Multimodal data är en värdefull komponent i finansbranschen, som omfattar marknads-, ekonomi-, kund-, nyheter och sociala medier samt riskdata. Finansiella organisationer genererar, samlar in och använder denna data för att få insikter i finansiell verksamhet, fatta bättre beslut och förbättra prestanda. Det finns dock utmaningar förknippade med multimodala data på grund av komplexiteten och bristen på standardisering i finansiella system och dataformat och kvalitet, samt datas fragmenterade och ostrukturerade karaktär. Finansiella kunder har ofta beskrivit den operativa omkostnaden för att få finansiella insikter från multimodala data, vilket kräver komplex utvinnings- och transformationslogik, vilket leder till uppsvällda ansträngningar och kostnader. Tekniska utmaningar med multimodala data inkluderar vidare komplexiteten i att integrera och modellera olika datatyper, svårigheten att kombinera data från flera modaliteter (text, bilder, ljud, video) och behovet av avancerade datavetenskapliga färdigheter och sofistikerade analysverktyg.
Ett av sätten att hantera multimodal data som vinner popularitet är användningen av multimodala agenter. Multimodala agenter är AI-system som kan förstå och analysera data i flera modaliteter med hjälp av rätt verktyg i deras verktygslåda. De kan koppla samman insikter över dessa olika datatyper för att få en mer omfattande förståelse och generera lämpliga svar. Multimodala agenter, i kombination med generativ AI, hittar en bred tillämpning på finansmarknaderna. Följande är några populära användningsfall:
- Smart rapportering och marknadsintelligens – AI kan analysera olika källor till finansiell information för att generera marknadsinformationsrapporter, hjälpa analytiker, investerare och företag att hålla sig uppdaterade om trender. Multimodala agenter kan snabbt sammanfatta långa finansiella rapporter, vilket sparar analytiker avsevärd tid och ansträngning.
- Kvantitativ modellering och prognoser – Generativa modeller kan syntetisera stora volymer finansiell data för att träna modeller för maskininlärning (ML) för applikationer som aktieprisprognoser, portföljoptimering, riskmodellering och mer. Multimodala modeller som förstår olika datakällor kan ge mer robusta prognoser.
- Efterlevnad och upptäckt av bedrägerier – Den här lösningen kan utökas till att omfatta övervakningsverktyg som analyserar kommunikationskanaler som samtal, e-postmeddelanden, chattar, åtkomstloggar och mer för att identifiera potentiell insiderhandel eller marknadsmanipulation. Att upptäcka bedräglig maskopi över datatyper kräver multimodal analys.
En multimodal agent med generativ AI ökar produktiviteten hos en finansanalytiker genom att automatisera repetitiva och rutinmässiga uppgifter, vilket frigör tid för analytiker att fokusera på arbete med högt värde. Multimodala agenter kan förstärka en analytikers förmåga att få insikter genom att hjälpa till med forskning och analys. Multimodala agenter kan också generera förbättrade kvantitativa analyser och finansiella modeller, vilket gör det möjligt för analytiker att arbeta snabbare och med större noggrannhet.
Genom att implementera en multimodal agent med AWS konsolideras nyckelinsikter från olika strukturerade och ostrukturerade data i stor skala. Multimodala agenter kan enkelt kombinera kraften i generativa AI-erbjudanden från Amazonas berggrund och Amazon SageMaker JumpStart med databehandlingskapaciteten från AWS Analytics och AI/ML-tjänster för att tillhandahålla agila lösningar som gör det möjligt för finansanalytiker att effektivt analysera och samla in insikter från multimodal data på ett säkert och skalbart sätt inom AWS. Amazon erbjuder en uppsättning AI-tjänster som möjliggör naturlig språkbehandling (NLP), taligenkänning, textextraktion och sökning:
- Amazon Comprehend är en NLP-tjänst som kan analysera text för nyckelfraser och analysera sentiment
- amazontext är en intelligent dokumentbehandlingstjänst som exakt kan extrahera text och data från dokument
- Amazon Transcribe är en automatisk taligenkänningstjänst som kan konvertera tal till text
- Amazon Kendra är en företagssöktjänst som drivs av ML för att hitta informationen över en mängd olika datakällor, inklusive dokument och kunskapsbaser
I det här inlägget visar vi upp ett scenario där en finansanalytiker interagerar med organisationens multimodala data, som finns i specialbyggda datalager, för att samla in finansiella insikter. I interaktionen visar vi hur multimodala agenter planerar och kör användarfrågan och hämtar resultaten från relevanta datakällor. Allt detta uppnås med hjälp av AWS-tjänster, vilket ökar finansanalytikerns effektivitet att analysera multimodal finansiell data (text, tal och tabelldata) holistiskt.
Följande skärmdump visar ett exempel på användargränssnittet.
Lösningsöversikt
Följande diagram illustrerar den konceptuella arkitekturen för att använda generativ AI med multimodala data med hjälp av agenter. De inblandade stegen är följande:
- Finansanalytikern ställer frågor via en plattform som chatbots.
- Plattformen använder ett ramverk för att bestämma det mest lämpliga multimodala agentverktyget för att svara på frågan.
- När den väl har identifierats kör plattformen koden som är länkad till det tidigare identifierade verktyget.
- Verktyget genererar en analys av de finansiella data som efterfrågas av finansanalytikern.
- För att sammanfatta resultaten hämtar och rapporterar stora språkmodeller till finansanalytikern.
Teknisk arkitektur
Den multimodala agenten orkestrerar olika verktyg baserade på naturliga språkuppmaningar från affärsanvändare för att generera insikter. För ostrukturerad data använder agenten AWS Lambda fungerar med AI-tjänster som Amazon Textract för dokumentanalys, Amazon Transcribe för taligenkänning, Amazon Comprehend för NLP och Amazon Kendra för intelligent sökning. För strukturerad data använder agenten SQL Connector och SQLAlchemy för att analysera databaser, vilket inkluderar Amazonas Athena. Agenten använder också Python i Lambda och Amazon SageMaker SDK för beräkningar och kvantitativ modellering. Agenten har också ett långtidsminne för att lagra uppmaningar och resultat i Amazon DynamoDB. Den multimodala agenten finns i en SageMaker-anteckningsbok och koordinerar dessa verktyg baserat på engelska uppmaningar från affärsanvändare i ett Streamlit-gränssnitt.
Nyckelkomponenterna i den tekniska arkitekturen är följande:
- Datalagring och analys – De kvartalsvisa finansiella intäktsinspelningarna som ljudfiler, finansiella årsrapporter som PDF-filer och S&P-aktiedata som CSV-filer finns på Amazon enkel lagringstjänst (Amazon S3). Datautforskning av aktiedata görs med Athena.
- Stora språkmodeller – De stora språkmodellerna (LLM) är tillgängliga via Amazon Bedrock, SageMaker JumpStart eller ett API.
- Agenter – Vi använder LangChains agenter för en icke-förutbestämd kedja av samtal som användarinmatning till LLM:er och andra verktyg. I dessa typer av kedjor finns en agent som har tillgång till en uppsättning verktyg. Varje verktyg har byggts för en specifik uppgift. Beroende på användarinmatningen bestämmer agenten vilket verktyg eller en kombination av verktyg som ska anropas för att svara på frågan. Vi skapade följande specialbyggda agentverktyg för vårt scenario:
- Aktiefrågeverktyg – Att fråga S&P lagerdata med Athena och SQLAlchemy.
- Portföljoptimeringsverktyg – Att bygga en portfölj baserad på de valda aktierna.
- Uppslagsverktyg för finansiell information – För att söka efter information om ekonomiska intäkter lagrad i flersidiga PDF-filer med Amazon Kendra.
- Python beräkningsverktyg – Att använda för matematiska beräkningar.
- Verktyg för sentimentanalys - Att identifiera och poängsätta känslor om ett ämne med hjälp av Amazon Comprehend.
- Verktyg för att upptäcka fraser – För att hitta nyckelfraser i de senaste kvartalsrapporterna med Amazon Comprehend.
- Textextraktionsverktyg – För att konvertera PDF-versionerna av kvartalsrapporter till textfiler med Amazon Textract.
- Transkribera ljudverktyg – För att konvertera ljudinspelningar till textfiler med Amazon Transcribe.
Agentminnet som innehåller kedjan av användarinteraktioner med agenten sparas i DynamoDB.
Följande avsnitt förklarar några av de primära stegen med tillhörande kod. För att dyka djupare in i lösningen och koden för alla steg som visas här, se GitHub repo.
Förutsättningar
För att köra den här lösningen måste du ha en API-nyckel till en LLM som Anthropic Claude v2, eller ha tillgång till Amazon Bedrock-grundmodeller.
För att generera svar från strukturerade och ostrukturerade data med hjälp av LLM:er och LangChain behöver du tillgång till LLM:er genom antingen Amazon Bedrock, SageMaker JumpStart eller API-nycklar, och för att använda databaser som är kompatibla med SQLAlchemy. AWS identitets- och åtkomsthantering (IAM)-policyer krävs också, detaljerna som du kan hitta i GitHub-repo.
Nyckelkomponenter i en multimodal agent
Det finns några nyckelkomponenter i den multimodala agenten:
- Funktioner definierade för verktyg för den multimodala agenten
- Verktyg definierade för den multimodala agenten
- Långtidsminne för den multimodala agenten
- Planer-executor-baserad multimodal agent (definierad med verktyg, LLMs och minne)
I det här avsnittet illustrerar vi nyckelkomponenterna med tillhörande kodavsnitt.
Funktioner definierade för verktyg för den multimodala agenten
Den multimodala agenten behöver använda olika AI-tjänster för att bearbeta olika typer av data – text, tal, bilder och mer. Vissa av dessa funktioner kan behöva anropa AWS AI-tjänster som Amazon Comprehend för att analysera text, Amazon Textract för att analysera bilder och dokument och Amazon Transcribe för att konvertera tal till text. Dessa funktioner kan antingen anropas lokalt inom agenten eller distribueras som Lambda-funktioner som agenten kan anropa. Lambdafunktionerna ringer internt relevanta AWS AI-tjänster och returnerar resultaten till agenten. Detta tillvägagångssätt modulariserar logiken och gör agenten mer underhållbar och utbyggbar.
Följande funktion definierar hur man beräknar den optimerade portföljen baserat på de valda aktierna. Ett sätt att konvertera en Python-baserad funktion till ett LLM-verktyg är att använda BaseTool omslag.
Följande är koden för Lambda som anropar AWS AI-tjänsten (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API:er:
Verktyg definierade för den multimodala agenten
Den multimodala agenten har tillgång till olika verktyg för att aktivera dess funktionalitet. Det kan fråga en aktiedatabas för att svara på frågor om aktier. Det kan optimera en portfölj med hjälp av ett dedikerat verktyg. Den kan hämta information från Amazon Kendra, Amazons företagssöktjänst. Ett Python REPL-verktyg låter agenten köra Python-kod. Ett exempel på verktygens struktur, inklusive deras namn och beskrivningar, visas i följande kod. Den faktiska verktygslådan i det här inlägget har åtta verktyg: Aktiefrågeverktyg, Portfolio Optimization Tool, Financial Information Lookup Tool, Python Calculation Tool, Sentiment Analysis Tool, Detect Fraser Tool, Text Extraction Tool och Transcribe Audio Tool.
Långtidsminne för den multimodala agenten
Följande kod illustrerar konfigurationen av långtidsminnet för den multimodala agenten. I den här koden läggs DynamoDB-tabellen till som minne för att lagra uppmaningar och svar för framtida referens.
Planerare-utförare baserad multimodal agent
Smakämnen planerare-utförare baserad multimodal agentarkitektur har två huvudkomponenter: en planerare och en utförare. Planeraren genererar en plan på hög nivå med steg som krävs för att köra och svara på den snabba frågan. Exekutorn kör sedan denna plan genom att generera lämpliga systemsvar för varje plansteg med hjälp av språkmodellen med nödvändiga verktyg. Se följande kod:
Exempelscenarier baserade på frågor från finansanalytiker
I det här avsnittet utforskar vi två exempelscenarier för att illustrera stegen från början till slut som utförs av den multimodala agenten baserat på frågor från finansanalytiker.
Scenario 1: Frågor från finansanalytiker relaterade till strukturerad data
I det här scenariot ställer finansanalytikern en fråga på engelska relaterad till företagens aktier till den multimodala agenten. Den multimodala LangChain-agenten kommer med en flerstegsplan och bestämmer vilka verktyg som ska användas för varje steg. Följande diagram illustrerar ett exempel på ett arbetsflöde med följande steg:
- Finansanalytikern ställer en finansiell fråga på engelska via användargränssnittet till den multimodala agenten.
- Agenten identifierar att den kräver databasverktyget för att svara på frågan. Den genererar en SQL-fråga med hjälp av en LLM baserad på frågan och frågar Athena-databasen.
- Athena kör SQL-frågan, hämtar det relevanta resultatet (aktiekursens tidsserie för de fem företagen) och skickar resultatet med relevant data till agenten.
- Agenten identifierar att det krävs ett andra verktyg för att svara på frågan. Den skickar hämtade data till Python-verktyget för portföljoptimering.
- Python-verktyget beräknar den nödvändiga optimala portföljen, inklusive vikter, och skickar svaret till LLM inom agenten.
- Agenten sammanställer nödvändig information och beräkningar med hjälp av LLM och besvarar finansanalytikern via UI på engelska.
Finansanalytikern ställer följande fråga:
"Vilka är slutkurserna för aktierna AAAA, WWW, DDD år 2018? Kan du bygga en optimerad portfölj med dessa tre aktier?"
Följande kod visar stegen som identifierats av planeraren för den multimodala agenten:
Agenten översatte frågeprompten till följande SQL-fråga:
Följande kod visar det slutliga svaret från den multimodala agenten baserat på frågan:
Scenario 2: Frågor från finansanalytiker relaterade till ostrukturerad data
I det här scenariot ställer en finansanalytiker flera frågor om företagets ekonomiska hälsa till den multimodala agenten. Agenten anropar två verktygsagenter, Amazon Kendra med ostrukturerad data och ett Python-beräkningsverktyg, för att samla in information och utföra nödvändiga beräkningar. Agenten sammanställer sedan informationen från verktygen med hjälp av sin språkmodell och ger analytikern det fullständiga svaret. Nyckeln i detta scenario är att agenten kan komma ihåg frågorna och svaren på de tidigare frågorna och införlivar sammanhanget i konversationen. Följande diagram illustrerar arbetsflödet, som består av följande steg:
- Finansanalytikern ställer en finansiell fråga på engelska via användargränssnittet till den multimodala agenten.
- Agenten identifierar att den kräver Amazon Kendra-verktyget för att svara på frågan och anropar Amazon Kendra-agentverktyget.
- Amazon Kendra söker igenom den ostrukturerade datakorpusen i Amazon S3 och hämtar det relevanta dokumentet som innehåller svaret.
- Med hjälp av Retrieval Augmented Generation (RAG) skickar Amazon Kendra svaret från det relevanta dokumentet till LLM inom agenten.
- Agenten identifierar att den kräver ett andra verktyg för att svara på den andra delen av frågan. Den skickar information från det första verktyget till Python-beräkningsverktyget.
- Python-verktyget beräknar det erforderliga förhållandet och skickar svaret till LLM inom agenten.
- Agenten sammanställer nödvändig information och beräkningar med hjälp av LLM och svarar finansanalytikern via UI.
Följande är frågor och svar mellan analytikern och den multimodala agenten.
Agenten svarar på frågan "Vad är Amazons nettoförlust för räkenskapsåret som slutar i december 2022?” med ”Amazon rapporterade en total nettoomsättning på 514.0 miljarder USD och en nettoförlust på 2.7 miljarder USD för räkenskapsåret 2022.” Källan är Amazon 10K-rapporten för räkenskapsåret som slutade december 2022, hämtad med hjälp av Retrive_Kendra
Verktyg.
För frågan "Vad är nettoförlusten för samma år?" svarar agenten "2.7 miljarder dollar." Källan är Amazon 10K-rapporten för räkenskapsåret som slutade december 2022, hämtad med hjälp av Retrive_Kendra
Verktyg. Observera att även om frågan liknar den andra frågan, angav den här frågan inte företagets namn eller årsnummer. Agenten kunde dock använda rätt företagsnamn och årtal utifrån kontexten i samtalsminnet.
För frågan "Vad är formeln för nettovinstmarginalkvot som är en typ av lönsamhetskvot?” svarar agenten ”Amazon rapporterade en total nettoomsättning på 514.0 miljarder USD och en nettoförlust på 2.7 miljarder USD för räkenskapsåret 2022. Nettovinstmarginalen för Amazon för räkenskapsåret 2022 är -0.5 %.” Källan är Retrieve_Kendra
och PythonREPLTool().
Dyk djupare in i lösningen
För att dyka djupare in i lösningen och koden som visas i det här inlägget, kolla in GitHub repo.
I GitHub-repo kommer du att kunna hitta en Python-anteckningsbok som har end-to-end-lösningen, en AWS molnformation mall för att tillhandahålla infrastrukturen, ostrukturerad data (PDF-filer för resultatrapporter, ljudfiler för vinstsamtal) och strukturerad data (aktietidsserier).
I bilagan i slutet har olika frågor som ställts av finansanalytiker, agentverktyg åberopats och svaret från den multimodala agenten tagits fram i tabellform.
Städa upp
När du har kört den multimodala agenten, se till att rensa upp alla resurser som inte kommer att användas. Stäng av och ta bort de databaser som används (Athena). Radera dessutom data i Amazon S3 och stoppa alla SageMaker Studio-anteckningsbokförekomster för att inte ådra dig några ytterligare avgifter. Ta bort Lambda-funktionerna och DynamoDB-tabellerna som en del av långtidsminnet som inte används. Om du använde SageMaker JumpStart för att distribuera en LLM som en SageMaker realtidsslutpunkt, radera slutpunkten antingen via SageMaker-konsolen eller SageMaker Studio.
Slutsats
Det här inlägget demonstrerade det breda utbudet av AWS-lagring, AI/ML och datortjänster som du kan använda för att bygga en avancerad multimodal AI-lösning tillsammans med LangChain-ramverket och generativ AI. Genom att integrera NLP-, taligenkännings- och ML-teknologier kan den multimodala agenten som utvecklats i detta scenario analysera olika finansiella datamodaliteter (strukturerade och ostrukturerade) och svara på uppmaningar på naturligt språk (engelska). Detta ökar produktiviteten och effektiviteten hos finansanalytiker, vilket gör att de kan fokusera på strategiskt arbete med högt värde. Multimodala AI-lösningar som drivs av AWS har potential att förvandla finansmarknader genom att automatisera repetitiva uppgifter, förbättra mänskliga förmågor och generera datadrivna insikter effektivt. För strukturerad data kan en modern dataarkitektur med flera databaser integreras med generativ AI och LLM. För mer information, se Återuppfinna dataupplevelsen: Använd generativ AI och modern dataarkitektur för att låsa upp insikter. Se även Amazonas berggrund för användningsfall på generativ AI, grundmodeller och stora språkmodeller.
Appendix
Följande tabell innehåller exempelfrågor från en finansanalytiker att fråga den multimodala agenten baserat på strukturerad och ostrukturerad data.
Fråga Syfte | Fråga ställd av finansanalytiker via UI | Agentverktyg anropade | Primära AWS-tjänster som används av agentverktyg | Svar från multimodal agent |
Be LangChain-agenten att förbehandla och extrahera information från insamlad data | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Textextraktionsverktyg |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Be LangChain-agenten att transkribera ljudinspelningarna till texter | Can you transcribe most recent quaterly audio recording of earnings call to text format? |
|
|
I have the earnings call transcripts, now I can extract key phrases. |
Be LangChain-agenten att analysera företagets ekonomiska hälsa och resultat | Analyze Amazon's financial health based on the 10k report. Calculate important financial ratios. Please limit your answer to 5 sentences. |
|
|
Here is a summary of Amazon’s financial health in 5 sentences: Amazon has a low profit margin indicating low profitability relative to revenue. However, Amazon has a high return on assets indicating efficient use of assets to generate profits. Amazon has a low debt-to-equity ratio indicating low financial leverage and risk. Amazon has a high current ratio indicating good short-term liquidity position and ability to pay off short-term obligations. Overall, Amazon seems to be in a good financial position with efficient operations and low risk. |
Be LangChain-agenten att analysera företagets finansiella resultat från företagets resultatrapporter | What were the main drivers of the company’s revenue growth in the quarter? Please limit your answers to 5 sentences. |
|
|
Here is a summary of the main drivers of revenue growth in 5 sentences: Amazon's revenue grew due to an increase in subscription and support revenue from new customers. Existing customer accounts also expanded, contributing to revenue growth. Higher net sales drove increased revenue for the company. Although I could not calculate the exact revenue growth percentage, the key phrases and information extracted point to revenue growth being driven primarily by new subscriptions, existing customer expansion, and greater net sales. |
Be LangChain-agenten att analysera företagets ledningsgrupp och deras planer för framtiden från företagets resultatrapporter | What are the company's top priorities for the coming year? What are the biggest risks facing the company? Please limit your answers to 5 sentences. |
|
|
Here is a summary response in 5 sentences: Amazon's priorities are investing in growth and expanding into new markets. However, risks like changes in consumer demand and competition threaten their business. By analyzing key phrases in financial reports, their focus on fulfillment, technology, and new products emerges, as do risks around suppliers, exchange rates, and retail competition. Though facing pressures, Amazon aims to innovate, improve customer experience, and strengthen their position. Continuous progress on price, speed, and selection will drive their competitive advantage. |
Be LangChain-agenten att analysera företagets strategi från företagets resultatrapporter | What are company’s financial and business goals for upcoming financial year/quarter? Please limit your answers to 5 sentences. |
|
|
Here is a summary of Amazon's main goals in 5 sentences: Amazon seeks to grow by improving infrastructure and entering new markets. They will invest in fulfillment and technology to enable expansion. By moving into groceries, healthcare, and entertainment, Amazon can diversify their offerings. Focusing on the customer through competitive pricing, selection, and innovation is key. If Amazon achieves operational excellence and continuous progress, they will strengthen their position. |
Be LangChain-agenten att utföra en sentimentanalys på inspelningarna av inkomstsamtal | What is the sentiment around inflation in Amazon's earnings call? |
|
|
The sentiment of mentions of 'inflation' in the Amazon earnings call transcript is negative. Justification: Quote 1: "We're seeing inflationary pressures, especially in fuel and transportation costs." Quote 2: "Inflation is a concern and we're seeing cost inflation, which is an unusual thing for us. |
Be LangChain-agenten att bygga en optimal portfölj med hjälp av insamlad data | What are the closing prices of stocks AAAA, WWW, DDD in year 2018? Can you build an optimized portfolio using these three stocks? |
|
|
The closing stock prices for AAAA, WWW and DDD in 2018 are: AAAA: $172.44 WWW: $85.91 DDD: $9.82 The optimized portfolio allocation for stocks AAAA, WWW and DDD is: AAAA: 55% WWW: 45% DDD: 0%' |
Om författarna
Sovik Kumar Nath är en AI/ML-lösningsarkitekt med AWS. Han har lång erfarenhet av att designa end-to-end maskininlärning och affärsanalyslösningar inom ekonomi, drift, marknadsföring, hälsovård, supply chain management och IoT. Sovik har publicerat artiklar och har patent på ML-modellövervakning. Han har dubbla magisterexamen från University of South Florida, University of Fribourg, Schweiz, och en kandidatexamen från Indian Institute of Technology, Kharagpur. Utanför jobbet tycker Sovik om att resa, åka färja och titta på film.
Mohan Musti är Senior Technical Account Manager baserad i Dallas. Mohan hjälper kunder att utforma och optimera applikationer på AWS. Mohan har datavetenskap och teknik från JNT University, Indien. På fritiden umgås han gärna med familjen och tältar.
Jia (Vivian) Li är Senior Solutions Architect inom AWS, med specialisering inom AI/ML. Hon stödjer för närvarande kunder inom finansbranschen. Innan hon började på AWS 2022 hade hon sju års erfarenhet av att stödja företagskunder med att använda AI/ML i molnet för att driva affärsresultat. Vivian har en kandidatexamen från Peking University och en doktorsexamen från University of Southern California. På fritiden njuter hon av alla vattenaktiviteter och att vandra i de vackra bergen i sin hemstat, Colorado.
Uchenna Egbe är en AIML Solutions Architect som tycker om att bygga återanvändbara AIML-lösningar. Uchenna har en MS från University of Alaska Fairbanks. Han ägnar sin lediga tid åt att forska om örter, teer, supermat och hur man kan införliva dem i sin dagliga kost.
Navneet Tuteja är en dataspecialist på Amazon Web Services. Innan han började på AWS arbetade Navneet som en facilitator för organisationer som ville modernisera sina dataarkitekturer och implementera omfattande AI/ML-lösningar. Hon har en ingenjörsexamen från Thapar University, samt en magisterexamen i statistik från Texas A&M University.
Praful Kava är Sr. Specialist Solutions Architect på AWS. Han vägleder kunder att designa och konstruera molnskala Analytics-pipelines på AWS. Utanför jobbet tycker han om att resa med familjen och utforska nya vandringsleder.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : har
- :är
- :inte
- :var
- ][s
- $UPP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- förmåga
- Able
- Om oss
- tillgång
- Konto
- konton
- noggrannhet
- exakt
- uppnås
- uppnår
- tvärs
- aktiviteter
- faktiska
- lagt till
- Dessutom
- avancerat
- Fördel
- Recensioner
- medel
- smidig
- AI
- AI-tjänster
- AI-system
- AI / ML
- AIML
- Syftet
- ALASKA
- Alla
- fördelning
- tillåta
- tillåter
- längs
- också
- Även
- amason
- Amazon Comprehend
- Amazon Kendra
- amazontext
- Amazon Transcribe
- Amazon Web Services
- an
- analys
- analytiker
- analytiker
- analytics
- analysera
- analys
- och
- årsringar
- svara
- svar
- Antropisk
- vilken som helst
- api
- API-NYCKLAR
- API: er
- Ansökan
- tillämpningar
- tillvägagångssätt
- lämpligt
- arkitektur
- ÄR
- runt
- artiklar
- AS
- be
- Tillgångar
- bistå
- associerad
- At
- audio
- augmented
- Automat
- automatisera
- tillgänglig
- AWS
- tillbaka
- baserat
- BE
- vackert
- varit
- innan
- Där vi får lov att vara utan att konstant prestera,
- Bättre
- mellan
- störst
- Miljarder
- boostar
- Box
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- by
- beräkna
- beräknar
- beräkning
- beräkningar
- kalifornien
- Ring
- kallas
- anropande
- Samtal
- KAN
- kapacitet
- fall
- kedja
- kedjor
- utmaningar
- Förändringar
- kanaler
- avgifter
- chatbots
- ta
- valda
- klienter
- stängning
- cloud
- koda
- samla
- Colorado
- kombination
- kombinera
- kombinera
- kommer
- kommande
- Kommunikation
- Företag
- företag
- Företagets
- kompatibel
- konkurrens
- konkurrenskraftig
- komplex
- Komplexiteten
- komponent
- komponenter
- förstå
- omfattande
- beräkningar
- Compute
- dator
- Datavetenskap
- begreppsmässig
- Oro
- konfiguration
- förening
- Kontakta
- består
- Konsol
- konsoliderar
- Konsumenten
- innehåller
- sammanhang
- kontinuerlig
- Bidragande
- Konversation
- konvertera
- korrekt
- Pris
- Kostar
- kunde
- skapas
- Aktuella
- För närvarande
- kund
- kundupplevelse
- Kunder
- dagligen
- Dallas
- datum
- databehandling
- data driven
- Databas
- databaser
- Datum
- December
- beslut
- dedicerad
- djupare
- definierade
- definierar
- Examen
- Efterfrågan
- demonstrera
- demonstreras
- beroende
- distribuera
- utplacerade
- beskriven
- beskrivning
- Designa
- design
- detaljer
- upptäcka
- Detektering
- Bestämma
- utvecklade
- Diet
- olika
- Svårighet
- Dyk
- flera
- diversifiera
- do
- dokumentera
- dokument
- gjort
- dubbla
- ner
- driv
- driven
- chaufförer
- grund
- varje
- tjänar
- Resultat
- intäkter samtal
- lätt
- Ekonomisk
- effektivitet
- effektiv
- effektivt
- ansträngning
- antingen
- e
- framträder
- möjliggöra
- möjliggör
- encompassing
- änden
- början till slut
- slutar
- Slutpunkt
- ingenjör
- Teknik
- Engelska
- förbättrad
- förbättra
- in
- Företag
- Underhållning
- speciellt
- Även
- exempel
- Excellence
- utbyta
- befintliga
- expanderade
- expanderande
- expansionen
- erfarenhet
- Förklara
- utforskning
- utforska
- Utforska
- omfattande
- Omfattande erfarenhet
- extrahera
- extraktion
- facilitator
- vänd
- familj
- snabbare
- få
- Filer
- anmälningar
- slutlig
- finansiering
- finansiella
- finansiella data
- finansiell information
- finansiella resultat
- finansiella system
- hitta
- finna
- Förnamn
- Fiskal
- fem
- florida
- Fokus
- fokusering
- efter
- följer
- För
- prognoser
- format
- formeln
- fundament
- fragmenterad
- Ramverk
- bedrägeri
- spårning av bedrägerier
- bedräglig
- Fri
- ofta
- från
- Bränsle
- full
- fungera
- funktionalitet
- funktioner
- ytterligare
- framtida
- Få
- få
- samla
- generera
- genererar
- generera
- generering
- generativ
- Generativ AI
- gif
- GitHub
- Mål
- god
- större
- växte
- Väx
- Tillväxt
- Guider
- hade
- hantera
- Har
- he
- Hälsa
- hälso-och sjukvård
- hjälper
- här
- här.
- Hög
- högnivå
- högre
- hans
- innehar
- Hem
- värd
- Hur ser din drömresa ut
- How To
- Men
- http
- HTTPS
- humant
- i
- identifierade
- identifierar
- identifiera
- Identitet
- if
- illustrerar
- bilder
- genomföra
- med Esport
- förbättra
- förbättra
- in
- innefattar
- innefattar
- Inklusive
- införliva
- Inkorporerad
- Öka
- ökat
- ökande
- indien
- indisk
- industrin
- inflation
- Inflatorisk
- Inflationstryck
- informationen
- Infrastruktur
- förnya
- Innovation
- ingång
- Insider
- insiderhandel
- insikter
- Institute
- Integrera
- Intelligens
- Intelligent
- Intelligent dokumentbehandling
- interaktion
- interaktioner
- interagerar
- invändigt
- in
- Invest
- investera
- För Investerare
- åberopas
- anropar
- involverade
- iot
- IT
- DESS
- sammanfogning
- jpg
- Nyckel
- nycklar
- kunskap
- kumar
- Brist
- språk
- Large
- ledande
- inlärning
- Hävstång
- tycka om
- BEGRÄNSA
- kopplade
- Likviditet
- Lista
- LLM
- lokalt
- Logiken
- lång sikt
- se
- slå upp
- förlust
- Låg
- Maskinen
- maskininlärning
- Huvudsida
- Underhållbar
- göra
- GÖR
- ledning
- Ledningsgrupp
- Manipulation
- sätt
- Marginal
- marknad
- otillbörlig marknadspåverkan
- Marknadsföring
- Marknader
- master
- matematisk
- Maj..
- Media
- Minne
- nämner
- ML
- modell
- modellering
- modeller
- Modern Konst
- modernisera
- övervakning
- mer
- mest
- Filmer
- rörliga
- MS
- multipel
- måste
- namn
- namn
- Natural
- Naturlig språkbehandling
- Natur
- nödvändigt för
- nödvändiggör
- Behöver
- behov
- negativ
- netto
- Nya
- nya produkter
- nyheter
- nlp
- anteckningsbok
- nu
- antal
- bindningar
- of
- sänkt
- offer~~POS=TRUNC
- Erbjudanden
- on
- ONE
- operativa
- Verksamhet
- optimala
- optimering
- Optimera
- optimerad
- or
- beställa
- organisationer
- Övriga
- vår
- ut
- utanför
- övergripande
- del
- passerar
- patent
- Betala
- peking
- procentuell
- Utföra
- prestanda
- utfört
- phd
- fraser
- Planen
- planer
- plattform
- plato
- Platon Data Intelligence
- PlatonData
- snälla du
- Punkt
- Strategier
- Populära
- popularitet
- portfölj
- utgör
- placera
- Inlägg
- potentiell
- kraft
- drivs
- tryck
- föregående
- tidigare
- pris
- Priser
- prissättning
- primärt
- primär
- Innan
- process
- bearbetning
- produktivitet
- Produkter
- Vinst
- lönsamhet
- vinster
- Framsteg
- ge
- ger
- publicerade
- Python
- kvalitet
- kvantitativ
- Kvartal
- sökfrågor
- fråga
- frågor
- snabbt
- citera
- område
- rates
- ratio
- RE
- redo
- realtid
- senaste
- erkännande
- inspelning
- hänvisa
- relaterad
- relativ
- relevanta
- ihåg
- repetitiva
- rapport
- Rapporterad
- Rapportering
- Rapport
- Obligatorisk
- Kräver
- forskning
- Resurser
- Svara
- respons
- svar
- resultera
- Resultat
- detaljhandeln
- avkastning
- återanvändbar
- intäkter
- omsättningstillväxt
- höger
- Risk
- risker
- robusta
- rutin
- Körning
- kör
- s
- S & P
- sagemaker
- försäljning
- Samma
- sparade
- sparande
- skalbar
- Skala
- scenario
- scenarier
- Vetenskap
- göra
- sDK
- Sök
- sök
- Andra
- §
- sektioner
- säkra
- se
- se
- söker
- Söker
- verkar
- Val
- SJÄLV
- senior
- känsla
- känslor
- Serier
- service
- Tjänster
- session
- hon
- kortsiktigt
- kortsiktig likviditet
- skall
- visa
- visas
- Visar
- stänga
- signifikant
- liknande
- Enkelt
- färdigheter
- Social hållbarhet
- sociala medier
- lösning
- Lösningar
- några
- sofistikerade
- Källa
- Källor
- Söder
- South Florida
- Sydlig
- specialist
- specifik
- tal
- Taligenkänning
- fart
- Spendera
- spridning
- standardisering
- Ange
- statistik
- bo
- Steg
- Steg
- lager
- Aktier
- Sluta
- förvaring
- lagra
- lagras
- lagrar
- misslyckande
- Strategisk
- Strategi
- Stärka
- struktur
- strukturerade
- studio
- prenumeration
- abonnemang
- sådana
- lämplig
- svit
- sammanfatta
- SAMMANFATTNING
- leverantörer
- leverera
- leveranskedjan
- supply chain management
- stödja
- Stödjande
- Stöder
- säker
- schweiz
- system
- System
- bord
- tar
- uppgift
- uppgifter
- grupp
- Teknisk
- Tekniken
- Teknologi
- mall
- texas
- text
- den där
- Smakämnen
- Framtiden
- den information
- källan
- deras
- Dem
- sedan
- Där.
- vari
- Dessa
- de
- sak
- detta
- fastän?
- hota
- tre
- Genom
- tid
- Tidsföljder
- till
- verktyg
- toolkit
- verktyg
- topp
- ämne
- Totalt
- Handel
- Tåg
- Avskrift
- Förvandla
- Transformation
- transport
- Traveling
- Trender
- två
- Typ
- typer
- ui
- förstå
- förståelse
- universitet
- låsa
- upplåsning
- kommande
- uppdaterad
- us
- användning
- Begagnade
- Användare
- användare
- användningar
- med hjälp av
- utnyttjas
- Återvinnare
- Värdefulla
- värde
- mängd
- olika
- versioner
- via
- Video
- volymer
- var
- tittar
- Vatten
- Sätt..
- sätt
- we
- webb
- webbservice
- VÄL
- były
- Vad
- när
- som
- VEM
- bred
- Brett utbud
- kommer
- med
- inom
- Arbete
- arbetade
- arbetsflöde
- år
- år
- Om er
- Din
- zephyrnet