Večmodalni podatki so dragocen sestavni del finančne industrije, ki zajema podatke o trgu, gospodarstvu, strankah, novicah in družbenih medijih ter podatke o tveganjih. Finančne organizacije ustvarjajo, zbirajo in uporabljajo te podatke za pridobitev vpogleda v finančno poslovanje, sprejemanje boljših odločitev in izboljšanje uspešnosti. Vendar pa obstajajo izzivi, povezani z večmodalnimi podatki zaradi zapletenosti in pomanjkanja standardizacije v finančnih sistemih in oblikah podatkov ter kakovosti, pa tudi zaradi razdrobljene in nestrukturirane narave podatkov. Finančne stranke so pogosto opisovale operativne stroške pridobivanja finančnih vpogledov iz večmodalnih podatkov, kar zahteva zapleteno logiko ekstrakcije in preoblikovanja, kar vodi v prevelik trud in stroške. Tehnični izzivi z večmodalnimi podatki nadalje vključujejo zapletenost integracije in modeliranja različnih vrst podatkov, težave pri združevanju podatkov iz več modalitet (besedilo, slike, zvok, video) ter potrebo po naprednem znanju računalništva in sofisticiranih orodjih za analizo.
Eden od načinov obdelave večmodalnih podatkov, ki postaja vse bolj priljubljen, je uporaba večmodalnih agentov. Večmodalni agenti so sistemi umetne inteligence, ki lahko razumejo in analizirajo podatke v več modalitetah z uporabo pravih orodij v svojem kompletu orodij. Sposobni so povezati vpoglede v te različne vrste podatkov, da pridobijo celovitejše razumevanje in ustvarijo ustrezne odzive. Multimodalni agenti v povezavi z generativno umetno inteligenco najdejo široko uporabo na finančnih trgih. Sledi nekaj priljubljenih primerov uporabe:
- Pametno poročanje in tržna inteligenca – Umetna inteligenca lahko analizira različne vire finančnih informacij za ustvarjanje poročil o tržnih informacijah, s čimer pomaga analitikom, vlagateljem in podjetjem, da ostanejo na tekočem s trendi. Multimodalni agenti lahko hitro povzamejo dolga finančna poročila, kar analitikom prihrani veliko časa in truda.
- Kvantitativno modeliranje in napovedovanje – Generativni modeli lahko sintetizirajo velike količine finančnih podatkov za usposabljanje modelov strojnega učenja (ML) za aplikacije, kot so napovedovanje cen delnic, optimizacija portfelja, modeliranje tveganj in drugo. Večmodalni modeli, ki razumejo različne vire podatkov, lahko zagotovijo zanesljivejše napovedi.
- Skladnost in odkrivanje goljufij – To rešitev je mogoče razširiti tako, da vključuje orodja za spremljanje, ki analizirajo komunikacijske kanale, kot so klici, e-poštna sporočila, klepeti, dnevniki dostopa in drugo, da prepoznajo potencialno trgovanje z notranjimi informacijami ali tržno manipulacijo. Odkrivanje goljufivega dogovarjanja med vrstami podatkov zahteva večmodalno analizo.
Večmodalni agent z generativno umetno inteligenco povečuje produktivnost finančnega analitika z avtomatizacijo ponavljajočih se in rutinskih opravil, analitikom pa sprosti čas, da se osredotočijo na delo visoke vrednosti. Multimodalni agenti lahko povečajo analitikovo sposobnost pridobivanja vpogledov s pomočjo pri raziskavah in analizah. Multimodalni agenti lahko ustvarijo tudi izboljšano kvantitativno analizo in finančne modele, kar analitikom omogoča hitrejše in natančnejše delo.
Implementacija multimodalnega agenta z AWS združuje ključne vpoglede iz raznolikih strukturiranih in nestrukturiranih podatkov v velikem obsegu. Multimodalni agenti lahko enostavno združijo moč generativnih ponudb umetne inteligence iz Amazon Bedrock in Amazon SageMaker JumpStart z zmožnostmi obdelave podatkov iz storitev AWS Analytics in AI/ML za zagotavljanje agilnih rešitev, ki finančnim analitikom omogočajo učinkovito analizo in zbiranje vpogledov iz večmodalnih podatkov na varen in razširljiv način znotraj AWS. Amazon ponuja nabor storitev AI, ki omogočajo obdelavo naravnega jezika (NLP), prepoznavanje govora, ekstrakcijo besedila in iskanje:
- Amazonsko razumevanje je NLP storitev, ki lahko analizira besedilo za ključne fraze in analizira razpoloženje
- Amazonovo besedilo je storitev inteligentne obdelave dokumentov, ki lahko natančno izvleče besedilo in podatke iz dokumentov
- Amazonski prepis je storitev samodejnega prepoznavanja govora, ki lahko pretvori govor v besedilo
- Amazonska Kendra je storitev iskanja v podjetju, ki jo poganja ML za iskanje informacij v različnih virih podatkov, vključno z dokumenti in bazami znanja
V tem prispevku predstavljamo scenarij, v katerem finančni analitik komunicira z večmodalnimi podatki organizacije, ki se nahajajo v namensko zgrajenih shrambah podatkov, da zbere finančne vpoglede. V interakciji pokažemo, kako večmodalni agenti načrtujejo in izvajajo uporabniško poizvedbo ter pridobijo rezultate iz ustreznih podatkovnih virov. Vse to je doseženo s storitvami AWS, s čimer se poveča učinkovitost finančnega analitika za holistično analizo večmodalnih finančnih podatkov (besedilni, govorni in tabelarični podatki).
Naslednji posnetek zaslona prikazuje primer uporabniškega vmesnika.
Pregled rešitev
Naslednji diagram ponazarja konceptualno arhitekturo za uporabo generativne umetne inteligence z večmodalnimi podatki z uporabo agentov. Vključeni koraki so naslednji:
- Finančni analitik zastavlja vprašanja prek platforme, kot je chatbot.
- Platforma uporablja okvir za določanje najprimernejšega multimodalnega agentskega orodja za odgovor na vprašanje.
- Ko je identificirana, platforma izvaja kodo, ki je povezana s predhodno identificiranim orodjem.
- Orodje ustvari analizo finančnih podatkov na zahtevo finančnega analitika.
- Pri povzemanju rezultatov veliki jezikovni modeli pridobijo in poročajo finančnemu analitiku.
Tehnična arhitektura
Večmodalni agent orkestrira različna orodja, ki temeljijo na pozivih poslovnih uporabnikov v naravnem jeziku, da ustvarijo vpoglede. Za nestrukturirane podatke agent uporablja AWS Lambda deluje s storitvami umetne inteligence, kot je Amazon Texttract za analizo dokumentov, Amazon Transcribe za prepoznavanje govora, Amazon Comprehend za NLP in Amazon Kendra za inteligentno iskanje. Za strukturirane podatke agent uporablja SQL Connector in SQLAlchemy za analizo baz podatkov, kar vključuje Amazonska Atena. Agent uporablja tudi Python v Lambdi in Amazon SageMaker SDK za izračune in kvantitativno modeliranje. Agent ima tudi dolgoročni pomnilnik za shranjevanje pozivov in rezultatov Amazon DynamoDB. Večmodalni agent se nahaja v prenosnem računalniku SageMaker in usklajuje ta orodja na podlagi angleških pozivov poslovnih uporabnikov v uporabniškem vmesniku Streamlit.
Ključne komponente tehnične arhitekture so naslednje:
- Shranjevanje podatkov in analitika – Četrtletni posnetki finančnega dobička kot zvočne datoteke, finančna letna poročila kot datoteke PDF in podatki o delnicah S&P kot datoteke CSV gostujejo na Preprosta storitev shranjevanja Amazon (Amazon S3). Raziskovanje podatkov o podatkih o delnicah poteka z uporabo Athene.
- Veliki jezikovni modeli – Veliki jezikovni modeli (LLM) so na voljo prek Amazon Bedrock, SageMaker JumpStart ali API.
- Agenti – Uporabljamo agente LangChain za nenapredno določeno verigo klicev kot uporabniški vnos za LLM in druga orodja. V teh vrstah verig obstaja agent, ki ima dostop do nabora orodij. Vsako orodje je bilo izdelano za določeno nalogo. Glede na uporabniški vnos se agent odloči, katero orodje ali kombinacijo orodij bo poklical, da odgovori na vprašanje. Za naš scenarij smo ustvarili naslednja namensko izdelana agentska orodja:
- Orodje za poizvedovanje delnic – Za poizvedovanje po podatkih o delnicah S&P z uporabo Athena in SQLAlchemy.
- Orodje za optimizacijo portfelja – Izdelati portfelj na podlagi izbranih delnic.
- Orodje za iskanje finančnih informacij – Za iskanje informacij o finančnem zaslužku, shranjenih v večstranskih datotekah PDF, z uporabo Amazon Kendra.
- Orodje za izračun Python – Za uporabo za matematične izračune.
- Orodje za analizo razpoloženja – Prepoznavanje in ocenjevanje občutkov o temi z uporabo Amazon Comprehend.
- Orodje za zaznavanje fraz – Za iskanje ključnih stavkov v zadnjih četrtletnih poročilih z uporabo Amazon Comprehend.
- Orodje za ekstrakcijo besedila – Za pretvorbo različic PDF četrtletnih poročil v besedilne datoteke z uporabo Amazon Texttract.
- Orodje za prepis zvoka – Za pretvorbo zvočnih posnetkov v besedilne datoteke z uporabo Amazon Transcribe.
Pomnilnik agenta, ki hrani verigo uporabniških interakcij z agentom, je shranjen v DynamoDB.
V naslednjih razdelkih so razloženi nekateri primarni koraki s povezano kodo. Če se želite poglobiti v rešitev in kodirati vse tukaj prikazane korake, glejte GitHub repo.
Predpogoji
Če želite zagnati to rešitev, morate imeti ključ API za LLM, kot je Anthropic Claude v2, ali imeti dostop do temeljnih modelov Amazon Bedrock.
Za ustvarjanje odgovorov iz strukturiranih in nestrukturiranih podatkov z uporabo LLM-jev in LangChain potrebujete dostop do LLM-jev prek ključev Amazon Bedrock, SageMaker JumpStart ali API ter za uporabo podatkovnih baz, ki so združljive s SQLAlchemy. AWS upravljanje identitete in dostopa Zahtevani so tudi pravilniki (IAM), podrobnosti pa najdete v repo GitHub.
Ključne komponente multimodalnega agenta
Obstaja nekaj ključnih sestavnih delov multimodalnega agenta:
- Funkcije, definirane za orodja multimodalnega agenta
- Orodja, definirana za večmodalnega agenta
- Dolgoročni spomin za večmodalni agent
- Multimodalni agent na osnovi načrtovalca in izvajalca (definiran z orodji, LLM-ji in pomnilnikom)
V tem razdelku ponazarjamo ključne komponente s povezanimi delčki kode.
Funkcije, definirane za orodja multimodalnega agenta
Večmodalni agent mora uporabljati različne storitve umetne inteligence za obdelavo različnih vrst podatkov – besedila, govora, slik itd. Nekatere od teh funkcij bodo morda morale poklicati storitve umetne inteligence AWS, kot je Amazon Comprehend za analizo besedila, Amazon Texttract za analizo slik in dokumentov ter Amazon Transcribe za pretvorbo govora v besedilo. Te funkcije je mogoče priklicati lokalno znotraj agenta ali razmestiti kot funkcije Lambda, ki jih agent lahko prikliče. Funkcije Lambda interno pokličejo ustrezne storitve umetne inteligence AWS in vrnejo rezultate agentu. Ta pristop modularizira logiko in naredi agenta bolj vzdržljivega in razširljivega.
Naslednja funkcija določa, kako izračunati optimiziran portfelj na podlagi izbranih delnic. Eden od načinov za pretvorbo funkcije, ki temelji na Pythonu, v orodje LLM je uporaba BaseTool ovoj.
Sledi koda za Lambda, ki kliče API-je storitve AWS AI (Amazon Comprehend, Amazon Texttract, Amazon Transcribe):
Orodja, definirana za večmodalnega agenta
Večmodalni agent ima dostop do različnih orodij, ki omogočajo njegovo delovanje. Poizveduje lahko po bazi podatkov o delnicah, da odgovori na vprašanja o delnicah. Z namenskim orodjem lahko optimizira portfelj. Lahko pridobi informacije iz Amazon Kendra, Amazonove storitve iskanja podjetij. Orodje Python REPL omogoča agentu zagon kode Python. Primer strukture orodij, vključno z njihovimi imeni in opisi, je prikazan v naslednji kodi. Dejanska škatla z orodji te objave vsebuje osem orodij: orodje za poizvedovanje delnic, orodje za optimizacijo portfelja, orodje za iskanje finančnih informacij, orodje za izračun Python, orodje za analizo razpoloženja, orodje za zaznavanje fraz, orodje za ekstrakcijo besedila in orodje za prepis zvoka.
Dolgoročni spomin za večmodalni agent
Naslednja koda ponazarja konfiguracijo dolgoročnega pomnilnika za večmodalnega agenta. V tej kodi je tabela DynamoDB dodana kot pomnilnik za shranjevanje pozivov in odgovorov za prihodnjo uporabo.
Multimodalni agent, ki temelji na načrtovalcu in izvajalcu
O načrtovalec-izvajalec Multimodalna agentska arhitektura ima dve glavni komponenti: načrtovalca in izvajalca. Načrtovalec ustvari načrt na visoki ravni s koraki, potrebnimi za zagon in odgovor na pozivno vprašanje. Izvajalec nato zažene ta načrt z generiranjem ustreznih odzivov sistema za vsak korak načrta z uporabo jezikovnega modela s potrebnimi orodji. Oglejte si naslednjo kodo:
Primeri scenarijev na podlagi vprašanj finančnega analitika
V tem razdelku raziskujemo dva primera scenarijev za ponazoritev korakov od konca do konca, ki jih izvaja multimodalni agent na podlagi vprašanj, ki jih postavlja finančni analitik.
1. scenarij: vprašanja finančnega analitika v zvezi s strukturiranimi podatki
V tem scenariju finančni analitik multimodalnemu posredniku postavi vprašanje v angleščini v zvezi z delnicami podjetij. Večmodalni agent LangChain pripravi načrt v več korakih in se odloči, katera orodja bo uporabil za vsak korak. Naslednji diagram ponazarja primer poteka dela z naslednjimi koraki:
- Finančni analitik zastavi finančno vprašanje v angleščini prek uporabniškega vmesnika multimodalnemu agentu.
- Agent ugotovi, da za odgovor na vprašanje potrebuje orodje za bazo podatkov. Ustvari poizvedbo SQL z uporabo LLM na podlagi vprašanja in poizveduje v bazi podatkov Athena.
- Athena zažene poizvedbo SQL, pridobi ustrezen rezultat (časovno vrsto cen delnic petih podjetij) in posreduje rezultat z ustreznimi podatki agentu.
- Agent ugotovi, da za odgovor na vprašanje potrebuje drugo orodje. Pridobljene podatke posreduje orodju Python za optimizacijo portfelja.
- Orodje Python izračuna zahtevani optimalen portfelj, vključno z utežmi, in posreduje odgovor LLM znotraj agenta.
- Agent zbira zahtevane informacije in izračune z uporabo programa LLM ter odgovarja finančnemu analitiku prek uporabniškega vmesnika v angleščini.
Finančni analitik postavlja naslednje vprašanje:
"Kakšni so zaključni tečaji delnic AAAA, WWW, DDD v letu 2018? Ali lahko s temi tremi delnicami zgradite optimiziran portfelj?"
Naslednja koda prikazuje korake, ki jih je določil načrtovalec večmodalnega agenta:
Agent je prevedel poziv za vprašanje v naslednjo poizvedbo SQL:
Naslednja koda prikazuje končni odgovor večmodalnega agenta na podlagi vprašanja:
2. scenarij: vprašanja finančnega analitika v zvezi z nestrukturiranimi podatki
V tem scenariju finančni analitik multimodalnemu posredniku postavi več vprašanj o finančnem stanju podjetja. Agent prikliče dva orodna agenta, Amazon Kendra z nestrukturiranimi podatki in orodje za računanje Python, da zbere informacije in izvede potrebne izračune. Agent nato zbere informacije iz orodij z uporabo svojega jezikovnega modela in zagotovi popoln odgovor analitiku. Ključno pri tem scenariju je, da si agent lahko zapomni vprašanja in odgovore prejšnjih vprašanj ter vključi kontekst v pogovor. Naslednji diagram prikazuje potek dela, ki je sestavljen iz naslednjih korakov:
- Finančni analitik zastavi finančno vprašanje v angleščini prek uporabniškega vmesnika multimodalnemu agentu.
- Agent prepozna, da za odgovor na vprašanje potrebuje orodje Amazon Kendra, in prikliče orodje agenta Amazon Kendra.
- Amazon Kendra išče korpus nestrukturiranih podatkov v Amazon S3 in pridobi ustrezen dokument, ki vsebuje odgovor.
- Z uporabo Retrieval Augmented Generation (RAG) Amazon Kendra posreduje odgovor iz ustreznega dokumenta LLM znotraj agenta.
- Agent ugotovi, da potrebuje drugo orodje za odgovor na drugi del vprašanja. Posreduje informacije iz prvega orodja v orodje za računanje Python.
- Orodje Python izračuna zahtevano razmerje in posreduje odgovor LLM znotraj agenta.
- Agent zbira zahtevane informacije in izračune z uporabo programa LLM ter odgovarja finančnemu analitiku prek uporabniškega vmesnika.
Sledijo vprašanja in odgovori med analitikom in multimodalnim agentom.
Agent odgovarja na vprašanje "Kakšna je neto izguba Amazona za proračunsko leto, ki se konča decembra 2022?« z »Amazon je poročal o skupni neto prodaji v višini 514.0 milijard dolarjev in neto izgubi v višini 2.7 milijarde dolarjev za proračunsko leto 2022.« Vir je poročilo Amazon 10K za proračunsko leto, ki se konča decembra 2022, pridobljeno z Retrive_Kendra
Orodje.
Za vprašanje "Kakšna je čista izguba za isto leto?« agent odgovori »2.7 milijarde dolarjev«. Vir je poročilo Amazon 10K za proračunsko leto, ki se konča decembra 2022, pridobljeno z Retrive_Kendra
Orodje. Upoštevajte, da čeprav je vprašanje podobno drugemu vprašanju, to vprašanje ni določalo imena podjetja ali letnice. Vendar pa je agent lahko uporabil pravilno ime podjetja in leto glede na kontekst v pomnilniku pogovorov.
Za vprašanje "Kakšna je formula za razmerje čistega dobička, ki je vrsta razmerja dobičkonosnosti?« agent odgovarja »Amazon je poročal o skupni neto prodaji v višini 514.0 milijarde $ in neto izgubi v višini 2.7 milijarde $ za proračunsko leto 2022. Razmerje čistega dobička za Amazon za proračunsko leto 2022 je -0.5 %.« Vir je Retrieve_Kendra
in PythonREPLTool().
Potopite se globlje v rešitev
Če se želite poglobiti v rešitev in kodo, prikazano v tej objavi, si oglejte GitHub repo.
V repo GitHub boste lahko našli prenosni računalnik Python, ki ima rešitev od konca do konca, Oblikovanje oblaka AWS predlogo za zagotavljanje infrastrukture, nestrukturirane podatke (datoteke PDF poročil o zaslužku, zvočne datoteke klicev o zaslužku) in strukturirane podatke (časovne vrste delnic).
V dodatku na koncu so tabelarično prikazana različna vprašanja, ki jih postavlja finančni analitik, uporabljena orodja agentov in odgovori multimodalnega agenta.
Čiščenje
Ko zaženete večmodalnega agenta, poskrbite, da ste očistili vse vire, ki ne bodo uporabljeni. Zaustavite in izbrišite uporabljene zbirke podatkov (Athena). Poleg tega izbrišite podatke v Amazon S3 in ustavite vse primerke prenosnika SageMaker Studio, da vam ne bodo nastali nadaljnji stroški. Izbrišite funkcije Lambda in tabele DynamoDB kot del dolgoročnega pomnilnika, ki se ne uporabljajo. Če ste uporabili SageMaker JumpStart za uvedbo LLM kot končne točke SageMaker v realnem času, izbrišite končno točko prek konzole SageMaker ali SageMaker Studio.
zaključek
Ta objava je prikazala široko paleto storitev za shranjevanje AWS, AI/ML in računalniških storitev, ki jih lahko uporabite za izgradnjo napredne večmodalne rešitve AI skupaj z ogrodjem LangChain in generativnim AI. Z integracijo tehnologij NLP, prepoznavanja govora in ML je večmodalni agent, razvit v tem scenariju, sposoben analizirati različne modalitete finančnih podatkov (strukturirane in nestrukturirane) in se odzivati na pozive v naravnem jeziku (angleščini). To povečuje produktivnost in učinkovitost finančnih analitikov, kar jim omogoča, da se osredotočijo na strateško delo visoke vrednosti. Večmodalne rešitve umetne inteligence, ki jih poganja AWS, imajo potencial za preoblikovanje finančnih trgov z avtomatizacijo ponavljajočih se nalog, izboljšanjem človeških zmogljivosti in učinkovitim ustvarjanjem vpogledov na podlagi podatkov. Za strukturirane podatke je mogoče vključiti sodobno podatkovno arhitekturo z več bazami podatkov z generativnim AI in LLM. Za več podrobnosti glejte Ponovno odkrivanje podatkovne izkušnje: uporabite generativno umetno inteligenco in sodobno podatkovno arhitekturo za odklepanje vpogledov. Prav tako se obrnite na Amazon Bedrock za primere uporabe na generativnem AI, temeljnih modelih in velikih jezikovnih modelih.
Dodatek
Naslednja tabela vsebuje primere vprašanj, ki jih finančni analitik postavlja večmodalnemu posredniku na podlagi strukturiranih in nestrukturiranih podatkov.
Namen vprašanja | Vprašanje, ki so ga postavili finančni analitiki prek uporabniškega vmesnika | Priklicana so orodja agenta | Primarne storitve AWS, ki jih uporabljajo agentska orodja | Odgovor multimodalnega agenta |
Pozovite agenta LangChain, da predhodno obdela in izvleče informacije iz zbranih podatkov | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Orodje za ekstrakcijo besedila |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Pozovite agenta LangChain, da prepiše zvočne posnetke v besedila | 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. |
Pozovite agenta LangChain, da analizira finančno stanje in uspešnost podjetja | 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. |
Pozovite agenta LangChain, da analizira finančno uspešnost podjetja iz poročil o dobičku podjetja | 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. |
Pozovite agenta LangChain, da analizira vodstveno ekipo podjetja in njihove načrte za prihodnost iz poročil o dobičku podjetja | 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. |
Pozovite agenta LangChain, da analizira strategijo podjetja iz poročil o dobičku podjetja | 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. |
Pozovite agenta LangChain, da izvede analizo razpoloženja na posnetkih klicev o zaslužku | 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. |
Pozovite agenta LangChain, da z uporabo zbranih podatkov zgradi optimalen portfelj | 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 avtorjih
Sovik Kumar Nath je arhitekt rešitev AI/ML z AWS. Ima bogate izkušnje z načrtovanjem celovitega strojnega učenja in rešitev poslovne analitike na področju financ, operacij, trženja, zdravstva, upravljanja dobavne verige in interneta stvari. Sovik je objavil članke in ima patent za spremljanje modelov ML. Ima dvojni magisterij na Univerzi Južne Floride, Univerzi v Fribourgu v Švici in diplomiral na Indijskem inštitutu za tehnologijo v Kharagpurju. Zunaj službe Sovik rad potuje, se vozi s trajektom in gleda filme.
Mohan Musti je višji tehnični vodja računa s sedežem v Dallasu. Mohan strankam pomaga pri arhitekturi in optimizaciji aplikacij na AWS. Mohan je doktoriral iz računalništva in inženiringa na Univerzi JNT v Indiji. V prostem času se rad druži z družino in kampira.
Jia (Vivian) Li je višji arhitekt rešitev v AWS, specializiran za AI/ML. Trenutno podpira stranke v finančni industriji. Preden se je leta 2022 pridružila AWS, je imela 7 let izkušenj s podporo podjetniškim strankam pri uporabi AI/ML v oblaku za doseganje poslovnih rezultatov. Vivian je diplomirala na Univerzi v Pekingu in doktorirala na Univerzi Južne Kalifornije. V prostem času uživa v vseh vodnih aktivnostih in pohodništvu v čudovitih gorah v svoji domači zvezni državi Kolorado.
Uchenna Egbe je arhitekt rešitev AIML, ki uživa v gradnji rešitev AIML za večkratno uporabo. Uchenna je magistriral na Univerzi Aljaske v Fairbanksu. Prosti čas preživlja z raziskovanjem zelišč, čajev, superživil in kako jih vključiti v vsakodnevno prehrano.
Navneet Tuteja je specialist za podatke pri Amazon Web Services. Preden se je pridružil AWS, je Navneet delal kot moderator za organizacije, ki so želele posodobiti svoje podatkovne arhitekture in implementirati celovite rešitve AI/ML. Diplomirala je iz inženirstva na univerzi Thapar in magistrirala iz statistike na teksaški univerzi A&M.
Praful kava je višji specialist za rešitve pri AWS. Stranke vodi pri oblikovanju in inženiringu cevovodov analitike v merilu oblaka na AWS. Zunaj službe rad potuje z družino in raziskuje nove pohodniške poti.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :ima
- : je
- :ne
- :kje
- ][str
- $GOR
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- sposobnost
- Sposobna
- O meni
- dostop
- Račun
- računi
- natančnost
- natančno
- doseže
- Dosega
- čez
- dejavnosti
- dejanska
- dodano
- Poleg tega
- napredno
- Prednost
- Agent
- agenti
- okreten
- AI
- Storitve AI
- AI sistemi
- AI / ML
- AIML
- Cilje
- ALASKA
- vsi
- dodelitev
- Dovoli
- omogoča
- skupaj
- Prav tako
- Čeprav
- Amazon
- Amazonsko razumevanje
- Amazonska Kendra
- Amazonovo besedilo
- Amazonski prepis
- Amazon Web Services
- an
- Analiza
- Analitik
- Analitiki
- analitika
- analizirati
- analiziranje
- in
- letno
- odgovor
- odgovori
- Antropično
- kaj
- API
- API KLJUČI
- API-ji
- uporaba
- aplikacije
- pristop
- primerno
- Arhitektura
- SE
- okoli
- članki
- AS
- vprašati
- Sredstva
- pomoč
- povezan
- At
- audio
- Povečana
- Samodejno
- avtomatizacija
- Na voljo
- AWS
- nazaj
- temeljijo
- BE
- lepa
- bilo
- pred
- počutje
- Boljše
- med
- največji
- Billion
- povečuje
- Pasovi
- izgradnjo
- Building
- zgrajena
- poslovni
- by
- izračun
- izračuna
- izračun
- Izračuni
- california
- klic
- se imenuje
- kliče
- poziva
- CAN
- Zmogljivosti
- primeri
- verige
- verige
- izzivi
- Spremembe
- kanali
- Stroški
- klepetalnice
- preveriti
- izbran
- stranke
- zapiranje
- Cloud
- Koda
- zbiranje
- Colorado
- kombinacija
- združujejo
- združevanje
- prihaja
- prihajajo
- Komunikacija
- Podjetja
- podjetje
- Podjetja
- združljiv
- Tekmovanje
- konkurenčno
- kompleksna
- kompleksnost
- komponenta
- deli
- razumeti
- celovito
- izračuni
- Izračunajte
- računalnik
- Računalništvo
- idejni
- Skrb
- konfiguracija
- veznik
- Connect
- vsebuje
- Konzole
- Konsolidacije
- Potrošnik
- Vsebuje
- ozadje
- neprekinjeno
- prispeva
- Pogovor
- pretvorbo
- popravi
- strošek
- stroški
- bi
- ustvaril
- Trenutna
- Trenutno
- stranka
- Izkušnje s strankami
- Stranke, ki so
- vsak dan
- Dallas
- datum
- obdelava podatkov
- Podatkov usmerjenih
- Baze podatkov
- baze podatkov
- Datum
- december
- odločitve
- namenjen
- globlje
- opredeljen
- Določa
- Stopnja
- Povpraševanje
- izkazati
- Dokazano
- Odvisno
- razporedi
- razporejeni
- opisano
- opis
- Oblikovanje
- oblikovanje
- Podrobnosti
- odkrivanje
- Odkrivanje
- Ugotovite,
- razvili
- Prehrana
- drugačen
- Težavnost
- potop
- razne
- diverzificirati
- do
- dokument
- Dokumenti
- opravljeno
- podvojila
- navzdol
- pogon
- vozi
- vozniki
- 2
- vsak
- Zaslužek
- Plače
- zaslužek klic
- enostavno
- Gospodarska
- učinkovitosti
- učinkovite
- učinkovito
- prizadevanje
- bodisi
- e-pošta
- nastane
- omogočajo
- omogočanje
- obsežno
- konec
- konec koncev
- konec
- Končna točka
- inženir
- Inženiring
- Angleščina
- okrepljeno
- izboljšanje
- V
- Podjetje
- Zabava
- zlasti
- Tudi
- Primer
- Odličnost
- Izmenjava
- obstoječih
- razširiti
- širi
- Širitev
- izkušnje
- Pojasnite
- raziskovanje
- raziskuje
- Raziskovati
- obsežen
- Obširne izkušnje
- ekstrakt
- pridobivanje
- Facilitator
- s katerimi se sooča
- družina
- hitreje
- Nekaj
- datoteke
- vložki
- končna
- financiranje
- finančna
- finančnih podatkov
- finančne informacije
- finančna uspešnost
- finančni sistemi
- Najdi
- iskanje
- prva
- davek
- pet
- florida
- Osredotočite
- osredotoča
- po
- sledi
- za
- Napovedi
- format
- Formula
- Fundacija
- razdrobljeno
- Okvirni
- goljufija
- odkrivanje goljufij
- goljufiva
- brezplačno
- pogosto
- iz
- gorivo
- polno
- funkcija
- funkcionalnost
- funkcije
- nadalje
- Prihodnost
- Gain
- pridobivanje
- zbiranje
- ustvarjajo
- ustvarja
- ustvarjajo
- generacija
- generativno
- Generativna AI
- gif
- GitHub
- Cilji
- dobro
- več
- zrasla
- Grow
- Rast
- Vodniki
- imel
- ročaj
- Imajo
- he
- Zdravje
- zdravstveno varstvo
- Pomaga
- jo
- tukaj
- visoka
- na visoki ravni
- več
- njegov
- drži
- Domov
- gostila
- Kako
- Kako
- Vendar
- http
- HTTPS
- človeškega
- i
- identificirati
- identificira
- identificirati
- identiteta
- if
- ponazarja
- slike
- izvajati
- Pomembno
- izboljšanje
- izboljšanju
- in
- vključujejo
- vključuje
- Vključno
- vključi
- Vključena
- Povečajte
- povečal
- narašča
- india
- Indian
- Industrija
- inflacija
- Inflacijski
- Inflacijski pritiski
- Podatki
- Infrastruktura
- inovacije
- Inovacije
- vhod
- Insider
- trgovanje na podlagi notranjih informacij
- vpogledi
- Inštitut
- Povezovanje
- Intelligence
- Inteligentna
- Inteligentna obdelava dokumentov
- interakcije
- interakcije
- interaktivni
- interno
- v
- Invest
- vlaganjem
- Vlagatelji
- sklican
- prikliče
- vključeni
- Internet stvari
- IT
- ITS
- pridružil
- jpg
- Ključne
- tipke
- znanje
- Kumar
- Pomanjkanje
- jezik
- velika
- vodi
- učenje
- Vzvod
- kot
- LIMIT
- povezane
- likvidnostno
- Seznam
- LLM
- lokalno
- Logika
- dolgoročna
- Poglej
- iskanje
- off
- nizka
- stroj
- strojno učenje
- Glavne
- Vzdrževalno
- Znamka
- IZDELA
- upravljanje
- upravljanje Team
- Manipulacija
- Način
- Marža
- Tržna
- tržna manipulacija
- Trženje
- Prisotnost
- poveljnika
- matematični
- Maj ..
- mediji
- Spomin
- omenja
- ML
- Model
- modeliranje
- modeli
- sodobna
- posodobiti
- spremljanje
- več
- Najbolj
- filmi
- premikanje
- MS
- več
- morajo
- Ime
- Imena
- naravna
- Obdelava Natural Language
- Narava
- potrebno
- zahteva
- Nimate
- potrebe
- negativna
- net
- Novo
- novi izdelki
- novice
- nlp
- prenosnik
- zdaj
- Številka
- obveznice
- of
- off
- Ponudbe
- Ponudbe
- on
- ONE
- operativno
- operacije
- optimalna
- optimizacija
- Optimizirajte
- optimizirana
- or
- Da
- organizacije
- Ostalo
- naši
- ven
- zunaj
- Splošni
- del
- vozovnice
- patent
- Plačajte
- Peking
- odstotek
- Izvedite
- performance
- opravljeno
- Dr.
- stavki
- Načrt
- načrti
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- Točka
- politike
- Popular
- Priljubljenost
- Portfelj
- pozira
- Stališče
- Prispevek
- potencial
- moč
- poganja
- pritiski
- prejšnja
- prej
- Cena
- Cene
- cenitev
- v prvi vrsti
- primarni
- Predhodna
- Postopek
- obravnavati
- produktivnost
- Izdelki
- Dobiček
- donosnosti
- dobiček
- Napredek
- zagotavljajo
- zagotavlja
- objavljeno
- Python
- kakovost
- količinsko
- četrtletje
- poizvedbe
- vprašanje
- vprašanja
- hitro
- kvota
- območje
- Cene
- razmerje
- RE
- pripravljen
- v realnem času
- nedavno
- Priznanje
- Snemanje
- glejte
- povezane
- relativna
- pomembno
- ne pozabite
- ponavljajoč
- poročilo
- Prijavljeno
- Poročanje
- Poročila
- obvezna
- zahteva
- Raziskave
- viri
- Odzove
- Odgovor
- odgovorov
- povzroči
- Rezultati
- Trgovina na drobno
- vrnitev
- za večkratno uporabo
- prihodki
- rast prihodkov
- Pravica
- Tveganje
- tveganja
- robusten
- rutinsko
- Run
- deluje
- s
- S&P
- sagemaker
- prodaja
- Enako
- shranjena
- shranjevanje
- razširljive
- Lestvica
- Scenarij
- scenariji
- Znanost
- rezultat
- SDK
- Iskalnik
- iskanja
- drugi
- Oddelek
- oddelki
- zavarovanje
- glej
- videnje
- iskanju
- Išče
- Zdi se,
- izbor
- SAMO
- višji
- sentiment
- čustva
- Serija
- Storitev
- Storitve
- Zasedanje
- je
- kratkoročno
- kratkoročna likvidnost
- shouldnt
- predstavitev
- pokazale
- Razstave
- Zaustavite
- pomemben
- Podoben
- Enostavno
- spretnosti
- socialna
- družbeni mediji
- Rešitev
- rešitve
- nekaj
- prefinjeno
- vir
- Viri
- South
- South Florida
- Južna
- specialist
- specifična
- govor
- Prepoznavanje govora
- hitrost
- Poraba
- namaz
- standardizacijo
- Država
- Statistika
- bivanje
- Korak
- Koraki
- zaloge
- Zaloge
- stop
- shranjevanje
- trgovina
- shranjeni
- trgovine
- shranjevanje
- Strateško
- Strategija
- Okrepiti
- Struktura
- strukturirano
- studio
- naročnina
- naročnine
- taka
- primerna
- apartma
- Povzamemo
- POVZETEK
- dobavitelji
- dobavi
- dobavne verige
- Upravljanje dobavne verige
- podpora
- Podpora
- Podpira
- Preverite
- švica
- sistem
- sistemi
- miza
- ob
- Naloga
- Naloge
- skupina
- tehnični
- Tehnologije
- Tehnologija
- Predloga
- texas
- besedilo
- da
- O
- Prihodnost
- informacije
- Vir
- njihove
- Njih
- POTEM
- Tukaj.
- s tem
- te
- jih
- stvar
- ta
- čeprav?
- grozi
- 3
- skozi
- čas
- Časovne serije
- do
- orodje
- Orodje
- orodja
- vrh
- temo
- Skupaj za plačilo
- Trgovanje
- Vlak
- Prepis
- Transform
- Preoblikovanje
- Prevoz
- Potovanje
- Trends
- dva
- tip
- Vrste
- ui
- razumeli
- razumevanje
- univerza
- odklepanje
- odklepanje
- prihajajoče
- posodobljeno
- us
- uporaba
- Rabljeni
- uporabnik
- Uporabniki
- uporablja
- uporabo
- uporablja
- izkorišča
- dragocene
- vrednost
- raznolikost
- različnih
- različice
- preko
- Video
- prostornine
- je
- gledanju
- Voda
- način..
- načini
- we
- web
- spletne storitve
- Dobro
- so bili
- Kaj
- kdaj
- ki
- WHO
- široka
- Širok spekter
- bo
- z
- v
- delo
- delal
- potek dela
- leto
- let
- Vi
- Vaša rutina za
- zefirnet