Dane multimodalne są cennym komponentem branży finansowej, obejmującym dane rynkowe, gospodarcze, dotyczące klientów, wiadomości i mediów społecznościowych, a także dane dotyczące ryzyka. Organizacje finansowe generują, gromadzą i wykorzystują te dane, aby uzyskać wgląd w operacje finansowe, podejmować lepsze decyzje i poprawiać wyniki. Istnieją jednak wyzwania związane z danymi multimodalnymi ze względu na złożoność i brak standaryzacji systemów finansowych oraz formatów i jakości danych, a także fragmentaryczny i nieustrukturyzowany charakter danych. Klienci finansowi często opisywali koszty operacyjne związane z uzyskiwaniem wniosków finansowych z danych multimodalnych, co wymaga złożonej logiki ekstrakcji i transformacji, co prowadzi do nadmiernego wysiłku i kosztów. Wyzwania techniczne związane z danymi multimodalnymi obejmują ponadto złożoność integracji i modelowania różnych typów danych, trudność w łączeniu danych pochodzących z wielu modalności (tekst, obrazy, dźwięk, wideo) oraz potrzebę zaawansowanych umiejętności informatycznych i wyrafinowanych narzędzi analitycznych.
Jednym ze sposobów obsługi danych multimodalnych, który zyskuje na popularności, jest wykorzystanie agentów multimodalnych. Agenci multimodalni to systemy sztucznej inteligencji, które potrafią rozumieć i analizować dane na wiele sposobów, korzystając z odpowiednich narzędzi z zestawu narzędzi. Potrafią łączyć spostrzeżenia z różnych typów danych, aby uzyskać pełniejsze zrozumienie i wygenerować odpowiednie odpowiedzi. Agenci multimodalni w połączeniu z generatywną sztuczną inteligencją znajdują szerokie zastosowanie na rynkach finansowych. Oto kilka popularnych przypadków użycia:
- Inteligentne raportowanie i wywiad rynkowy – Sztuczna inteligencja może analizować różne źródła informacji finansowych w celu generowania raportów z analizy rynku, pomagając analitykom, inwestorom i firmom być na bieżąco z trendami. Agenci multimodalni mogą szybko podsumowywać długie raporty finansowe, oszczędzając analitykom znaczną ilość czasu i wysiłku.
- Modelowanie i prognozowanie ilościowe – Modele generatywne mogą syntetyzować duże ilości danych finansowych w celu uczenia modeli uczenia maszynowego (ML) do zastosowań takich jak prognozowanie cen akcji, optymalizacja portfela, modelowanie ryzyka i nie tylko. Modele multimodalne, które uwzględniają różnorodne źródła danych, mogą zapewnić solidniejsze prognozy.
- Zgodność i wykrywanie oszustw – To rozwiązanie można rozszerzyć o narzędzia monitorujące, które analizują kanały komunikacji, takie jak połączenia, e-maile, czaty, logi dostępu i inne, w celu identyfikacji potencjalnego wykorzystywania informacji poufnych lub manipulacji na rynku. Wykrywanie oszukańczych zmów w przypadku różnych typów danych wymaga analizy wielomodalnej.
Agent multimodalny z generatywną sztuczną inteligencją zwiększa produktywność analityka finansowego, automatyzując powtarzalne i rutynowe zadania, dając analitykom czas na skupienie się na pracy o wysokiej wartości. Agenci multimodalni mogą zwiększyć zdolność analityka do zdobywania spostrzeżeń, pomagając w badaniach i analizach. Agenci multimodalni mogą również generować ulepszone analizy ilościowe i modele finansowe, umożliwiając analitykom szybszą i większą dokładność.
Wdrożenie agenta multimodalnego w AWS konsoliduje na dużą skalę kluczowe wnioski z różnorodnych, ustrukturyzowanych i nieustrukturyzowanych danych. Agenci multimodalni mogą z łatwością łączyć możliwości generatywnej oferty AI z Amazońska skała macierzysta i Amazon SageMaker JumpStart z możliwościami przetwarzania danych oferowanymi przez usługi AWS Analytics i AI/ML, aby zapewnić elastyczne rozwiązania, które umożliwiają analitykom finansowym skuteczne analizowanie i gromadzenie spostrzeżeń z danych multimodalnych w bezpieczny i skalowalny sposób w ramach AWS. Amazon oferuje pakiet usług AI, które umożliwiają przetwarzanie języka naturalnego (NLP), rozpoznawanie mowy, wyodrębnianie tekstu i wyszukiwanie:
- Amazon Comprehend to usługa NLP, która może analizować tekst pod kątem kluczowych fraz i analizować nastroje
- Ekstrakt z amazonki to inteligentna usługa przetwarzania dokumentów, która umożliwia dokładne wyodrębnianie tekstu i danych z dokumentów
- Amazon Transcribe to usługa automatycznego rozpoznawania mowy, która może konwertować mowę na tekst
- Amazonka Kendra to usługa wyszukiwania korporacyjnego oparta na technologii ML, umożliwiająca wyszukiwanie informacji w różnych źródłach danych, w tym w dokumentach i bazach wiedzy
W tym poście przedstawiamy scenariusz, w którym analityk finansowy wchodzi w interakcję z wielomodalnymi danymi organizacji, znajdującymi się w specjalnie stworzonych magazynach danych, w celu zebrania spostrzeżeń finansowych. Podczas interakcji pokazujemy, jak agenci multimodalni planują i uruchamiają zapytanie użytkownika oraz pobierają wyniki z odpowiednich źródeł danych. Wszystko to osiąga się za pomocą usług AWS, zwiększając w ten sposób efektywność analityka finansowego w holistycznej analizie multimodalnych danych finansowych (tekstowych, mowy i danych tabelarycznych).
Poniższy zrzut ekranu przedstawia przykładowy interfejs użytkownika.
Omówienie rozwiązania
Poniższy diagram ilustruje architekturę koncepcyjną wykorzystania generatywnej sztucznej inteligencji z danymi multimodalnymi przy użyciu agentów. Wymagane kroki są następujące:
- Analityk finansowy zadaje pytania za pośrednictwem platformy takiej jak chatboty.
- Platforma wykorzystuje platformę do określenia najodpowiedniejszego narzędzia agenta multimodalnego w celu odpowiedzi na pytanie.
- Po zidentyfikowaniu platforma uruchamia kod powiązany z wcześniej zidentyfikowanym narzędziem.
- Narzędzie generuje analizę danych finansowych na zlecenie analityka finansowego.
- Podsumowując wyniki, duże modele językowe pobierają dane i przekazują je analitykowi finansowemu.
Architektura techniczna
Agent multimodalny organizuje różne narzędzia w oparciu o podpowiedzi w języku naturalnym od użytkowników biznesowych w celu generowania spostrzeżeń. W przypadku danych nieustrukturyzowanych agent używa AWS Lambda współpracuje z usługami AI, takimi jak Amazon Textract do analizy dokumentów, Amazon Transcribe do rozpoznawania mowy, Amazon Comprehend do NLP i Amazon Kendra do inteligentnego wyszukiwania. W przypadku danych strukturalnych agent wykorzystuje złącze SQL i SQLAlchemy do analizy baz danych, które obejmują Amazonka Atena. Agent wykorzystuje również Python w Lambdzie i Amazon Sage Maker SDK do obliczeń i modelowania ilościowego. Agent posiada także pamięć długoterminową do przechowywania podpowiedzi i wyników Amazon DynamoDB. Agent multimodalny znajduje się w notatniku SageMaker i koordynuje te narzędzia w oparciu o podpowiedzi użytkowników biznesowych w języku angielskim w interfejsie użytkownika Streamlit.
Kluczowe elementy architektury technicznej są następujące:
- Przechowywanie i analityka danych – Kwartalne zapisy zysków finansowych w postaci plików audio, roczne raporty finansowe w formacie PDF oraz dane dotyczące akcji S&P w postaci plików CSV są przechowywane na serwerze Usługa Amazon Simple Storage (Amazon S3). Eksploracja danych giełdowych odbywa się za pomocą narzędzia Athena.
- Duże modele językowe – Duże modele językowe (LLM) są dostępne za pośrednictwem Amazon Bedrock, SageMaker JumpStart lub API.
- Agenci – Korzystamy z agentów LangChain w przypadku nieokreślonego z góry łańcucha połączeń jako danych wejściowych użytkownika do LLM i innych narzędzi. W tego typu sieciach występuje agent mający dostęp do zestawu narzędzi. Każde narzędzie zostało zbudowane do konkretnego zadania. W zależności od danych wprowadzonych przez użytkownika agent wybiera narzędzie lub kombinację narzędzi, które ma wywołać, aby odpowiedzieć na pytanie. Na potrzeby naszego scenariusza utworzyliśmy następujące narzędzia agenta specjalnie zaprojektowane:
- Narzędzie do wysyłania zapytań o akcje – Aby wysyłać zapytania do danych dotyczących akcji S&P za pomocą Athena i SQLAlchemy.
- Narzędzie do optymalizacji portfela – Zbudowanie portfela w oparciu o wybrane akcje.
- Narzędzie do wyszukiwania informacji finansowych – Aby wyszukać informacje o zarobkach finansowych przechowywanych w wielostronicowych plikach PDF za pomocą Amazon Kendra.
- Narzędzie do obliczeń w Pythonie – Do stosowania w obliczeniach matematycznych.
- Narzędzie do analizy nastrojów – Aby zidentyfikować i ocenić opinie na dany temat za pomocą Amazon Comrehend.
- Narzędzie Wykryj frazy – Aby znaleźć kluczowe frazy w ostatnich raportach kwartalnych za pomocą Amazon Comprehend.
- Narzędzie do wyodrębniania tekstu – Aby przekonwertować wersje PDF raportów kwartalnych na pliki tekstowe za pomocą Amazon Textract.
- Narzędzie do transkrypcji dźwięku – Aby przekonwertować nagrania audio na pliki tekstowe za pomocą Amazon Transcribe.
Pamięć agenta przechowująca łańcuch interakcji użytkownika z agentem jest zapisywana w DynamoDB.
W poniższych sekcjach wyjaśniono niektóre podstawowe kroki z powiązanym kodem. Aby głębiej poznać rozwiązanie i kod wszystkich pokazanych tutaj kroków, zapoznaj się z sekcją GitHub repo.
Wymagania wstępne
Aby uruchomić to rozwiązanie, musisz mieć klucz API do LLM, taki jak Anthropic Claude v2, lub mieć dostęp do modeli fundamentów Amazon Bedrock.
Aby generować odpowiedzi na podstawie danych ustrukturyzowanych i nieustrukturyzowanych za pomocą LLM i LangChain, potrzebujesz dostępu do LLM za pośrednictwem Amazon Bedrock, SageMaker JumpStart lub kluczy API oraz korzystania z baz danych zgodnych z SQLAlchemy. AWS Zarządzanie tożsamością i dostępem Wymagane są również zasady (IAM), szczegóły można znaleźć w repozytorium GitHub.
Kluczowe elementy agenta multimodalnego
Agent multimodalny składa się z kilku kluczowych komponentów:
- Funkcje zdefiniowane dla narzędzi agenta multimodalnego
- Narzędzia zdefiniowane dla agenta multimodalnego
- Pamięć długoterminowa dla agenta multimodalnego
- Agent multimodalny oparty na programie Planner-Executor (definiowany za pomocą narzędzi, LLM i pamięci)
W tej sekcji ilustrujemy kluczowe komponenty wraz z powiązanymi fragmentami kodu.
Funkcje zdefiniowane dla narzędzi agenta multimodalnego
Agent multimodalny musi korzystać z różnych usług sztucznej inteligencji do przetwarzania różnych typów danych — tekstu, mowy, obrazów i innych. Niektóre z tych funkcji mogą wymagać wywoływania usług AI AWS, takich jak Amazon Comprehend w celu analizy tekstu, Amazon Textract w celu analizy obrazów i dokumentów oraz Amazon Transcribe w celu konwersji mowy na tekst. Funkcje te można wywoływać lokalnie w agencie lub wdrażać jako funkcje Lambda, które agent może wywołać. Funkcje Lambda wewnętrznie wywołują odpowiednie usługi AI AWS i zwracają wyniki agentowi. Takie podejście modularyzuje logikę i sprawia, że agent jest łatwiejszy w utrzymaniu i rozszerzeniu.
Poniższa funkcja określa sposób obliczenia zoptymalizowanego portfela na podstawie wybranych akcji. Jednym ze sposobów konwersji funkcji opartej na Pythonie na narzędzie LLM jest użycie Narzędzie podstawowe obwoluta.
Poniżej znajduje się kod Lambdy wywołującej interfejsy API usługi AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):
Narzędzia zdefiniowane dla agenta multimodalnego
Agent multimodalny ma dostęp do różnych narzędzi umożliwiających jego funkcjonalność. Może wysyłać zapytania do bazy danych o akcjach, aby odpowiedzieć na pytania dotyczące akcji. Potrafi zoptymalizować portfel za pomocą dedykowanego narzędzia. Może pobierać informacje z Amazon Kendra, usługi wyszukiwania korporacyjnego firmy Amazon. Narzędzie Python REPL umożliwia agentowi uruchomienie kodu w języku Python. Przykładową strukturę narzędzi wraz z ich nazwami i opisami przedstawiono w poniższym kodzie. Rzeczywisty zestaw narzędzi tego postu zawiera osiem narzędzi: narzędzie do wysyłania zapytań giełdowych, narzędzie do optymalizacji portfela, narzędzie do wyszukiwania informacji finansowych, narzędzie do obliczeń w języku Python, narzędzie do analizy nastrojów, narzędzie do wykrywania fraz, narzędzie do wyodrębniania tekstu i narzędzie do transkrypcji dźwięku.
Pamięć długoterminowa dla agenta multimodalnego
Poniższy kod ilustruje konfigurację pamięci długoterminowej dla agenta multimodalnego. W tym kodzie dodano tabelę DynamoDB jako pamięć do przechowywania podpowiedzi i odpowiedzi do wykorzystania w przyszłości.
Agent multimodalny oparty na programie Planner-Executor
Połączenia planista-wykonawca oparta na multimodalnej architekturze agenta składa się z dwóch głównych komponentów: planisty i wykonawcy. Planista generuje plan wysokiego poziomu zawierający kroki wymagane do uruchomienia i udzielenia odpowiedzi na pytanie podpowiadające. Następnie wykonawca uruchamia ten plan, generując odpowiednie odpowiedzi systemowe dla każdego kroku planu, korzystając z modelu językowego z niezbędnymi narzędziami. Zobacz następujący kod:
Przykładowe scenariusze na podstawie pytań zadawanych przez analityka finansowego
W tej sekcji omawiamy dwa przykładowe scenariusze ilustrujące kompleksowe kroki wykonywane przez agenta multimodalnego na podstawie pytań zadawanych przez analityka finansowego.
Scenariusz 1: Pytania analityka finansowego dotyczące danych strukturalnych
W tym scenariuszu analityk finansowy zadaje agentowi multimodalnemu pytanie w języku angielskim dotyczące akcji spółek. Multimodalny agent LangChain opracowuje wieloetapowy plan i decyduje, jakich narzędzi użyć na każdym etapie. Poniższy diagram ilustruje przykładowy przepływ pracy składający się z następujących kroków:
- Analityk finansowy zadaje pytanie finansowe w języku angielskim za pośrednictwem interfejsu użytkownika agentowi multimodalnemu.
- Agent stwierdza, że do udzielenia odpowiedzi na pytanie potrzebne jest narzędzie bazy danych. Generuje zapytanie SQL przy użyciu LLM na podstawie pytania i wysyła zapytanie do bazy danych Athena.
- Athena uruchamia zapytanie SQL, pobiera odpowiedni wynik (szereg czasowy cen akcji pięciu spółek) i przekazuje wynik wraz z odpowiednimi danymi agentowi.
- Agent stwierdza, że aby odpowiedzieć na pytanie, potrzebuje drugiego narzędzia. Przekazuje pobrane dane do narzędzia Python w celu optymalizacji portfolio.
- Narzędzie Python oblicza wymagany optymalny portfel wraz z wagami i przekazuje odpowiedź do LLM w ramach agenta.
- Agent zbiera wymagane informacje i obliczenia za pomocą LLM i odpowiada analitykowi finansowemu za pośrednictwem interfejsu użytkownika w języku angielskim.
Analityk finansowy zadaje następujące pytanie:
"Jakie są ceny zamknięcia akcji AAAA, WWW, DDD w roku 2018? Czy możesz zbudować zoptymalizowany portfel, korzystając z tych trzech spółek?"
Poniższy kod przedstawia kroki zidentyfikowane przez planistę agenta multimodalnego:
Agent przetłumaczył pytanie na następujące zapytanie SQL:
Poniższy kod przedstawia ostateczną odpowiedź agenta multimodalnego na podstawie pytania:
Scenariusz 2: Pytania analityka finansowego dotyczące danych nieustrukturyzowanych
W tym scenariuszu analityk finansowy zadaje agentowi multimodalnemu wiele pytań na temat kondycji finansowej firmy. Agent wywołuje dwa agenty narzędziowe, Amazon Kendra z danymi nieustrukturyzowanymi i narzędzie obliczeniowe w języku Python, w celu zebrania informacji i wykonania niezbędnych obliczeń. Następnie agent kompiluje informacje z narzędzi, korzystając ze swojego modelu językowego, i przekazuje analitykowi pełną odpowiedź. Kluczem do tego scenariusza jest to, że agent może zapamiętać pytania i odpowiedzi z poprzednich pytań oraz uwzględnić kontekst w rozmowie. Poniższy diagram ilustruje przepływ pracy, który składa się z następujących kroków:
- Analityk finansowy zadaje pytanie finansowe w języku angielskim za pośrednictwem interfejsu użytkownika agentowi multimodalnemu.
- Agent stwierdza, że do udzielenia odpowiedzi na pytanie wymaga narzędzia Amazon Kendra i wywołuje narzędzie agenta Amazon Kendra.
- Amazon Kendra przeszukuje nieustrukturyzowany korpus danych w Amazon S3 i pobiera odpowiedni dokument zawierający odpowiedź.
- Korzystając z technologii Retrieval Augmented Generation (RAG), Amazon Kendra przekazuje odpowiedź z odpowiedniego dokumentu do LLM w ramach agenta.
- Agent stwierdza, że do odpowiedzi na drugą część pytania potrzebne jest drugie narzędzie. Przekazuje informacje z pierwszego narzędzia do narzędzia obliczeniowego Pythona.
- Narzędzie Python oblicza wymagany współczynnik i przekazuje odpowiedź do LLM w ramach agenta.
- Agent zbiera wymagane informacje i obliczenia za pomocą LLM i odpowiada analitykowi finansowemu za pośrednictwem interfejsu użytkownika.
Poniżej znajdują się pytania i odpowiedzi pomiędzy analitykiem a agentem multimodalnym.
Agent odpowiada na pytanie „Jaka jest strata netto Amazona za rok finansowy kończący się w grudniu 2022 r.?„Amazon odnotował całkowitą sprzedaż netto w wysokości 514.0 miliardów dolarów i stratę netto w wysokości 2.7 miliarda dolarów za rok finansowy 2022”. Źródłem jest raport Amazon 10K za rok finansowy kończący się w grudniu 2022 r., pobrany za pomocą narzędzia Retrive_Kendra
Narzędziem.
Na pytanie „Jaka jest strata netto za ten sam rok?” agent odpowiada „2.7 miliarda dolarów”. Źródłem jest raport Amazon 10K za rok finansowy kończący się w grudniu 2022 r., pobrany za pomocą narzędzia Retrive_Kendra
Narzędzie. Należy zauważyć, że chociaż pytanie jest podobne do drugiego pytania, w tym pytaniu nie określono nazwy firmy ani numeru roku. Agentowi udało się jednak użyć prawidłowej nazwy firmy i roku na podstawie kontekstu zapisanego w pamięci konwersacji.
Na pytanie „Jaki jest wzór na współczynnik marży zysku netto, który jest rodzajem wskaźnika rentowności?” agent odpowiada: „Amazon odnotował całkowitą sprzedaż netto w wysokości 514.0 miliardów dolarów i stratę netto w wysokości 2.7 miliarda dolarów za rok finansowy 2022. Wskaźnik marży zysku netto dla Amazon za rok finansowy 2022 wynosi -0.5%. Źródłem jest Retrieve_Kendra
i PythonREPLTool().
Zagłęb się w rozwiązanie
Aby głębiej poznać rozwiązanie i kod pokazany w tym poście, zapoznaj się z sekcją GitHub repo.
W repozytorium GitHub będziesz mógł znaleźć notatnik Pythona, który zawiera kompleksowe rozwiązanie, Tworzenie chmury AWS szablon do udostępniania infrastruktury, dane nieustrukturyzowane (pliki PDF raportów o zarobkach, pliki dźwiękowe rozmów o zarobkach) i dane strukturalne (szereg czasowy notowań giełdowych).
W załączniku na końcu zestawiono różne pytania zadawane przez analityka finansowego, przywoływane narzędzia agenta oraz odpowiedzi agenta multimodalnego.
Sprzątać
Po uruchomieniu agenta multimodalnego pamiętaj o wyczyszczeniu wszelkich zasobów, które nie będą wykorzystywane. Zamknij i usuń używane bazy danych (Athena). Ponadto usuń dane z Amazon S3 i zatrzymaj wszelkie instancje notatników SageMaker Studio, aby nie ponosić żadnych dalszych opłat. Usuń funkcje Lambda i tabele DynamoDB jako część pamięci długoterminowej, która nie jest używana. Jeśli użyłeś SageMaker JumpStart do wdrożenia LLM jako punktu końcowego SageMaker w czasie rzeczywistym, usuń punkt końcowy za pomocą konsoli SageMaker lub SageMaker Studio.
Wnioski
W tym poście zaprezentowano szeroką gamę usług pamięci masowej AWS, AI/ML i usług obliczeniowych, których można użyć do zbudowania zaawansowanego wielomodalnego rozwiązania AI wraz ze strukturą LangChain i generatywną sztuczną inteligencją. Integrując technologie NLP, rozpoznawania mowy i uczenia maszynowego, agent multimodalny opracowany w tym scenariuszu jest w stanie analizować różne modalności danych finansowych (ustrukturyzowanych i nieustrukturyzowanych) i odpowiadać na podpowiedzi w języku naturalnym (angielskim). Zwiększa to produktywność i efektywność analityków finansowych, umożliwiając im skupienie się na pracy strategicznej o wysokiej wartości. Multimodalne rozwiązania AI oparte na platformie AWS mają potencjał przekształcenia rynków finansowych poprzez automatyzację powtarzalnych zadań, zwiększanie możliwości ludzkich i wydajne generowanie spostrzeżeń opartych na danych. W przypadku danych strukturalnych nowoczesną architekturę danych z wieloma bazami danych można połączyć z generatywną sztuczną inteligencją i LLM. Więcej szczegółów znajdziesz w Nowe podejście do obsługi danych: wykorzystaj generatywną sztuczną inteligencję i nowoczesną architekturę danych, aby uzyskać szczegółowe informacje. Także patrz Amazońska skała macierzysta do przypadków użycia w generatywnej sztucznej inteligencji, modelach podstawowych i dużych modelach językowych.
dodatek
Poniższa tabela zawiera przykładowe pytania, które analityk finansowy zadaje agentowi multimodalnemu na podstawie ustrukturyzowanych i nieustrukturyzowanych danych.
Cel pytania | Pytanie zadawane przez analityków finansowych za pośrednictwem interfejsu użytkownika | Wywołano narzędzia agenta | Podstawowe usługi AWS używane przez narzędzia agenta | Odpowiedź od agenta multimodalnego |
Poproś agenta LangChain o wstępne przetworzenie i wyodrębnienie informacji z zebranych danych | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Narzędzie do wyodrębniania tekstu |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Poproś agenta LangChain o transkrypcję nagrań audio na SMS-y | 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. |
Poproś agenta LangChain o analizę kondycji finansowej i wyników firmy | 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. |
Poproś agenta LangChain o analizę wyników finansowych firmy na podstawie raportów o zyskach firmy | 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. |
Zachęć agenta LangChain do analizy kadry zarządzającej firmy i jej planów na przyszłość na podstawie raportów zysków firmy | 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. |
Poproś agenta LangChain o analizę strategii firmy na podstawie raportów o wynikach firmy | 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. |
Poproś agenta LangChain o wykonanie analizy nastrojów na nagraniach rozmów telefonicznych dotyczących zarobków | 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. |
Zachęć agenta LangChain do zbudowania optymalnego portfolio na podstawie zebranych danych | 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%' |
O autorach
Sovik Kumar Nath jest architektem rozwiązań AI/ML w AWS. Ma bogate doświadczenie w projektowaniu kompleksowych rozwiązań do uczenia maszynowego i analityki biznesowej w finansach, operacjach, marketingu, opiece zdrowotnej, zarządzaniu łańcuchem dostaw i IoT. Sovik opublikował artykuły i posiada patent na monitorowanie modeli ML. Posiada podwójne stopnie magisterskie z University of South Florida, University of Fribourg w Szwajcarii oraz tytuł licencjata z Indian Institute of Technology w Kharagpur. Poza pracą Sovik lubi podróżować, pływać promem i oglądać filmy.
Mohana Mustiego jest starszym kierownikiem ds. obsługi technicznej w Dallas. Mohan pomaga klientom projektować i optymalizować aplikacje na platformie AWS. Mohan ukończył informatykę i inżynierię na Uniwersytecie JNT w Indiach. W wolnym czasie lubi spędzać czas z rodziną i biwakować.
Jia (wiwian) Li jest starszym architektem rozwiązań w AWS, ze specjalizacją w AI/ML. Obecnie wspiera klientów z branży finansowej. Przed dołączeniem do AWS w 2022 r. miała 7 lat doświadczenia we wspieraniu klientów korporacyjnych w korzystaniu z AI/ML w chmurze w celu poprawy wyników biznesowych. Vivian posiada tytuł licencjata na Uniwersytecie Pekińskim i stopień doktora na Uniwersytecie Południowej Kalifornii. W wolnym czasie lubi wszelkie zajęcia wodne i wędrówki po pięknych górach w swoim rodzinnym stanie Kolorado.
Uchenna Egbe jest architektem rozwiązań AIML, który lubi budować rozwiązania AIML wielokrotnego użytku. Uchenna posiada tytuł magistra Uniwersytetu Alaski w Fairbanks. Wolny czas spędza na badaniach na temat ziół, herbat, superfoods i sposobów włączania ich do swojej codziennej diety.
Navneet Tuteja jest specjalistą ds. danych w Amazon Web Services. Przed dołączeniem do AWS Navneet pracował jako facylitator dla organizacji, które chciały zmodernizować swoją architekturę danych i wdrożyć kompleksowe rozwiązania AI/ML. Ukończyła studia inżynierskie na Thapar University oraz tytuł magistra statystyki na Texas A&M University.
Praful Kava jest starszym specjalistą architektem rozwiązań w AWS. Prowadzi klientów w zakresie projektowania i inżynierii potoków Analytics w skali chmury na platformie AWS. Poza pracą lubi podróżować z rodziną i odkrywać nowe szlaki turystyczne.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :ma
- :Jest
- :nie
- :Gdzie
- ][P
- $W GÓRĘ
- 1
- 10
- 100
- 10 tysięcy
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- zdolność
- Zdolny
- O nas
- dostęp
- Konto
- Konta
- precyzja
- dokładnie
- osiągnięty
- Osiąga
- w poprzek
- zajęcia
- rzeczywisty
- w dodatku
- dodatek
- zaawansowany
- Korzyść
- Agent
- agentów
- zwinny
- AI
- Usługi AI
- Systemy SI
- AI / ML
- AIML
- Cele
- ALASKA
- Wszystkie kategorie
- przydział
- Pozwalać
- pozwala
- wzdłuż
- również
- Chociaż
- Amazonka
- Amazon Comprehend
- Amazonka Kendra
- Ekstrakt z amazonki
- Amazon Transcribe
- Amazon Web Services
- an
- analiza
- analityk
- analitycy
- analityka
- w czasie rzeczywistym sprawiają,
- Analizując
- i
- roczny
- odpowiedź
- odpowiedzi
- Antropiczny
- każdy
- api
- KLUCZE API
- Pszczoła
- Zastosowanie
- aplikacje
- podejście
- właściwy
- architektura
- SĄ
- na około
- towary
- AS
- zapytać
- Aktywa
- pomoc
- powiązany
- At
- audio
- zwiększona
- automatycznie
- automatyzacja
- dostępny
- AWS
- z powrotem
- na podstawie
- BE
- piękny
- być
- zanim
- jest
- Ulepsz Swój
- pomiędzy
- Najwyższa
- Miliard
- zwiększa
- Pudełko
- budować
- Budowanie
- wybudowany
- biznes
- by
- obliczać
- oblicza
- obliczenie
- Obliczenia
- California
- wezwanie
- nazywa
- powołanie
- Połączenia
- CAN
- możliwości
- Etui
- łańcuch
- więzy
- wyzwania
- Zmiany
- kanały
- Opłaty
- nasze chatboty
- ZOBACZ
- wybrany
- klientów
- zamknięcie
- Chmura
- kod
- zbierać
- Kolorado
- połączenie
- połączyć
- łączenie
- byliśmy spójni, od początku
- przyjście
- Komunikacja
- Firmy
- sukcesy firma
- Firma
- zgodny
- konkurencja
- konkurencyjny
- kompleks
- kompleksowość
- składnik
- składniki
- zrozumieć
- wszechstronny
- obliczenia
- obliczać
- komputer
- Computer Science
- koncepcyjnego
- Troska
- systemu
- spójnik
- Skontaktuj się
- składa się
- Konsola
- Konsoliduje
- konsument
- zawiera
- kontekst
- ciągły
- przyczyniając
- Rozmowa
- konwertować
- skorygowania
- Koszty:
- Koszty:
- mógłby
- stworzony
- Aktualny
- Obecnie
- klient
- doświadczenie klienta
- Klientów
- codziennie
- Dallas
- dane
- analiza danych
- sterowane danymi
- Baza danych
- Bazy danych
- Data
- grudzień
- Decyzje
- dedykowane
- głębiej
- zdefiniowane
- Definiuje
- Stopień
- Kreowanie
- wykazać
- wykazać
- W zależności
- rozwijać
- wdrażane
- opisane
- opis
- Wnętrze
- projektowanie
- detale
- wykryć
- Wykrywanie
- Ustalać
- rozwinięty
- Dieta
- różne
- Trudność
- nurkować
- inny
- urozmaicać
- do
- dokument
- dokumenty
- zrobić
- Podwójna
- na dół
- napęd
- napędzany
- sterowniki
- z powodu
- każdy
- Zarobek
- Zarobki
- zarobki zadzwoń
- z łatwością
- Gospodarczy
- efektywność
- wydajny
- skutecznie
- wysiłek
- bądź
- e-maile
- wyłania się
- umożliwiać
- umożliwiając
- obejmujący
- zakończenia
- koniec końców
- kończący się
- Punkt końcowy
- inżynier
- Inżynieria
- Angielski
- wzmocnione
- wzmocnienie
- wprowadzenie
- Enterprise
- rozrywka
- szczególnie
- Parzyste
- przykład
- Doskonałość
- wymiana
- Przede wszystkim system został opracowany
- rozszerzony
- rozszerzenie
- ekspansja
- doświadczenie
- Wyjaśniać
- eksploracja
- odkryj
- Exploring
- rozległy
- Szerokie doświadczenie
- wyciąg
- ekstrakcja
- Facilitator
- okładzina
- członków Twojej rodziny
- szybciej
- kilka
- Akta
- opiłki
- finał
- finansować
- budżetowy
- dane finansowe
- Informacje finansowe
- wynik finansowy
- systemy finansowe
- Znajdź
- znalezieniu
- i terminów, a
- Fiskalny
- pięć
- florida
- Skupiać
- skupienie
- następujący
- następujący sposób
- W razie zamówieenia projektu
- Prognozy
- format
- formuła
- Fundacja
- rozdrobniony
- Framework
- oszustwo
- wykrywanie oszustw
- nieuczciwy
- Darmowy
- często
- od
- Paliwo
- pełny
- funkcjonować
- Funkcjonalność
- Funkcje
- dalej
- przyszłość
- Wzrost
- zyskuje
- zbierać
- Generować
- generuje
- generujący
- generacja
- generatywny
- generatywna sztuczna inteligencja
- gif
- GitHub
- Gole
- dobry
- większy
- wzrosła
- Rosnąć
- Wzrost
- Przewodniki
- miał
- uchwyt
- Have
- he
- Zdrowie
- opieki zdrowotnej
- pomaga
- jej
- tutaj
- Wysoki
- na wysokim szczeblu
- wyższy
- jego
- posiada
- Strona główna
- hostowane
- W jaki sposób
- How To
- Jednak
- http
- HTTPS
- człowiek
- i
- zidentyfikowane
- identyfikuje
- zidentyfikować
- tożsamość
- if
- ilustruje
- zdjęcia
- wdrożenia
- ważny
- podnieść
- poprawy
- in
- zawierać
- obejmuje
- Włącznie z
- włączać
- Rejestrowy
- Zwiększać
- wzrosła
- wzrastający
- Indie
- Hindusi
- przemysł
- inflacja
- Inflacyjny
- Presja inflacyjna
- Informacja
- Infrastruktura
- wprowadzać innowacje
- Innowacja
- wkład
- Insider
- insider trading
- spostrzeżenia
- Instytut
- Integracja
- Inteligencja
- Inteligentny
- Inteligentne przetwarzanie dokumentów
- wzajemne oddziaływanie
- Interakcje
- współdziała
- wewnętrznie
- najnowszych
- Inwestuj
- inwestowanie
- Inwestorzy
- przywołany
- inwokuje
- zaangażowany
- Internet przedmiotów
- IT
- JEGO
- łączący
- jpg
- Klawisz
- Klawisze
- wiedza
- Kumar
- Brak
- język
- duży
- prowadzący
- nauka
- Dźwignia
- lubić
- LIMIT
- powiązany
- Płynność
- Lista
- LLM
- lokalnie
- logika
- długoterminowy
- Popatrz
- wyszukiwania
- od
- niski
- maszyna
- uczenie maszynowe
- Główny
- Utrzymywane w utrzymaniu
- robić
- WYKONUJE
- i konserwacjami
- Zespół zarządzający
- Manipulacja
- sposób
- Margines
- rynek
- manipulacji na rynku
- Marketing
- rynki
- mistrzowski
- matematyczny
- Może..
- Media
- Pamięć
- wspomina
- ML
- model
- modelowanie
- modele
- Nowoczesne technologie
- zmodernizować
- monitorowanie
- jeszcze
- większość
- Kino
- przeniesienie
- MS
- wielokrotność
- musi
- Nazwa
- Nazwy
- Naturalny
- Przetwarzanie języka naturalnego
- Natura
- niezbędny
- wymaga
- Potrzebować
- wymagania
- ujemny
- netto
- Nowości
- Nowe produkty
- aktualności
- nlp
- notatnik
- już dziś
- numer
- więzy
- of
- poza
- Oferty
- Oferty
- on
- ONE
- operacyjny
- operacje
- Optymalny
- optymalizacja
- Optymalizacja
- zoptymalizowane
- or
- zamówienie
- organizacji
- Inne
- ludzkiej,
- na zewnątrz
- zewnętrzne
- ogólny
- część
- przebiegi
- patent
- Zapłacić
- Peking
- procent
- wykonać
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywane
- PhD
- Zwroty
- krok po kroku
- plany
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- Proszę
- punkt
- polityka
- Popularny
- popularność
- teczka
- stwarza
- position
- Post
- potencjał
- power
- powered
- Ciśnienia
- poprzedni
- poprzednio
- Cena
- Cennik
- wycena
- głównie
- pierwotny
- Wcześniejszy
- wygląda tak
- przetwarzanie
- wydajność
- Produkty
- Zysk
- rentowność
- zyski
- Postęp
- zapewniać
- zapewnia
- opublikowany
- Python
- jakość
- ilościowy
- Kwartał
- zapytania
- pytanie
- pytania
- szybko
- zacytować
- zasięg
- ceny
- stosunek
- RE
- gotowy
- w czasie rzeczywistym
- niedawny
- uznanie
- nagranie
- odnosić się
- związane z
- względny
- pamiętać
- powtarzalne
- raport
- Zgłoszone
- Raportowanie
- Raporty
- wymagany
- Wymaga
- Badania naukowe
- Zasoby
- Odpowiadać
- odpowiedź
- Odpowiedzi
- dalsze
- Efekt
- detaliczny
- powrót
- wielokrotnego użytku
- dochód
- wzrost przychodu
- prawo
- Ryzyko
- ryzyko
- krzepki
- rutyna
- run
- działa
- s
- S&P
- sagemaker
- sole
- taki sam
- zapisywane
- oszczędność
- skalowalny
- Skala
- scenariusz
- scenariusze
- nauka
- wynik
- Sdk
- Szukaj
- wyszukiwania
- druga
- Sekcja
- działy
- bezpieczne
- widzieć
- widzenie
- poszukuje
- Poszukuje
- wydaje
- wybór
- SAMEGO SIEBIE
- senior
- sentyment
- uczucia
- Serie
- usługa
- Usługi
- Sesja
- ona
- krótkoterminowy
- płynność krótkoterminowa
- powinien
- prezentacja
- pokazane
- Targi
- zamknąć
- znaczący
- podobny
- Prosty
- umiejętności
- Obserwuj Nas
- Media społecznościowe
- rozwiązanie
- Rozwiązania
- kilka
- wyrafinowany
- Źródło
- Źródła
- Południe
- South Florida
- Południowy
- specjalista
- specyficzny
- przemówienie
- Rozpoznawanie mowy
- prędkość
- Spędzanie
- rozpiętość
- normalizacja
- Stan
- statystyka
- pobyt
- Ewolucja krok po kroku
- Cel
- stany magazynowe
- Akcje
- Stop
- przechowywanie
- sklep
- przechowywany
- sklep
- przechowywania
- Strategiczny
- Strategia
- Wzmacniać
- Struktura
- zbudowany
- studio
- subskrypcja
- subskrypcje
- taki
- odpowiedni
- apartament
- streszczać
- PODSUMOWANIE
- dostawcy
- Dostawa
- łańcuch dostaw
- zarządzanie łańcuchem dostaw
- wsparcie
- Wspierający
- podpory
- pewnie
- Szwajcaria
- system
- systemy
- stół
- biorąc
- Zadanie
- zadania
- zespół
- Techniczny
- Technologies
- Technologia
- szablon
- texas
- XNUMX
- że
- Połączenia
- Przyszłość
- Informacje
- Źródło
- ich
- Im
- następnie
- Tam.
- a tym samym
- Te
- one
- rzecz
- to
- chociaż?
- grozić
- trzy
- Przez
- czas
- Szereg czasowy
- do
- narzędzie
- Zestaw narzędzi
- narzędzia
- Top
- aktualny
- Kwota produktów:
- Handel
- Pociąg
- Transkrypcja
- Przekształcać
- Transformacja
- transport
- Podróżowanie
- Trendy
- drugiej
- rodzaj
- typy
- ui
- zrozumieć
- zrozumienie
- uniwersytet
- odblokować
- odblokowywanie
- zbliżających
- zaktualizowane
- us
- posługiwać się
- używany
- Użytkownik
- Użytkownicy
- zastosowania
- za pomocą
- wykorzystany
- wykorzystuje
- Cenny
- wartość
- różnorodność
- różnorodny
- Wersje
- przez
- Wideo
- kłęby
- była
- oglądania
- Woda
- Droga..
- sposoby
- we
- sieć
- usługi internetowe
- DOBRZE
- były
- Co
- jeśli chodzi o komunikację i motywację
- który
- KIM
- szeroki
- Szeroki zasięg
- będzie
- w
- w ciągu
- Praca
- pracował
- workflow
- rok
- lat
- You
- Twój
- zefirnet