
- assosiert
- At
- lyd
- augmented
- Automatisk
- Automatisere
- tilgjengelig
- AWS
- tilbake
- basert
- BE
- vakker
- vært
- før du
- være
- Bedre
- mellom
- Biggest
- Milliarder
- øker
- Eske
- bygge
- Bygning
- bygget
- virksomhet
- by
- beregne
- beregner
- beregningen
- beregninger
- california
- ring
- som heter
- ringer
- Samtaler
- CAN
- evner
- saker
- kjede
- kjeder
- utfordringer
- Endringer
- kanaler
- avgifter
- chatbots
- sjekk
- valgt ut
- klienter
- lukking
- Cloud
- kode
- samle
- Colorado
- kombinasjon
- kombinere
- kombinere
- kommer
- kommer
- Kommunikasjon
- Selskaper
- Selskapet
- Selskapets
- kompatibel
- konkurranse
- konkurranse
- komplekse
- kompleksitet
- komponent
- komponenter
- fatte
- omfattende
- beregninger
- Beregn
- datamaskin
- informatikk
- konseptuelle
- Bekymring
- Konfigurasjon
- sammen
- Koble
- består
- Konsoll
- konsoliderer
- forbruker
- inneholder
- kontekst
- kontinuerlig
- medvirkende
- Samtale
- konvertere
- korrigere
- Kostnad
- Kostnader
- kunne
- opprettet
- Gjeldende
- I dag
- kunde
- kundeopplevelse
- Kunder
- daglig
- Dallas
- dato
- databehandling
- data-drevet
- Database
- databaser
- Dato
- Desember
- avgjørelser
- dedikert
- dypere
- definert
- definerer
- Grad
- Etterspørsel
- demonstrere
- demonstrert
- avhengig
- utplassere
- utplassert
- beskrevet
- beskrivelse
- utforming
- utforme
- detaljer
- oppdage
- Gjenkjenning
- Bestem
- utviklet
- Kosthold
- forskjellig
- Vanskelighetsgrad
- dykk
- diverse
- diversifisere
- do
- dokument
- dokumenter
- gjort
- dobbelt
- ned
- stasjonen
- drevet
- drivere
- to
- hver enkelt
- tjene
- Inntjening
- inntjening samtale
- lett
- økonomisk
- effektivitet
- effektiv
- effektivt
- innsats
- enten
- e-post
- framgår
- muliggjøre
- muliggjør
- altomfattende
- slutt
- ende til ende
- slutt
- Endpoint
- ingeniør
- Ingeniørarbeid
- Engelsk
- forbedret
- styrke
- går inn
- Enterprise
- Entertainment
- spesielt
- Selv
- eksempel
- Excellence
- utveksling
- eksisterende
- utvidet
- ekspanderende
- utvidelse
- erfaring
- Forklar
- leting
- utforske
- Utforske
- omfattende
- Omfattende erfaring
- trekke ut
- utdrag
- tilrettelegger
- vendt
- familie
- raskere
- Noen få
- Filer
- registreringer
- slutt~~POS=TRUNC
- finansiere
- finansiell
- Økonomiske data
- økonomisk informasjon
- Økonomisk ytelse
- finansielle systemer
- Finn
- finne
- Først
- skatt
- fem
- florida
- Fokus
- fokusering
- etter
- følger
- Til
- prognoser
- format
- formel
- Fundament
- fragmentert
- Rammeverk
- svindel
- svindeloppdagelse
- uredelig
- Gratis
- ofte
- fra
- Brensel
- fullt
- funksjon
- funksjonalitet
- funksjoner
- videre
- framtid
- Gevinst
- få
- samle
- generere
- genererer
- genererer
- generasjonen
- generative
- Generativ AI
- gif
- GitHub
- Mål
- god
- større
- vokste
- Grow
- Vekst
- Guider
- HAD
- håndtere
- Ha
- he
- Helse
- helsetjenester
- hjelper
- her
- her.
- Høy
- høyt nivå
- høyere
- hans
- holder
- Hjemprodukt
- vert
- Hvordan
- Hvordan
- Men
- http
- HTTPS
- menneskelig
- i
- identifisert
- identifiserer
- identifisere
- Identitet
- if
- illustrerer
- bilder
- iverksette
- viktig
- forbedre
- bedre
- in
- inkludere
- inkluderer
- Inkludert
- innlemme
- Incorporated
- Øke
- økt
- økende
- india
- indisk
- industri
- inflasjon
- Inflasjonær
- Inflasjonstrykk
- informasjon
- Infrastruktur
- innovere
- Innovasjon
- inngang
- insider
- innsidehandel
- innsikt
- Institute
- Integrering
- Intelligens
- Intelligent
- Intelligent dokumentbehandling
- interaksjon
- interaksjoner
- interaktiv
- internt
- inn
- Investere
- investere
- Investorer
- påkalt
- påkaller
- involvert
- IOT
- IT
- DET ER
- sammenføyning
- jpg
- nøkkel
- nøkler
- kunnskap
- Kumar
- maling
- Språk
- stor
- ledende
- læring
- Leverage
- i likhet med
- BEGRENSE
- knyttet
- Likviditet
- Liste
- LLM
- lokalt
- logikk
- langsiktig
- Se
- oppslag
- tap
- Lav
- maskin
- maskinlæring
- Hoved
- Vedlikeholdbar
- gjøre
- GJØR AT
- ledelse
- Ledergruppe
- Manipulasjon
- måte
- Margin
- marked
- markedsmanipulasjon
- Marketing
- Markets
- mestere
- matematiske
- Kan..
- Media
- Minne
- nevner
- ML
- modell
- modellering
- modeller
- Moderne
- modern
- overvåking
- mer
- mest
- Filmer
- flytting
- MS
- flere
- må
- navn
- navn
- Naturlig
- Natural Language Processing
- Natur
- nødvendig
- nødvendig
- Trenger
- behov
- negativ
- nett
- Ny
- nye produkter
- nyheter
- nlp
- bærbare
- nå
- Antall
- bindinger
- of
- off
- tilbud
- Tilbud
- on
- ONE
- operasjonell
- Drift
- optimal
- optimalisering
- Optimalisere
- optimalisert
- or
- rekkefølge
- organisasjoner
- Annen
- vår
- ut
- utenfor
- samlet
- del
- passerer
- patent
- Betale
- Peking
- prosent
- Utfør
- ytelse
- utført
- phd
- setninger
- fly
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- vær så snill
- Point
- Politikk
- Populær
- popularitet
- portefølje
- positurer
- posisjon
- Post
- potensiell
- makt
- powered
- press
- forrige
- tidligere
- pris
- Prisene
- prising
- primært
- primære
- Før
- prosess
- prosessering
- produktivitet
- Produkter
- Profit
- lønnsomhet
- fortjeneste
- Progress
- gi
- gir
- publisert
- Python
- kvalitet
- kvantitativ
- Fjerdedel
- spørsmål
- spørsmål
- spørsmål
- raskt
- sitere
- område
- priser
- ratio
- RE
- klar
- sanntids
- nylig
- anerkjennelse
- innspilling
- referere
- i slekt
- slektning
- relevant
- husker
- repeterende
- rapporterer
- rapportert
- Rapportering
- Rapporter
- påkrevd
- Krever
- forskning
- Ressurser
- Svare
- svar
- svar
- resultere
- Resultater
- detaljhandel
- retur
- gjenbruk
- inntekter
- omsetningsvekst
- ikke sant
- Risiko
- risikoer
- robust
- rutine
- Kjør
- går
- s
- S & P
- sagemaker
- salg
- samme
- lagret
- besparende
- skalerbar
- Skala
- scenario
- scenarier
- Vitenskap
- Resultat
- SDK
- Søk
- søk
- Sekund
- Seksjon
- seksjoner
- sikre
- se
- se
- søker
- søker
- synes
- utvalg
- SELV
- senior
- sentiment
- følelser
- Serien
- tjeneste
- Tjenester
- Session
- hun
- kortsiktig
- kortsiktig likviditet
- bør
- presentere
- vist
- Viser
- Slå
- signifikant
- lignende
- Enkelt
- ferdigheter
- selskap
- sosiale medier
- løsning
- Solutions
- noen
- sofistikert
- kilde
- Kilder
- Sør
- Sør-Florida
- Southern
- spesialist
- spesifikk
- tale
- Talegjenkjenning
- fart
- utgifter
- spre
- standardisering
- Tilstand
- statistikk
- opphold
- Trinn
- Steps
- lager
- aksjer
- Stopp
- lagring
- oppbevare
- lagret
- butikker
- lagring
- Strategisk
- Strategi
- Forsterke
- struktur
- strukturert
- studio
- abonnement
- abonnementer
- slik
- egnet
- suite
- oppsummere
- SAMMENDRAG
- leverandører
- levere
- forsyningskjeden
- leverandørkrav
- støtte
- Støtte
- Støtter
- sikker
- sveits
- system
- Systemer
- bord
- ta
- Oppgave
- oppgaver
- lag
- Teknisk
- Technologies
- Teknologi
- mal
- texas
- tekst
- Det
- De
- Fremtiden
- informasjonen
- Kilden
- deres
- Dem
- deretter
- Der.
- derved
- Disse
- de
- ting
- denne
- selv om?
- true
- tre
- Gjennom
- tid
- Tidsserier
- til
- verktøy
- verktøykasse
- verktøy
- topp
- Tema
- Totalt
- trading
- Tog
- Transcript
- Transform
- Transformation
- transport
- Traveling
- Trender
- to
- typen
- typer
- ui
- forstå
- forståelse
- universitet
- låse opp
- opplåsing
- kommende
- oppdatert
- us
- bruke
- brukt
- Bruker
- Brukere
- bruker
- ved hjelp av
- benyttes
- bruker
- Verdifull
- verdi
- variasjon
- ulike
- versjoner
- av
- video
- volumer
- var
- se
- Vann
- Vei..
- måter
- we
- web
- webtjenester
- VI VIL
- var
- Hva
- når
- hvilken
- HVEM
- bred
- Bred rekkevidde
- vil
- med
- innenfor
- Arbeid
- arbeidet
- arbeidsflyt
- år
- år
- Du
- Din
- zephyrnet