Os dados multimodais são um componente valioso do setor financeiro, abrangendo dados de mercado, econômicos, de clientes, notícias e mídias sociais, além de dados de risco. As organizações financeiras geram, coletam e usam esses dados para obter insights sobre operações financeiras, tomar melhores decisões e melhorar o desempenho. No entanto, existem desafios associados aos dados multimodais devido à complexidade e à falta de normalização nos sistemas financeiros e nos formatos e qualidade dos dados, bem como à natureza fragmentada e não estruturada dos dados. Os clientes financeiros descrevem frequentemente a sobrecarga operacional de obter informações financeiras a partir de dados multimodais, o que exige uma lógica complexa de extração e transformação, levando a esforços e custos inchados. Os desafios técnicos com dados multimodais incluem ainda a complexidade de integração e modelação de diferentes tipos de dados, a dificuldade de combinar dados de múltiplas modalidades (texto, imagens, áudio, vídeo) e a necessidade de competências avançadas em ciência da computação e ferramentas de análise sofisticadas.
Uma das formas de lidar com dados multimodais que está ganhando popularidade é o uso de agentes multimodais. Agentes multimodais são sistemas de IA que podem compreender e analisar dados em múltiplas modalidades usando as ferramentas certas em seu kit de ferramentas. Eles são capazes de conectar insights entre esses diversos tipos de dados para obter uma compreensão mais abrangente e gerar respostas apropriadas. Os agentes multimodais, em conjunto com a IA generativa, estão a encontrar uma aplicação generalizada nos mercados financeiros. A seguir estão alguns casos de uso populares:
- Relatórios inteligentes e inteligência de mercado – A IA pode analisar diversas fontes de informações financeiras para gerar relatórios de inteligência de mercado, auxiliando analistas, investidores e empresas a se manterem atualizados sobre as tendências. Os agentes multimodais podem resumir relatórios financeiros extensos rapidamente, economizando tempo e esforço significativos aos analistas.
- Modelagem quantitativa e previsão – Os modelos generativos podem sintetizar grandes volumes de dados financeiros para treinar modelos de aprendizado de máquina (ML) para aplicações como previsão de preços de ações, otimização de portfólio, modelagem de risco e muito mais. Modelos multimodais que compreendem diversas fontes de dados podem fornecer previsões mais robustas.
- Conformidade e detecção de fraude – Esta solução pode ser estendida para incluir ferramentas de monitoramento que analisam canais de comunicação como chamadas, e-mails, chats, registros de acesso e muito mais para identificar possíveis negociações com informações privilegiadas ou manipulação de mercado. A detecção de conluio fraudulento entre tipos de dados requer análise multimodal.
Um agente multimodal com IA generativa aumenta a produtividade de um analista financeiro ao automatizar tarefas repetitivas e rotineiras, liberando tempo para que os analistas se concentrem em trabalhos de alto valor. Agentes multimodais podem ampliar a capacidade de um analista de obter insights auxiliando na pesquisa e análise. Os agentes multimodais também podem gerar análises quantitativas e modelos financeiros aprimorados, permitindo que os analistas trabalhem com mais rapidez e precisão.
A implementação de um agente multimodal com a AWS consolida os principais insights de diversos dados estruturados e não estruturados em grande escala. Os agentes multimodais podem combinar facilmente o poder das ofertas generativas de IA de Rocha Amazônica e JumpStart do Amazon SageMaker com os recursos de processamento de dados do AWS Analytics e serviços de IA/ML para fornecer soluções ágeis que permitem aos analistas financeiros analisar e coletar insights de dados multimodais de maneira eficiente, de maneira segura e escalonável na AWS. A Amazon oferece um conjunto de serviços de IA que permitem processamento de linguagem natural (PNL), reconhecimento de fala, extração de texto e pesquisa:
- Amazon Comprehend é um serviço de PNL que pode analisar texto em busca de frases-chave e analisar sentimentos
- amazontext é um serviço inteligente de processamento de documentos que pode extrair com precisão texto e dados de documentos
- Amazon Transcribe é um serviço de reconhecimento automático de fala que pode converter fala em texto
- Amazona Kendra é um serviço de pesquisa empresarial desenvolvido com ML para encontrar informações em uma variedade de fontes de dados, incluindo documentos e bases de conhecimento
Nesta postagem, apresentamos um cenário em que um analista financeiro interage com os dados multimodais da organização, residindo em armazenamentos de dados específicos, para coletar insights financeiros. Na interação, demonstramos como os agentes multimodais planejam e executam a consulta do usuário e recuperam os resultados das fontes de dados relevantes. Tudo isso é conseguido usando os serviços da AWS, aumentando assim a eficiência do analista financeiro para analisar dados financeiros multimodais (texto, fala e dados tabulares) de forma holística.
A captura de tela a seguir mostra um exemplo da IU.
Visão geral da solução
O diagrama a seguir ilustra a arquitetura conceitual para usar IA generativa com dados multimodais usando agentes. As etapas envolvidas são as seguintes:
- O analista financeiro faz perguntas por meio de uma plataforma como chatbots.
- A plataforma utiliza uma estrutura para determinar a ferramenta de agente multimodal mais adequada para responder à pergunta.
- Uma vez identificada, a plataforma executa o código que está vinculado à ferramenta previamente identificada.
- A ferramenta gera uma análise dos dados financeiros solicitada pelo analista financeiro.
- Ao resumir os resultados, os grandes modelos de linguagem recuperam e reportam ao analista financeiro.
Arquitetura técnica
O agente multimodal orquestra várias ferramentas com base em instruções de linguagem natural de usuários corporativos para gerar insights. Para dados não estruturados, o agente usa AWS Lambda funciona com serviços de IA, como Amazon Textract para análise de documentos, Amazon Transcribe para reconhecimento de fala, Amazon Comprehend para PNL e Amazon Kendra para pesquisa inteligente. Para dados estruturados, o agente usa SQL Connector e SQLAlchemy para analisar bancos de dados, o que inclui Amazona atena. O agente também utiliza Python no Lambda e o Amazon Sage Maker SDK para cálculos e modelagem quantitativa. O agente também possui memória de longo prazo para armazenar prompts e resultados em Amazon DynamoDB. O agente multimodal reside em um notebook SageMaker e coordena essas ferramentas com base em instruções em inglês de usuários corporativos em uma UI Streamlit.
Os principais componentes da arquitetura técnica são os seguintes:
- Armazenamento e análise de dados – Os registros trimestrais de ganhos financeiros como arquivos de áudio, relatórios financeiros anuais como arquivos PDF e dados de ações da S&P como arquivos CSV são hospedados em Serviço de armazenamento simples da Amazon (Amazon S3). A exploração de dados de ações é feita usando Athena.
- Modelos de grande linguagem – Os grandes modelos de linguagem (LLMs) estão disponíveis via Amazon Bedrock, SageMaker JumpStart ou uma API.
- Agentes – Usamos os agentes da LangChain para uma cadeia não predeterminada de chamadas como entrada do usuário para LLMs e outras ferramentas. Nesses tipos de cadeias, existe um agente que tem acesso a um conjunto de ferramentas. Cada ferramenta foi construída para uma tarefa específica. Dependendo da entrada do usuário, o agente decide a ferramenta ou uma combinação de ferramentas para ligar para responder à pergunta. Criamos as seguintes ferramentas de agente específicas para nosso cenário:
- Ferramenta de consulta de ações – Para consultar dados de ações S&P usando Athena e SQLAlchemy.
- Ferramenta de otimização de portfólio – Construir uma carteira com base nas ações escolhidas.
- Ferramenta de pesquisa de informações financeiras – Para pesquisar informações de ganhos financeiros armazenadas em arquivos PDF de várias páginas usando o Amazon Kendra.
- Ferramenta de cálculo Python – Para usar em cálculos matemáticos.
- Ferramenta de análise de sentimento – Para identificar e pontuar sentimentos sobre um tópico usando o Amazon Comprehend.
- Ferramenta de detecção de frases – Para encontrar frases-chave em relatórios trimestrais recentes usando o Amazon Comprehend.
- Ferramenta de extração de texto – Para converter as versões PDF dos relatórios trimestrais em arquivos de texto usando Amazon Textract.
- Ferramenta de transcrição de áudio – Para converter gravações de áudio em arquivos de texto usando Amazon Transcribe.
A memória do agente que contém a cadeia de interações do usuário com o agente é salva no DynamoDB.
As seções a seguir explicam algumas das etapas principais com código associado. Para se aprofundar na solução e no código de todas as etapas mostradas aqui, consulte o GitHub repo.
Pré-requisitos
Para executar esta solução, você deve ter uma chave de API para um LLM, como o Anthropic Claude v2, ou ter acesso aos modelos básicos do Amazon Bedrock.
Para gerar respostas de dados estruturados e não estruturados usando LLMs e LangChain, você precisa acessar LLMs por meio de Amazon Bedrock, SageMaker JumpStart ou chaves de API e usar bancos de dados compatíveis com SQLAlchemy. Gerenciamento de acesso e identidade da AWS (IAM) também são necessárias, cujos detalhes você pode encontrar no repositório GitHub.
Componentes principais de um agente multimodal
Existem alguns componentes principais do agente multimodal:
- Funções definidas para ferramentas do agente multimodal
- Ferramentas definidas para o agente multimodal
- Memória de longo prazo para o agente multimodal
- Agente multimodal baseado em planejador-executor (definido com ferramentas, LLMs e memória)
Nesta seção, ilustramos os principais componentes com trechos de código associados.
Funções definidas para ferramentas do agente multimodal
O agente multimodal precisa usar vários serviços de IA para processar diferentes tipos de dados – texto, fala, imagens e muito mais. Algumas dessas funções podem precisar chamar serviços de IA da AWS, como Amazon Comprehend para analisar texto, Amazon Textract para analisar imagens e documentos e Amazon Transcribe para converter fala em texto. Essas funções podem ser chamadas localmente no agente ou implantadas como funções Lambda que o agente pode invocar. As funções Lambda chamam internamente os serviços relevantes de IA da AWS e retornam os resultados ao agente. Essa abordagem modulariza a lógica e torna o agente mais sustentável e extensível.
A função a seguir define como calcular o portfólio otimizado com base nas ações escolhidas. Uma maneira de converter uma função baseada em Python em uma ferramenta LLM é usar o Ferramenta Base embrulho.
A seguir está o código para o Lambda chamar as APIs do serviço AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):
Ferramentas definidas para o agente multimodal
O agente multimodal tem acesso a diversas ferramentas para viabilizar sua funcionalidade. Ele pode consultar um banco de dados de ações para responder perguntas sobre ações. Pode otimizar um portfólio usando uma ferramenta dedicada. Ele pode recuperar informações do Amazon Kendra, o serviço de pesquisa empresarial da Amazon. Uma ferramenta Python REPL permite que o agente execute código Python. Um exemplo da estrutura das ferramentas, incluindo seus nomes e descrições, é mostrado no código a seguir. A caixa de ferramentas real desta postagem possui oito ferramentas: Ferramenta de consulta de ações, ferramenta de otimização de portfólio, ferramenta de pesquisa de informações financeiras, ferramenta de cálculo Python, ferramenta de análise de sentimento, ferramenta de detecção de frases, ferramenta de extração de texto e ferramenta de transcrição de áudio.
Memória de longo prazo para o agente multimodal
O código a seguir ilustra a configuração da memória de longo prazo para o agente multimodal. Neste código, a tabela DynamoDB é adicionada como memória para armazenar prompts e respostas para referência futura.
Agente multimodal baseado em planejador-executor
A planejador-executor A arquitetura de agente multimodal baseada tem dois componentes principais: um planejador e um executor. O planejador gera um plano de alto nível com as etapas necessárias para executar e responder à pergunta imediata. O executor então executa esse plano gerando respostas de sistema apropriadas para cada etapa do plano usando o modelo de linguagem com as ferramentas necessárias. Veja o seguinte código:
Cenários de exemplo baseados em perguntas feitas por analistas financeiros
Nesta seção, exploramos dois cenários de exemplo para ilustrar as etapas ponta a ponta executadas pelo agente multimodal com base nas perguntas feitas pelo analista financeiro.
Cenário 1: Perguntas do analista financeiro relacionadas a dados estruturados
Nesse cenário, o analista financeiro faz uma pergunta em inglês relacionada às ações das empresas ao agente multimodal. O agente multimodal LangChain apresenta um plano de várias etapas e decide quais ferramentas usar para cada etapa. O diagrama a seguir ilustra um exemplo de fluxo de trabalho com as seguintes etapas:
- O analista financeiro faz uma pergunta financeira em inglês por meio da UI ao agente multimodal.
- O agente identifica que necessita da ferramenta de banco de dados para responder à pergunta. Ele gera uma consulta SQL usando um LLM baseado na pergunta e consulta o banco de dados Athena.
- O Athena executa a consulta SQL, recupera o resultado relevante (série temporal dos preços das ações das cinco empresas) e passa o resultado com os dados relevantes para o agente.
- O agente identifica que necessita de uma segunda ferramenta para responder à pergunta. Ele passa os dados recuperados para a ferramenta Python para otimização do portfólio.
- A ferramenta Python calcula o portfólio ideal necessário, incluindo pesos, e passa a resposta para o LLM dentro do agente.
- O agente compila as informações e cálculos necessários usando o LLM e responde à análise financeira por meio da UI em inglês.
O analista financeiro faz a seguinte pergunta:
"Quais são os preços de fechamento das ações AAAA, WWW, DDD no ano de 2018? Você consegue construir um portfólio otimizado usando essas três ações?"
O código a seguir mostra as etapas identificadas pelo planejador do agente multimodal:
O agente traduziu o prompt de pergunta na seguinte consulta SQL:
O código a seguir mostra a resposta final do agente multimodal com base na pergunta:
Cenário 2: Perguntas do analista financeiro relacionadas a dados não estruturados
Nesse cenário, um analista financeiro faz diversas perguntas sobre a saúde financeira da empresa ao agente multimodal. O agente invoca dois agentes de ferramentas, Amazon Kendra com dados não estruturados e uma ferramenta de computação Python, para coletar informações e realizar os cálculos necessários. O agente então compila as informações das ferramentas utilizando seu modelo de linguagem e fornece a resposta completa ao analista. A chave deste cenário é que o agente possa lembrar as perguntas e respostas das perguntas anteriores e incorporar o contexto na conversa. O diagrama a seguir ilustra o fluxo de trabalho, que consiste nas seguintes etapas:
- O analista financeiro faz uma pergunta financeira em inglês por meio da UI ao agente multimodal.
- O agente identifica que requer a ferramenta Amazon Kendra para responder à pergunta e invoca a ferramenta do agente Amazon Kendra.
- O Amazon Kendra pesquisa o corpus de dados não estruturados no Amazon S3 e recupera o documento relevante que contém a resposta.
- Usando a geração aumentada de recuperação (RAG), o Amazon Kendra passa a resposta do documento relevante para o LLM dentro do agente.
- O agente identifica que necessita de uma segunda ferramenta para responder à segunda parte da questão. Ele passa informações da primeira ferramenta para a ferramenta de computação Python.
- A ferramenta Python calcula a proporção necessária e passa a resposta para o LLM dentro do agente.
- O agente compila as informações e cálculos necessários usando o LLM e responde ao analista financeiro por meio da UI.
A seguir estão perguntas e respostas entre o analista e o agente multimodal.
O agente responde à pergunta “Qual é o prejuízo líquido da Amazon no ano fiscal que termina em dezembro de 2022?” com “A Amazon relatou vendas líquidas totais de US$ 514.0 bilhões e um prejuízo líquido de US$ 2.7 bilhões no ano fiscal de 2022”. A fonte é o relatório Amazon 10K para o ano fiscal encerrado em dezembro de 2022, recuperado usando o Retrive_Kendra
Tool.
Para a pergunta “Qual é o prejuízo líquido no mesmo ano?” o agente responde “US$ 2.7 bilhões”. A fonte é o relatório Amazon 10K para o ano fiscal encerrado em dezembro de 2022, recuperado usando o Retrive_Kendra
Ferramenta. Observe que embora a pergunta seja semelhante à segunda pergunta, esta pergunta não especificou o nome da empresa ou o número do ano. No entanto, o agente conseguiu usar o nome e o ano corretos da empresa com base no contexto na memória da conversa.
Para a pergunta “Qual é a fórmula para o Índice de Margem de Lucro Líquido, que é um tipo de índice de lucratividade?” o agente responde “A Amazon relatou vendas líquidas totais de US$ 514.0 bilhões e um prejuízo líquido de US$ 2.7 bilhões no ano fiscal de 2022. A taxa de margem de lucro líquido da Amazon para o ano fiscal de 2022 é de -0.5%.” A fonte é Retrieve_Kendra
e PythonREPLTool().
Mergulhe mais fundo na solução
Para se aprofundar na solução e no código mostrado nesta postagem, confira o GitHub repo.
No repositório GitHub, você poderá encontrar um notebook Python que possui a solução ponta a ponta, um Formação da Nuvem AWS modelo para provisionamento da infraestrutura, dados não estruturados (arquivos PDF de relatórios de lucros, arquivos de áudio de chamadas de lucros) e dados estruturados (séries temporais de ações).
No apêndice ao final, foram tabuladas diferentes perguntas feitas pelo analista financeiro, ferramentas do agente invocadas e a resposta do agente multimodal.
limpar
Depois de executar o agente multimodal, certifique-se de limpar todos os recursos que não serão utilizados. Desligue e exclua os bancos de dados usados (Athena). Além disso, exclua os dados no Amazon S3 e interrompa todas as instâncias de notebook do SageMaker Studio para não incorrer em cobranças adicionais. Exclua as funções do Lambda e as tabelas do DynamoDB como parte da memória de longo prazo que não são usadas. Se você usou o SageMaker JumpStart para implantar um LLM como um endpoint em tempo real do SageMaker, exclua o endpoint por meio do console do SageMaker ou do SageMaker Studio.
Conclusão
Esta postagem demonstrou a ampla variedade de serviços de armazenamento, IA/ML e computação da AWS que você pode usar para construir uma solução avançada de IA multimodal junto com a estrutura LangChain e IA generativa. Ao integrar tecnologias de PNL, reconhecimento de fala e ML, o agente multimodal desenvolvido neste cenário é capaz de analisar diversas modalidades de dados financeiros (estruturados e não estruturados) e responder a prompts em linguagem natural (inglês). Isto aumenta a produtividade e a eficiência dos analistas financeiros, permitindo-lhes concentrar-se em trabalhos estratégicos de alto valor. As soluções multimodais de IA desenvolvidas pela AWS têm o potencial de transformar os mercados financeiros, automatizando tarefas repetitivas, aprimorando as capacidades humanas e gerando insights baseados em dados de forma eficiente. Para dados estruturados, uma arquitetura de dados moderna com vários bancos de dados pode ser incorporada com IA generativa e LLM. Para mais detalhes, consulte Reinventando a experiência de dados: use IA generativa e arquitetura de dados moderna para desbloquear insights. Além disso, consulte Rocha Amazônica para casos de uso de IA generativa, modelos básicos e grandes modelos de linguagem.
Apêndice
A tabela a seguir contém exemplos de perguntas feitas por um analista financeiro ao agente multimodal com base em dados estruturados e não estruturados.
Objetivo da pergunta | Pergunta feita por analistas financeiros por meio da UI | Ferramentas de agente invocadas | Serviços primários da AWS usados pelas ferramentas do agente | Resposta do agente multimodal |
Solicitar ao agente LangChain para pré-processar e extrair informações dos dados coletados | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Ferramenta de extração de texto |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Solicite ao agente LangChain para transcrever as gravações de áudio em textos | 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. |
Solicitar ao agente LangChain que analise a saúde e o desempenho financeiro da empresa | 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. |
Solicitar ao agente LangChain que analise o desempenho financeiro da empresa a partir dos relatórios de lucros da empresa | 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. |
Solicite ao agente LangChain que analise a equipe de gestão da empresa e seus planos para o futuro a partir dos relatórios de lucros da empresa | 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. |
Solicitar ao agente LangChain que analise a estratégia da empresa a partir dos relatórios de lucros da empresa | 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. |
Solicitar ao agente LangChain para realizar uma análise de sentimento nas gravações de chamadas de ganhos | 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. |
Solicite ao agente LangChain que construa um portfólio ideal usando os dados coletados | 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%' |
Sobre os autores
Sovik Kumar Nath é um arquiteto de soluções AI/ML da AWS. Ele tem uma vasta experiência no desenvolvimento de soluções completas de aprendizado de máquina e análise de negócios em finanças, operações, marketing, saúde, gerenciamento da cadeia de suprimentos e IoT. Sovik publicou artigos e detém uma patente em monitoramento de modelo ML. Ele tem mestrado duplo pela University of South Florida, University of Fribourg, Suíça, e bacharelado pelo Indian Institute of Technology, Kharagpur. Fora do trabalho, Sovik gosta de viajar, fazer passeios de balsa e assistir a filmes.
Mohan Musti é gerente técnico sênior de contas baseado em Dallas. Mohan ajuda os clientes a arquitetar e otimizar aplicações na AWS. Mohan possui Ciência da Computação e Engenharia pela Universidade JNT, Índia. Nas horas vagas, gosta de passar tempo com a família e acampar.
Jia (Vivian) Li é arquiteto de soluções sênior na AWS, com especialização em IA/ML. Atualmente, ela oferece suporte a clientes do setor financeiro. Antes de ingressar na AWS em 2022, ela tinha 7 anos de experiência no suporte a clientes corporativos que usam IA/ML na nuvem para gerar resultados de negócios. Vivian possui bacharelado pela Universidade de Pequim e doutorado pela Universidade do Sul da Califórnia. Nas horas vagas, ela gosta de todas as atividades aquáticas e de caminhadas nas belas montanhas de seu estado natal, Colorado.
Uchenna Egbe é um arquiteto de soluções AIML que gosta de criar soluções AIML reutilizáveis. Uchenna possui mestrado pela University of Alaska Fairbanks. Ele passa seu tempo livre pesquisando sobre ervas, chás, superalimentos e como incorporá-los em sua dieta diária.
Navneet Tuteja é especialista em dados da Amazon Web Services. Antes de ingressar na AWS, Navneet trabalhou como facilitador para organizações que buscam modernizar suas arquiteturas de dados e implementar soluções abrangentes de IA/ML. Ela é formada em engenharia pela Thapar University e tem mestrado em estatística pela Texas A&M University.
Praful Kava é arquiteto de soluções especialista sênior na AWS. Ele orienta os clientes a projetar e projetar pipelines de análise em escala de nuvem na AWS. Fora do trabalho, ele gosta de viajar com a família e explorar novas trilhas para caminhadas.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :tem
- :é
- :não
- :onde
- ][p
- $UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- habilidade
- Capaz
- Sobre
- Acesso
- Conta
- Contas
- precisão
- exatamente
- alcançado
- Alcança
- em
- atividades
- real
- adicionado
- Adição
- avançado
- Vantagem
- Agente
- agentes
- ágil
- AI
- Serviços de IA
- Sistemas de IA
- AI / ML
- AIML
- visa
- ALASKA
- Todos os Produtos
- alocação
- Permitindo
- permite
- juntamente
- tb
- Apesar
- Amazon
- Amazon Comprehend
- Amazona Kendra
- amazontext
- Amazon Transcribe
- Amazon Web Services
- an
- análise
- analista
- Analistas
- analítica
- analisar
- análise
- e
- anual
- responder
- respostas
- Antrópico
- qualquer
- api
- CHAVES DE API
- APIs
- Aplicação
- aplicações
- abordagem
- apropriado
- arquitetura
- SOMOS
- por aí
- artigos
- AS
- perguntar
- Ativos
- ajudando
- associado
- At
- auditivo
- aumentado
- Automático
- automatizando
- disponível
- AWS
- em caminho duplo
- baseado
- BE
- bonita
- sido
- antes
- ser
- Melhor
- entre
- O maior
- bilhão
- aumenta
- Caixa
- construir
- Prédio
- construído
- negócio
- by
- calcular
- calcula
- Cálculo
- cálculos
- Califórnia
- chamada
- chamado
- chamada
- chamadas
- CAN
- capacidades
- casos
- cadeia
- correntes
- desafios
- Alterações
- canais
- acusações
- chatbots
- verificar
- escolhido
- clientes
- encerramento
- Na nuvem
- código
- coletar
- Colorado
- combinação
- combinar
- combinando
- vem
- vinda
- Comunicação
- Empresas
- Empresa
- Empresa
- compatível
- competição
- competitivo
- integrações
- complexidade
- componente
- componentes
- compreender
- compreensivo
- cálculos
- Computar
- computador
- Ciência da Computação
- conceptual
- Interesse
- Configuração
- conjunção
- Contato
- consiste
- cônsul
- Consolida
- consumidor
- contém
- contexto
- contínuo
- contribuindo
- Conversa
- converter
- correta
- Custo
- custos
- poderia
- criado
- Atual
- Atualmente
- cliente
- experiência do cliente
- Clientes
- diariamente
- Dallas
- dados,
- informática
- orientado por dados
- banco de dados
- bases de dados
- Data
- Dezembro
- decisões
- dedicado
- mais profunda
- definido
- Define
- Grau
- Demanda
- demonstrar
- demonstraram
- Dependendo
- implantar
- implantado
- descrito
- descrição
- Design
- concepção
- detalhes
- descobrir
- Detecção
- Determinar
- desenvolvido
- Dieta
- diferente
- Dificuldade
- mergulho
- diferente
- diversificar
- do
- documento
- INSTITUCIONAIS
- feito
- duplo
- down
- distância
- dirigido
- Drivers
- dois
- cada
- Ganhando
- Ganhos
- ganhos chamar
- facilmente
- Econômico
- eficiência
- eficiente
- eficientemente
- esforço
- ou
- e-mails
- emerge
- permitir
- permitindo
- abrangente
- final
- end-to-end
- fim
- Ponto final
- engenheiro
- Engenharia
- Inglês
- aprimorada
- aprimorando
- entrar
- Empreendimento
- Entretenimento
- especialmente
- Mesmo
- exemplo
- Excelência
- exchange
- existente
- expandido
- expansão
- expansão
- vasta experiência
- Explicação
- exploração
- explorar
- Explorando
- extenso
- Experiência Extensiva
- extrato
- Extração
- Facilitador
- enfrentando
- família
- mais rápido
- poucos
- Arquivos
- limalha
- final
- financiar
- financeiro
- dados financeiros
- informação financeira
- desempenho financeiro
- sistemas financeiros
- Encontre
- descoberta
- Primeiro nome
- Fiscal
- cinco
- florida
- Foco
- focando
- seguinte
- segue
- Escolha
- previsões
- formato
- Fórmula
- Foundation
- fragmentado
- Quadro
- fraude
- detecção de fraude
- fraudulento
- Gratuito
- freqüentemente
- da
- Combustível
- cheio
- função
- funcionalidade
- funções
- mais distante
- futuro
- Ganho
- ganhando
- reunir
- gerar
- gera
- gerando
- geração
- generativo
- IA generativa
- gif
- GitHub
- Objetivos
- Bom estado, com sinais de uso
- maior
- cresceu
- Cresça:
- Growth
- Guias
- tinha
- manipular
- Ter
- he
- Saúde
- saúde
- ajuda
- sua experiência
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- Alta
- de alto nível
- superior
- sua
- detém
- Início
- hospedado
- Como funciona o dobrador de carta de canal
- Como Negociar
- Contudo
- http
- HTTPS
- humano
- i
- identificado
- identifica
- identificar
- Identidade
- if
- ilustra
- imagens
- executar
- importante
- melhorar
- melhorar
- in
- incluir
- inclui
- Incluindo
- incorporar
- Incorporado
- Crescimento
- aumentou
- aumentando
- Índia
- indiano
- indústria
- inflação
- Inflacionário
- Pressões inflacionárias
- INFORMAÇÕES
- Infraestrutura
- inovar
- Inovação
- entrada
- Informante
- operações de iniciados
- insights
- Instituto
- Integração
- Inteligência
- Inteligente
- Processamento inteligente de documentos
- interação
- interações
- interage
- internamente
- para dentro
- Investir
- investir
- Investidores
- invocado
- invoca
- envolvido
- iot
- IT
- ESTÁ
- juntando
- jpg
- Chave
- chaves
- Conhecimento
- Kumar
- Falta
- língua
- grande
- principal
- aprendizagem
- Alavancagem
- como
- LIMITE
- ligado
- Liquidez
- Lista
- LLM
- localmente
- lógica
- longo prazo
- olhar
- pesquisa
- fora
- Baixo
- máquina
- aprendizado de máquina
- a Principal
- Sustentável
- fazer
- FAZ
- de grupos
- e facilitação de projetos
- Manipulação
- maneira
- Margem
- mercado
- manipulação de mercado
- Marketing
- Mercados
- mestre
- matemático
- Posso..
- Mídia
- Memória
- menções
- ML
- modelo
- modelagem
- modelos
- EQUIPAMENTOS
- modernizar
- monitoração
- mais
- a maioria
- Filmes
- em movimento
- MS
- múltiplo
- devo
- nome
- nomes
- natural
- Processamento de linguagem natural
- Natureza
- necessário
- requer
- você merece...
- Cria
- negativo
- líquido
- Novo
- novos produtos
- notícias
- PNL
- caderno
- agora
- número
- títulos
- of
- WOW!
- Ofertas
- Oferece
- on
- ONE
- operacional
- Operações
- ideal
- otimização
- Otimize
- otimizado
- or
- ordem
- organizações
- Outros
- A Nossa
- Fora
- lado de fora
- global
- parte
- passes
- patente
- Pagar
- Pequim
- percentagem
- Realizar
- atuação
- realizada
- phd
- Frases
- plano
- planos
- plataforma
- platão
- Inteligência de Dados Platão
- PlatãoData
- por favor
- ponto
- políticas
- Popular
- popularidade
- pasta
- coloca
- posição
- Publique
- potencial
- poder
- alimentado
- pressões
- anterior
- anteriormente
- preço
- Valores
- preços
- principalmente
- primário
- Prévio
- processo
- em processamento
- produtividade
- Produtos
- Lucro
- rentabilidade
- lucros
- Progresso
- fornecer
- fornece
- publicado
- Python
- qualidade
- quantitativo
- Trimestre
- consultas
- questão
- Frequentes
- rapidamente
- citar
- alcance
- Preços
- relação
- RE
- pronto
- em tempo real
- recentemente
- reconhecimento
- gravação
- referir
- relacionado
- relativo
- relevante
- lembrar
- repetitivo
- Denunciar
- Informou
- Relatórios
- Relatórios
- requeridos
- exige
- pesquisa
- Recursos
- Responder
- resposta
- respostas
- resultar
- Resultados
- varejo
- retorno
- reutilizável
- receita
- Crescimento da receita
- certo
- Risco
- riscos
- uma conta de despesas robusta
- rotina
- Execute
- é executado
- s
- S&P
- sábio
- vendas
- mesmo
- salvo
- poupança
- escalável
- Escala
- cenário
- cenários
- Ciência
- Ponto
- Sdk
- Pesquisar
- pesquisas
- Segundo
- Seção
- seções
- seguro
- Vejo
- visto
- busca
- Procura
- parece
- doadores,
- AUTO
- senior
- sentimento
- sentimentos
- Série
- serviço
- Serviços
- Sessão
- ela
- assistência técnica de curto e longo prazo
- liquidez de curto prazo
- rede de apoio social
- mostrar
- mostrando
- Shows
- Encerre
- periodo
- semelhante
- simples
- Habilidades
- Redes Sociais
- meios de comunicação social
- solução
- Soluções
- alguns
- sofisticado
- fonte
- Fontes
- Sul
- Sul da Flórida
- do sul
- especialista
- específico
- discurso
- Reconhecimento de Voz
- velocidade
- Passar
- propagação
- estandardização
- Estado
- estatística
- ficar
- Passo
- Passos
- estoque
- Ações
- Dê um basta
- armazenamento
- loja
- armazenadas
- lojas
- armazenar
- Estratégico
- Estratégia
- Fortalecer
- estrutura
- estruturada
- estudo
- tudo incluso
- assinaturas
- tal
- adequado
- suíte
- resumir
- RESUMO
- fornecedores
- supply
- cadeia de suprimentos
- gestão da cadeia de abastecimento
- ajuda
- Apoiar
- suportes
- certo
- Suíça
- .
- sistemas
- mesa
- tomar
- Tarefa
- tarefas
- Profissionais
- Dados Técnicos:
- Tecnologias
- Tecnologia
- modelo
- texas
- texto
- que
- A
- O Futuro
- as informações
- A fonte
- deles
- Eles
- então
- Lá.
- assim
- Este
- deles
- coisa
- isto
- Apesar?
- ameaçar
- três
- Através da
- tempo
- Séries temporais
- para
- ferramenta
- kit de ferramentas
- ferramentas
- topo
- tópico
- Total
- Trading
- Trem
- Cópia
- Transformar
- Transformação
- transporte
- Viagens
- Tendências
- dois
- tipo
- tipos
- ui
- compreender
- compreensão
- universidade
- destravar
- Desbloqueio
- os próximos
- Atualizada
- us
- usar
- usava
- Utilizador
- usuários
- usos
- utilização
- utilizado
- utiliza
- Valioso
- valor
- variedade
- vário
- versões
- via
- Vídeo
- volumes
- foi
- assistindo
- Água
- Caminho..
- maneiras
- we
- web
- serviços web
- BEM
- foram
- O Quê
- quando
- qual
- QUEM
- Largo
- Ampla variedade
- precisarão
- de
- dentro
- Atividades:
- trabalhou
- de gestão de documentos
- ano
- anos
- Vocês
- investimentos
- zefirnet