ข้อมูลหลายรูปแบบเป็นองค์ประกอบที่มีคุณค่าของอุตสาหกรรมการเงิน ซึ่งครอบคลุมตลาด เศรษฐกิจ ลูกค้า ข่าวสารและโซเชียลมีเดีย และข้อมูลความเสี่ยง องค์กรทางการเงินสร้าง รวบรวม และใช้ข้อมูลนี้เพื่อรับข้อมูลเชิงลึกเกี่ยวกับการดำเนินงานทางการเงิน ตัดสินใจได้ดีขึ้น และปรับปรุงประสิทธิภาพ อย่างไรก็ตาม มีความท้าทายที่เกี่ยวข้องกับข้อมูลหลายรูปแบบเนื่องจากความซับซ้อนและขาดมาตรฐานในระบบการเงิน รูปแบบและคุณภาพของข้อมูล ตลอดจนลักษณะที่กระจัดกระจายและไม่มีโครงสร้างของข้อมูล ลูกค้าทางการเงินมักอธิบายค่าใช้จ่ายในการดำเนินงานในการรับข้อมูลเชิงลึกทางการเงินจากข้อมูลหลายรูปแบบ ซึ่งจำเป็นต้องมีตรรกะในการแยกและการเปลี่ยนแปลงที่ซับซ้อน ซึ่งนำไปสู่ความพยายามและต้นทุนที่เพิ่มขึ้น ความท้าทายทางเทคนิคเกี่ยวกับข้อมูลหลายรูปแบบยังรวมถึงความซับซ้อนในการบูรณาการและการสร้างแบบจำลองข้อมูลประเภทต่างๆ ความยากในการรวมข้อมูลจากรูปแบบต่างๆ (ข้อความ รูปภาพ เสียง วิดีโอ) และความต้องการทักษะวิทยาการคอมพิวเตอร์ขั้นสูงและเครื่องมือวิเคราะห์ที่ซับซ้อน
วิธีหนึ่งในการจัดการข้อมูลหลายรูปแบบที่กำลังได้รับความนิยมคือการใช้ตัวแทนหลายรูปแบบ เอเจนต์หลายรูปแบบคือระบบ AI ที่สามารถเข้าใจและวิเคราะห์ข้อมูลในรูปแบบต่างๆ โดยใช้เครื่องมือที่เหมาะสมในชุดเครื่องมือ พวกเขาสามารถเชื่อมโยงข้อมูลเชิงลึกกับประเภทข้อมูลที่หลากหลายเหล่านี้เพื่อทำความเข้าใจที่ครอบคลุมมากขึ้นและสร้างการตอบสนองที่เหมาะสม ตัวแทนหลายรูปแบบร่วมกับ generative AI กำลังค้นหาแอปพลิเคชันที่แพร่หลายในตลาดการเงิน ต่อไปนี้เป็นกรณีการใช้งานยอดนิยมบางส่วน:
- การรายงานอัจฉริยะและข้อมูลการตลาด – AI สามารถวิเคราะห์แหล่งข้อมูลทางการเงินต่างๆ เพื่อสร้างรายงานข่าวกรองทางการตลาด ช่วยเหลือนักวิเคราะห์ นักลงทุน และบริษัทต่างๆ ในการติดตามแนวโน้ม ตัวแทนหลายรูปแบบสามารถสรุปรายงานทางการเงินที่มีความยาวได้อย่างรวดเร็ว ช่วยให้นักวิเคราะห์ประหยัดเวลาและความพยายามอย่างมาก
- การสร้างแบบจำลองเชิงปริมาณและการพยากรณ์ – โมเดลเชิงกำเนิดสามารถสังเคราะห์ข้อมูลทางการเงินปริมาณมากเพื่อฝึกโมเดล Machine Learning (ML) สำหรับแอปพลิเคชันต่างๆ เช่น การคาดการณ์ราคาหุ้น การเพิ่มประสิทธิภาพพอร์ตโฟลิโอ การสร้างแบบจำลองความเสี่ยง และอื่นๆ โมเดลหลายรูปแบบที่เข้าใจแหล่งข้อมูลที่หลากหลายสามารถให้การคาดการณ์ที่แม่นยำยิ่งขึ้น
- การตรวจจับการปฏิบัติตามข้อกำหนดและการฉ้อโกง – โซลูชันนี้สามารถขยายเพื่อรวมเครื่องมือตรวจสอบที่วิเคราะห์ช่องทางการสื่อสาร เช่น การโทร อีเมล แชท บันทึกการเข้าถึง และอื่นๆ เพื่อระบุการซื้อขายหลักทรัพย์โดยใช้ข้อมูลภายในที่อาจเกิดขึ้นหรือการปั่นป่วนตลาด การตรวจจับการสมรู้ร่วมคิดที่เป็นการฉ้อโกงในข้อมูลประเภทต่างๆ จำเป็นต้องมีการวิเคราะห์หลายรูปแบบ
ตัวแทนหลายรูปแบบพร้อม Generative AI ช่วยเพิ่มประสิทธิภาพการทำงานของนักวิเคราะห์ทางการเงินโดยการทำงานซ้ำ ๆ และงานประจำโดยอัตโนมัติ ซึ่งช่วยให้นักวิเคราะห์มีเวลามุ่งเน้นไปที่งานที่มีมูลค่าสูง ตัวแทนหลายรูปแบบสามารถขยายความสามารถของนักวิเคราะห์ในการรับข้อมูลเชิงลึกโดยการช่วยเหลือในการวิจัยและการวิเคราะห์ ตัวแทนหลายรูปแบบยังสามารถสร้างการวิเคราะห์เชิงปริมาณและแบบจำลองทางการเงินที่ได้รับการปรับปรุง ทำให้นักวิเคราะห์สามารถทำงานได้เร็วขึ้นและมีความแม่นยำมากขึ้น
การใช้ตัวแทนหลายรูปแบบกับ AWS จะรวบรวมข้อมูลเชิงลึกที่สำคัญจากข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างที่หลากหลายในวงกว้าง ตัวแทนหลายรูปแบบสามารถรวมพลังของข้อเสนอ AI กำเนิดได้อย่างง่ายดาย อเมซอน เบดร็อค และ Amazon SageMaker JumpStart ด้วยความสามารถในการประมวลผลข้อมูลจาก AWS Analytics และบริการ AI/ML เพื่อมอบโซลูชันที่คล่องตัวซึ่งช่วยให้นักวิเคราะห์ทางการเงินสามารถวิเคราะห์และรวบรวมข้อมูลเชิงลึกจากข้อมูลหลายรูปแบบได้อย่างมีประสิทธิภาพในลักษณะที่ปลอดภัยและปรับขนาดได้ภายใน AWS Amazon เสนอชุดบริการ AI ที่ช่วยให้สามารถประมวลผลภาษาธรรมชาติ (NLP) การรู้จำคำพูด การแยกข้อความ และการค้นหา:
- เข้าใจ Amazon เป็นบริการ NLP ที่สามารถวิเคราะห์ข้อความสำหรับวลีสำคัญและวิเคราะห์ความรู้สึก
- Amazon Text คือบริการประมวลผลเอกสารอัจฉริยะที่สามารถดึงข้อความและข้อมูลออกจากเอกสารได้อย่างแม่นยำ
- ถอดความจากอเมซอน เป็นบริการรู้จำคำพูดอัตโนมัติที่สามารถแปลงคำพูดเป็นข้อความได้
- อเมซอน เคนดรา เป็นบริการค้นหาระดับองค์กรที่ขับเคลื่อนโดย ML เพื่อค้นหาข้อมูลในแหล่งข้อมูลที่หลากหลาย รวมถึงเอกสารและฐานความรู้
ในโพสต์นี้ เรานำเสนอสถานการณ์ที่นักวิเคราะห์ทางการเงินโต้ตอบกับข้อมูลหลายรูปแบบขององค์กร ซึ่งอยู่ในที่เก็บข้อมูลที่สร้างขึ้นตามวัตถุประสงค์ เพื่อรวบรวมข้อมูลเชิงลึกทางการเงิน ในการโต้ตอบ เราจะสาธิตวิธีที่ตัวแทนหลายรูปแบบวางแผนและดำเนินการค้นหาผู้ใช้และดึงผลลัพธ์จากแหล่งข้อมูลที่เกี่ยวข้อง ทั้งหมดนี้ทำได้โดยใช้บริการของ AWS ซึ่งจะช่วยเพิ่มประสิทธิภาพของนักวิเคราะห์ทางการเงินในการวิเคราะห์ข้อมูลทางการเงินหลายรูปแบบ (ข้อความ คำพูด และข้อมูลแบบตาราง) แบบองค์รวม
ภาพหน้าจอต่อไปนี้แสดงตัวอย่างของ UI
ภาพรวมโซลูชัน
แผนภาพต่อไปนี้แสดงสถาปัตยกรรมแนวความคิดในการใช้ AI เชิงสร้างสรรค์กับข้อมูลหลายรูปแบบโดยใช้ตัวแทน ขั้นตอนที่เกี่ยวข้องมีดังนี้:
- นักวิเคราะห์ทางการเงินตั้งคำถามผ่านแพลตฟอร์ม เช่น แชทบอท
- แพลตฟอร์มใช้กรอบงานเพื่อกำหนดเครื่องมือตัวแทนหลายรูปแบบที่เหมาะสมที่สุดในการตอบคำถาม
- เมื่อระบุได้แล้ว แพลตฟอร์มจะรันโค้ดที่เชื่อมโยงกับเครื่องมือที่ระบุก่อนหน้านี้
- เครื่องมือนี้สร้างการวิเคราะห์ข้อมูลทางการเงินตามที่นักวิเคราะห์ทางการเงินร้องขอ
- ในการสรุปผลลัพธ์ แบบจำลองภาษาขนาดใหญ่จะดึงข้อมูลและรายงานกลับไปยังนักวิเคราะห์ทางการเงิน
สถาปัตยกรรมทางเทคนิค
ตัวแทนหลายรูปแบบจะจัดเตรียมเครื่องมือต่างๆ ตามภาษาธรรมชาติที่ได้รับแจ้งจากผู้ใช้ทางธุรกิจเพื่อสร้างข้อมูลเชิงลึก สำหรับข้อมูลที่ไม่มีโครงสร้าง เอเจนต์จะใช้ AWS แลมบ์ดา ทำงานร่วมกับบริการ AI เช่น Amazon Textract สำหรับการวิเคราะห์เอกสาร, Amazon Transcribe สำหรับการรู้จำคำพูด, Amazon Comprehend สำหรับ NLP และ Amazon Kendra สำหรับการค้นหาอัจฉริยะ สำหรับข้อมูลที่มีโครงสร้าง เอเจนต์จะใช้ SQL Connector และ SQLAlchemy เพื่อวิเคราะห์ฐานข้อมูล ซึ่งรวมถึง อเมซอน อาเธน่า. เอเจนต์ยังใช้ Python ใน Lambda และ อเมซอน SageMaker SDK สำหรับการคำนวณและการสร้างแบบจำลองเชิงปริมาณ เอเจนต์ยังมีหน่วยความจำระยะยาวสำหรับจัดเก็บพร้อมท์และผลลัพธ์ด้วย อเมซอน ไดนาโมดีบี. เอเจนต์หลายรูปแบบอยู่ในสมุดบันทึก SageMaker และประสานงานเครื่องมือเหล่านี้ตามการแจ้งเตือนภาษาอังกฤษจากผู้ใช้ทางธุรกิจใน Streamlit UI
ส่วนประกอบที่สำคัญของสถาปัตยกรรมทางเทคนิคมีดังนี้:
- การจัดเก็บข้อมูลและการวิเคราะห์ – การบันทึกรายได้ทางการเงินรายไตรมาสเป็นไฟล์เสียง รายงานประจำปีทางการเงินในรูปแบบไฟล์ PDF และข้อมูลหุ้น S&P เป็นไฟล์ CSV โฮสต์อยู่บน บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน S3). การสำรวจข้อมูลหุ้นทำได้โดยใช้ Athena
- โมเดลภาษาขนาดใหญ่ – โมเดลภาษาขนาดใหญ่ (LLM) พร้อมใช้งานผ่าน Amazon Bedrock, SageMaker JumpStart หรือ API
- ตัวแทน – เราใช้ตัวแทนของ LangChain สำหรับสายการโทรที่ไม่ได้กำหนดไว้ล่วงหน้าเป็นอินพุตของผู้ใช้ไปยัง LLM และเครื่องมืออื่น ๆ ในเชนประเภทนี้ มีตัวแทนที่สามารถเข้าถึงชุดเครื่องมือได้ เครื่องมือแต่ละชิ้นถูกสร้างขึ้นสำหรับงานเฉพาะ ตัวแทนจะตัดสินใจเลือกเครื่องมือหรือชุดเครื่องมือต่างๆ ที่จะเรียกใช้เพื่อตอบคำถาม ทั้งนี้ขึ้นอยู่กับอินพุตของผู้ใช้ เราสร้างเครื่องมือตัวแทนที่สร้างขึ้นตามวัตถุประสงค์ต่อไปนี้สำหรับสถานการณ์ของเรา:
- เครื่องมือสืบค้นหุ้น – เพื่อสืบค้นข้อมูลหุ้น S&P โดยใช้ Athena และ SQLAlchemy
- เครื่องมือเพิ่มประสิทธิภาพพอร์ตโฟลิโอ – เพื่อสร้างพอร์ตโฟลิโอตามหุ้นที่เลือก
- เครื่องมือค้นหาข้อมูลทางการเงิน – เพื่อค้นหาข้อมูลรายได้ทางการเงินที่จัดเก็บไว้ในไฟล์ PDF หลายหน้าโดยใช้ Amazon Kendra
- เครื่องมือคำนวณหลาม – เพื่อใช้ในการคำนวณทางคณิตศาสตร์
- เครื่องมือวิเคราะห์ความรู้สึก – เพื่อระบุและให้คะแนนความรู้สึกในหัวข้อโดยใช้ Amazon Comprehend
- ตรวจหาเครื่องมือวลี – เพื่อค้นหาวลีสำคัญในรายงานรายไตรมาสล่าสุดโดยใช้ Amazon Comprehend
- เครื่องมือแยกข้อความ – เพื่อแปลงรายงานรายไตรมาสเวอร์ชัน PDF เป็นไฟล์ข้อความโดยใช้ Amazon Textract
- เครื่องมือถอดเสียง – เพื่อแปลงไฟล์บันทึกเสียงเป็นไฟล์ข้อความโดยใช้ Amazon Transcribe
หน่วยความจำเอเจนต์ที่เก็บสายการโต้ตอบระหว่างผู้ใช้กับเอเจนต์จะถูกบันทึกไว้ใน DynamoDB
ส่วนต่อไปนี้จะอธิบายขั้นตอนหลักบางส่วนด้วยโค้ดที่เกี่ยวข้อง หากต้องการเจาะลึกลงไปในโซลูชันและโค้ดสำหรับขั้นตอนทั้งหมดที่แสดงไว้ที่นี่ โปรดดูที่ repo GitHub.
เบื้องต้น
หากต้องการเรียกใช้โซลูชันนี้ คุณต้องมีคีย์ API ไปยัง LLM เช่น Anthropic Claude v2 หรือมีสิทธิ์เข้าถึงโมเดลพื้นฐานของ Amazon Bedrock
หากต้องการสร้างการตอบสนองจากข้อมูลที่มีโครงสร้างและไม่มีโครงสร้างโดยใช้ LLM และ LangChain คุณต้องเข้าถึง LLM ผ่าน Amazon Bedrock, SageMaker JumpStart หรือคีย์ API และต้องใช้ฐานข้อมูลที่เข้ากันได้กับ SQLAlchemy AWS Identity และการจัดการการเข้าถึง จำเป็นต้องมีนโยบาย (IAM) ด้วย รายละเอียดซึ่งคุณสามารถดูได้ใน repo GitHub
ส่วนประกอบสำคัญของเอเจนต์หลายรูปแบบ
มีองค์ประกอบสำคัญบางประการของเอเจนต์หลายรูปแบบ:
- ฟังก์ชันที่กำหนดไว้สำหรับเครื่องมือของเอเจนต์แบบหลายโมดัล
- เครื่องมือที่กำหนดไว้สำหรับเอเจนต์หลายรูปแบบ
- หน่วยความจำระยะยาวสำหรับเอเจนต์หลายโมดัล
- เอเจนต์หลายรูปแบบที่ใช้ผู้วางแผน-ผู้ดำเนินการ (กำหนดด้วยเครื่องมือ, LLM และหน่วยความจำ)
ในส่วนนี้ เราจะแสดงส่วนประกอบสำคัญพร้อมส่วนย่อยโค้ดที่เกี่ยวข้อง
ฟังก์ชันที่กำหนดไว้สำหรับเครื่องมือของเอเจนต์แบบหลายโมดัล
ตัวแทนหลายรูปแบบจำเป็นต้องใช้บริการ AI ต่างๆ เพื่อประมวลผลข้อมูลประเภทต่างๆ เช่น ข้อความ คำพูด รูปภาพ และอื่นๆ ฟังก์ชันบางอย่างเหล่านี้อาจต้องเรียกใช้บริการ AWS AI เช่น Amazon Comprehend เพื่อวิเคราะห์ข้อความ, Amazon Textract เพื่อวิเคราะห์รูปภาพและเอกสาร และ Amazon Transcribe เพื่อแปลงคำพูดเป็นข้อความ ฟังก์ชันเหล่านี้สามารถเรียกใช้ภายในเครื่องภายในเอเจนต์หรือปรับใช้เป็นฟังก์ชัน Lambda ที่เอเจนต์สามารถเรียกใช้ได้ ฟังก์ชัน Lambda เรียกใช้บริการ AWS AI ที่เกี่ยวข้องภายในและส่งคืนผลลัพธ์ให้กับตัวแทน วิธีการนี้ทำให้ตรรกะเป็นโมดูลและทำให้เอเจนต์สามารถบำรุงรักษาและขยายได้มากขึ้น
ฟังก์ชันต่อไปนี้จะกำหนดวิธีการคำนวณพอร์ตโฟลิโอที่ปรับให้เหมาะสมตามหุ้นที่เลือก วิธีหนึ่งในการแปลงฟังก์ชันที่ใช้ Python เป็นเครื่องมือ LLM คือการใช้ เครื่องมือพื้นฐาน กระดาษห่อ
ต่อไปนี้คือโค้ดสำหรับ Lambda ที่เรียกใช้บริการ AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API:
เครื่องมือที่กำหนดไว้สำหรับเอเจนต์หลายรูปแบบ
เอเจนต์แบบหลายโมดัลสามารถเข้าถึงเครื่องมือต่างๆ เพื่อเปิดใช้งานฟังก์ชันการทำงานได้ สามารถสืบค้นฐานข้อมูลหุ้นเพื่อตอบคำถามเกี่ยวกับหุ้นได้ สามารถเพิ่มประสิทธิภาพพอร์ตโฟลิโอโดยใช้เครื่องมือเฉพาะ สามารถดึงข้อมูลจาก Amazon Kendra ซึ่งเป็นบริการค้นหาระดับองค์กรของ Amazon เครื่องมือ Python REPL อนุญาตให้เอเจนต์รันโค้ด Python ตัวอย่างของโครงสร้างของเครื่องมือ รวมทั้งชื่อและคำอธิบาย จะแสดงอยู่ในโค้ดต่อไปนี้ กล่องเครื่องมือจริงของโพสต์นี้มีเครื่องมือแปดอย่าง: เครื่องมือสืบค้นหุ้น, เครื่องมือเพิ่มประสิทธิภาพพอร์ตโฟลิโอ, เครื่องมือค้นหาข้อมูลทางการเงิน, เครื่องมือคำนวณ Python, เครื่องมือวิเคราะห์ความรู้สึก, เครื่องมือตรวจจับวลี, เครื่องมือแยกข้อความ และเครื่องมือถอดเสียง
หน่วยความจำระยะยาวสำหรับเอเจนต์แบบหลายโมดัล
รหัสต่อไปนี้แสดงการกำหนดค่าของหน่วยความจำระยะยาวสำหรับเอเจนต์แบบหลายโมดัล ในโค้ดนี้ ตาราง DynamoDB จะถูกเพิ่มเป็นหน่วยความจำเพื่อจัดเก็บพร้อมท์และคำตอบสำหรับการอ้างอิงในอนาคต
เอเจนต์หลายรูปแบบที่ใช้ผู้วางแผนและผู้บริหาร
พื้นที่ ผู้วางแผน-ผู้บริหาร สถาปัตยกรรมเอเจนต์หลายโมดอลที่ใช้พื้นฐานมีสององค์ประกอบหลัก: ผู้วางแผนและผู้ดำเนินการ ผู้วางแผนจะสร้างแผนระดับสูงพร้อมขั้นตอนที่จำเป็นในการรันและตอบคำถามทันที จากนั้นผู้ดำเนินการจะรันแผนนี้โดยสร้างการตอบสนองของระบบที่เหมาะสมสำหรับแต่ละขั้นตอนของแผนโดยใช้โมเดลภาษาพร้อมเครื่องมือที่จำเป็น ดูรหัสต่อไปนี้:
สถานการณ์ตัวอย่างตามคำถามที่นักวิเคราะห์ทางการเงินถาม
ในส่วนนี้ เราจะสำรวจสถานการณ์ตัวอย่างสองสถานการณ์เพื่อแสดงขั้นตอนตั้งแต่ต้นจนจบที่ดำเนินการโดยตัวแทนหลายรูปแบบตามคำถามที่ถามโดยนักวิเคราะห์ทางการเงิน
สถานการณ์ที่ 1: คำถามโดยนักวิเคราะห์ทางการเงินที่เกี่ยวข้องกับข้อมูลที่มีโครงสร้าง
ในสถานการณ์นี้ นักวิเคราะห์ทางการเงินถามคำถามเป็นภาษาอังกฤษที่เกี่ยวข้องกับหุ้นของบริษัทกับตัวแทนหลายรูปแบบ เอเจนต์ LangChain แบบหลายโมดัลมาพร้อมกับแผนหลายขั้นตอนและตัดสินใจว่าจะใช้เครื่องมือใดสำหรับแต่ละขั้นตอน ไดอะแกรมต่อไปนี้แสดงตัวอย่างเวิร์กโฟลว์โดยมีขั้นตอนต่อไปนี้:
- นักวิเคราะห์ทางการเงินถามคำถามทางการเงินเป็นภาษาอังกฤษผ่าน UI ไปยังตัวแทนหลายรูปแบบ
- ตัวแทนระบุว่าต้องใช้เครื่องมือฐานข้อมูลเพื่อตอบคำถาม โดยจะสร้างการสืบค้น SQL โดยใช้ LLM ตามคำถามและสืบค้นฐานข้อมูล Athena
- Athena รันการสืบค้น SQL ดึงผลลัพธ์ที่เกี่ยวข้อง (อนุกรมเวลาราคาหุ้นของบริษัททั้งห้า) และส่งผลลัพธ์พร้อมข้อมูลที่เกี่ยวข้องไปยังตัวแทน
- ตัวแทนระบุว่าต้องใช้เครื่องมือที่สองในการตอบคำถาม โดยจะส่งข้อมูลที่ดึงมาไปยังเครื่องมือ Python เพื่อเพิ่มประสิทธิภาพพอร์ตโฟลิโอ
- เครื่องมือ Python จะคำนวณพอร์ตโฟลิโอที่เหมาะสมที่สุดที่จำเป็น รวมถึงน้ำหนัก และส่งคำตอบไปยัง LLM ภายในตัวแทน
- ตัวแทนรวบรวมข้อมูลที่จำเป็นและการคำนวณโดยใช้ LLM และตอบการวิเคราะห์ทางการเงินผ่าน UI เป็นภาษาอังกฤษ
นักวิเคราะห์ทางการเงินถามคำถามต่อไปนี้:
"ราคาปิดของหุ้น AAAA, WWW, DDD ในปี 2018 เป็นเท่าใด? คุณสามารถสร้างพอร์ตโฟลิโอที่ปรับให้เหมาะสมโดยใช้หุ้นทั้งสามตัวนี้ได้หรือไม่?"
รหัสต่อไปนี้แสดงขั้นตอนที่ระบุโดยผู้วางแผนของตัวแทนหลายรูปแบบ:
เอเจนต์แปลพร้อมต์คำถามเป็นการสืบค้น SQL ต่อไปนี้:
รหัสต่อไปนี้แสดงคำตอบสุดท้ายโดยตัวแทนหลายรูปแบบตามคำถาม:
สถานการณ์ที่ 2: คำถามจากนักวิเคราะห์ทางการเงินที่เกี่ยวข้องกับข้อมูลที่ไม่มีโครงสร้าง
ในสถานการณ์สมมตินี้ นักวิเคราะห์ทางการเงินถามคำถามหลายข้อเกี่ยวกับสถานะทางการเงินของบริษัทกับตัวแทนหลายรูปแบบ เอเจนต์เรียกใช้เอเจนต์เครื่องมือสองตัว ได้แก่ Amazon Kendra พร้อมข้อมูลที่ไม่มีโครงสร้างและเครื่องมือคำนวณ Python เพื่อรวบรวมข้อมูลและดำเนินการคำนวณที่จำเป็น จากนั้นตัวแทนจะรวบรวมข้อมูลจากเครื่องมือโดยใช้โมเดลภาษาและให้คำตอบทั้งหมดแก่นักวิเคราะห์ กุญแจสำคัญของสถานการณ์นี้คือ ตัวแทนสามารถจดจำคำถามและคำตอบของคำถามก่อนหน้านี้ และรวมบริบทเข้ากับการสนทนาได้ แผนภาพต่อไปนี้แสดงขั้นตอนการทำงาน ซึ่งประกอบด้วยขั้นตอนต่อไปนี้:
- นักวิเคราะห์ทางการเงินถามคำถามทางการเงินเป็นภาษาอังกฤษผ่าน UI ไปยังตัวแทนหลายรูปแบบ
- เจ้าหน้าที่ระบุว่าต้องใช้เครื่องมือ Amazon Kendra เพื่อตอบคำถามและเรียกใช้เครื่องมือตัวแทน Amazon Kendra
- Amazon Kendra ค้นหาคลังข้อมูลที่ไม่มีโครงสร้างใน Amazon S3 และดึงเอกสารที่เกี่ยวข้องซึ่งมีคำตอบ
- Amazon Kendra ส่งคำตอบจากเอกสารที่เกี่ยวข้องไปยัง LLM ภายในตัวแทนด้วยการใช้ดึงข้อมูล Augmented Generation (RAG)
- ตัวแทนระบุว่าต้องใช้เครื่องมือตัวที่สองในการตอบคำถามส่วนที่สอง โดยจะส่งข้อมูลจากเครื่องมือแรกไปยังเครื่องมือคำนวณ Python
- เครื่องมือ Python จะคำนวณอัตราส่วนที่ต้องการและส่งคำตอบไปยัง LLM ภายในตัวแทน
- ตัวแทนรวบรวมข้อมูลที่จำเป็นและการคำนวณโดยใช้ LLM และตอบนักวิเคราะห์ทางการเงินผ่าน UI
ต่อไปนี้เป็นคำถามและคำตอบระหว่างนักวิเคราะห์และตัวแทนหลายรูปแบบ
ตัวแทนตอบคำถาม”ผลขาดทุนสุทธิของ Amazon สำหรับปีงบประมาณที่สิ้นสุดในเดือนธันวาคม 2022 เป็นเท่าใด” โดย “Amazon รายงานยอดขายสุทธิรวม 514.0 พันล้านดอลลาร์สหรัฐ และขาดทุนสุทธิ 2.7 พันล้านดอลลาร์ในปีงบประมาณ 2022” แหล่งที่มาคือรายงาน Amazon 10K สำหรับปีงบประมาณสิ้นสุดเดือนธันวาคม 2022 ซึ่งดึงข้อมูลโดยใช้ Retrive_Kendra
เครื่องมือ.
สำหรับคำถาม “ปีเดียวกันขาดทุนสุทธิเท่าไหร่?” ตัวแทนตอบว่า “2.7 พันล้านดอลลาร์” แหล่งที่มาคือรายงาน Amazon 10K สำหรับปีงบประมาณสิ้นสุดเดือนธันวาคม 2022 ซึ่งดึงข้อมูลโดยใช้ Retrive_Kendra
เครื่องมือ. โปรดทราบว่าแม้ว่าคำถามจะคล้ายกับคำถามที่สอง แต่คำถามนี้ไม่ได้ระบุชื่อบริษัทหรือหมายเลขปี อย่างไรก็ตาม ตัวแทนสามารถใช้ชื่อบริษัทและปีที่ถูกต้องตามบริบทในหน่วยความจำการสนทนาได้
สำหรับคำถาม “สูตร Net Profit Margin Ratio ซึ่งเป็นอัตราส่วนความสามารถในการทำกำไรประเภทหนึ่งคืออะไร ?” ตัวแทนตอบว่า “Amazon รายงานยอดขายสุทธิรวม 514.0 พันล้านดอลลาร์สหรัฐ และขาดทุนสุทธิ 2.7 พันล้านดอลลาร์ในปีงบประมาณ 2022 อัตรากำไรสุทธิของ Amazon สำหรับปีงบประมาณ 2022 อยู่ที่ -0.5%” แหล่งที่มาก็คือ Retrieve_Kendra
และ PythonREPLTool().
เจาะลึกการแก้ปัญหา
หากต้องการเจาะลึกลงไปในโซลูชันและโค้ดที่แสดงในโพสต์นี้ โปรดดูที่ repo GitHub.
ใน repo GitHub คุณจะสามารถค้นหาโน้ตบุ๊ก Python ที่มีโซลูชันแบบ end-to-end และ การก่อตัวของ AWS Cloud เทมเพลตสำหรับการจัดเตรียมโครงสร้างพื้นฐาน ข้อมูลที่ไม่มีโครงสร้าง (ไฟล์ PDF รายงานรายได้ ไฟล์เสียงการโทรเพื่อรับรายได้) และข้อมูลที่มีโครงสร้าง (อนุกรมเวลาของหุ้น)
ในภาคผนวกตอนท้าย คำถามต่างๆ ที่ถามโดยนักวิเคราะห์ทางการเงิน เครื่องมือตัวแทนที่เรียกใช้ และคำตอบจากตัวแทนหลายรูปแบบได้ถูกจัดทำเป็นตาราง
ทำความสะอาด
หลังจากที่คุณรันเอเจนต์แบบหลายโมดัลแล้ว ตรวจสอบให้แน่ใจว่าได้ล้างทรัพยากรใดๆ ที่จะไม่ถูกใช้งาน ปิดและลบฐานข้อมูลที่ใช้ (Athena) นอกจากนี้ ให้ลบข้อมูลใน Amazon S3 และหยุดอินสแตนซ์สมุดบันทึก SageMaker Studio เพื่อไม่ให้เกิดค่าใช้จ่ายเพิ่มเติม ลบฟังก์ชัน Lambda และตาราง DynamoDB ซึ่งเป็นส่วนหนึ่งของหน่วยความจำระยะยาวที่ไม่ได้ใช้งาน หากคุณใช้ SageMaker JumpStart เพื่อปรับใช้ LLM เป็นจุดสิ้นสุดแบบเรียลไทม์ของ SageMaker ให้ลบจุดสิ้นสุดผ่านคอนโซล SageMaker หรือ SageMaker Studio
สรุป
โพสต์นี้สาธิตพื้นที่จัดเก็บ AWS, AI/ML และบริการประมวลผลที่หลากหลายที่คุณสามารถใช้เพื่อสร้างโซลูชัน AI หลายรูปแบบขั้นสูงพร้อมกับเฟรมเวิร์ก LangChain และ AI เชิงสร้างสรรค์ ด้วยการผสานรวม NLP การรู้จำเสียง และเทคโนโลยี ML ตัวแทนหลายรูปแบบที่พัฒนาขึ้นในสถานการณ์นี้สามารถวิเคราะห์รูปแบบข้อมูลทางการเงินที่หลากหลาย (แบบมีโครงสร้างและไม่มีโครงสร้าง) และตอบสนองต่อคำแนะนำในภาษาธรรมชาติ (ภาษาอังกฤษ) สิ่งนี้จะช่วยเพิ่มผลผลิตและประสิทธิภาพของนักวิเคราะห์ทางการเงิน ทำให้พวกเขามุ่งเน้นไปที่งานเชิงกลยุทธ์ที่มีมูลค่าสูงได้ โซลูชัน AI แบบหลายรูปแบบที่ขับเคลื่อนโดย AWS มีศักยภาพในการเปลี่ยนแปลงตลาดการเงินโดยการทำงานซ้ำ ๆ โดยอัตโนมัติ เพิ่มขีดความสามารถของมนุษย์ และสร้างข้อมูลเชิงลึกที่ขับเคลื่อนด้วยข้อมูลอย่างมีประสิทธิภาพ สำหรับข้อมูลที่มีโครงสร้าง สถาปัตยกรรมข้อมูลสมัยใหม่ที่มีฐานข้อมูลหลายฐานข้อมูลสามารถรวมเข้ากับ Generative AI และ LLM ได้ สำหรับรายละเอียดเพิ่มเติม โปรดดูที่ พลิกโฉมประสบการณ์ข้อมูล: ใช้ AI เจนเนอเรชั่นและสถาปัตยกรรมข้อมูลสมัยใหม่เพื่อปลดล็อกข้อมูลเชิงลึก. นอกจากนี้ยังอ้างถึง อเมซอน เบดร็อค สำหรับกรณีการใช้งานบน AI เชิงสร้างสรรค์ โมเดลพื้นฐาน และโมเดลภาษาขนาดใหญ่
ภาคผนวก
ตารางต่อไปนี้ประกอบด้วยคำถามตัวอย่างโดยนักวิเคราะห์ทางการเงินเพื่อถามตัวแทนหลายรูปแบบตามข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง
วัตถุประสงค์ของคำถาม | คำถามที่ถามโดยนักวิเคราะห์ทางการเงินผ่าน UI | เรียกใช้เครื่องมือตัวแทนแล้ว | บริการ AWS หลักที่ใช้โดยเครื่องมือตัวแทน | คำตอบจากตัวแทนหลายรูปแบบ |
แจ้งให้ตัวแทน LangChain ประมวลผลล่วงหน้าและแยกข้อมูลจากข้อมูลที่รวบรวม | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. เครื่องมือแยกข้อความ |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
แจ้งให้ตัวแทน LangChain ถอดเสียงการบันทึกเสียงเป็นข้อความ | 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. |
แจ้งให้ตัวแทน LangChain วิเคราะห์สถานะทางการเงินและผลการดำเนินงานของบริษัท | 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. |
แจ้งให้ตัวแทน LangChain วิเคราะห์ผลการดำเนินงานทางการเงินของบริษัทจากรายงานรายได้ของบริษัท | 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. |
แจ้งให้ตัวแทน LangChain วิเคราะห์ทีมผู้บริหารของบริษัทและแผนสำหรับอนาคตจากรายงานผลประกอบการของบริษัท | 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. |
แจ้งให้ตัวแทน LangChain วิเคราะห์กลยุทธ์ของบริษัทจากรายงานรายได้ของบริษัท | 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. |
แจ้งให้ตัวแทน LangChain ทำการวิเคราะห์ความรู้สึกในการบันทึกการโทรเพื่อรับรายได้ | 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. |
แจ้งให้ตัวแทน LangChain สร้างพอร์ตโฟลิโอที่เหมาะสมที่สุดโดยใช้ข้อมูลที่รวบรวมไว้ | 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%' |
เกี่ยวกับผู้เขียน
โสวิกกุมารนาถ เป็นสถาปนิกโซลูชัน AI/ML กับ AWS เขามีประสบการณ์อย่างกว้างขวางในการออกแบบการเรียนรู้ของเครื่องแบบ end-to-end และโซลูชันการวิเคราะห์ธุรกิจในด้านการเงิน การดำเนินงาน การตลาด การดูแลสุขภาพ การจัดการห่วงโซ่อุปทาน และ IoT Sovik ได้ตีพิมพ์บทความและได้รับสิทธิบัตรในการตรวจสอบโมเดล ML เขามีปริญญาโทสองใบจากมหาวิทยาลัยเซาท์ฟลอริดา มหาวิทยาลัยฟรีบูร์ก ประเทศสวิตเซอร์แลนด์ และปริญญาตรีจากสถาบันเทคโนโลยีแห่งอินเดีย คารักปูร์ นอกเหนือจากงาน Sovik ยังชื่นชอบการเดินทาง นั่งเรือเฟอร์รี และชมภาพยนตร์
โมฮาน มุสตี เป็นผู้จัดการบัญชีด้านเทคนิคอาวุโสประจำเมืองดัลลาส Mohan ช่วยลูกค้าออกแบบและเพิ่มประสิทธิภาพแอปพลิเคชันบน AWS โมฮันสำเร็จการศึกษาด้านวิทยาการคอมพิวเตอร์และวิศวกรรมศาสตร์จากมหาวิทยาลัย JNT ประเทศอินเดีย ในเวลาว่าง เขาชอบใช้เวลากับครอบครัวและตั้งแคมป์
เจีย (วิเอียน) หลี่ เป็นสถาปนิกโซลูชันอาวุโสใน AWS โดยมีความเชี่ยวชาญด้าน AI/ML ปัจจุบันเธอสนับสนุนลูกค้าในอุตสาหกรรมการเงิน ก่อนที่จะมาร่วมงานกับ AWS ในปี 2022 เธอมีประสบการณ์ 7 ปีในการสนับสนุนลูกค้าระดับองค์กรที่ใช้ AI/ML ในระบบคลาวด์เพื่อขับเคลื่อนผลลัพธ์ทางธุรกิจ วิเวียนสำเร็จการศึกษาวิทยาศาสตรบัณฑิตจากมหาวิทยาลัยปักกิ่งและปริญญาเอกจากมหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนีย ในเวลาว่าง เธอสนุกกับกิจกรรมทางน้ำทั้งหมด และเดินป่าบนภูเขาที่สวยงามในรัฐโคโลราโด ซึ่งเป็นบ้านเกิดของเธอ
อุเชนนา เอ็กเบ เป็นสถาปนิกโซลูชัน AIML ที่ชื่นชอบการสร้างโซลูชัน AIML ที่นำมาใช้ซ้ำได้ Uchenna สำเร็จการศึกษาระดับปริญญาโทจากมหาวิทยาลัย Alaska Fairbanks เขาใช้เวลาว่างค้นคว้าเกี่ยวกับสมุนไพร ชา อาหารสุดยอด และวิธีรวมสมุนไพรเหล่านี้เข้ากับอาหารประจำวันของเขา
Navneet ตูเตจา เป็นผู้เชี่ยวชาญด้านข้อมูลที่ Amazon Web Services ก่อนเข้าร่วม AWS Navneet ทำงานเป็นผู้อำนวยความสะดวกสำหรับองค์กรที่ต้องการปรับปรุงสถาปัตยกรรมข้อมูลให้ทันสมัยและใช้โซลูชัน AI/ML ที่ครอบคลุม เธอสำเร็จการศึกษาด้านวิศวกรรมศาสตร์จากมหาวิทยาลัยท่าปาร์ และปริญญาโทด้านสถิติจากมหาวิทยาลัย Texas A&M
พราฟูล คาวา เป็นสถาปนิกโซลูชันผู้เชี่ยวชาญอาวุโสที่ AWS เขาแนะนำลูกค้าในการออกแบบและสร้างไปป์ไลน์ Analytics ระดับคลาวด์บน AWS นอกเหนือจากงาน เขาชอบเดินทางกับครอบครัวและสำรวจเส้นทางเดินป่าใหม่ๆ
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
- เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
- เพลโตESG. คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
- เพลโตสุขภาพ เทคโนโลยีชีวภาพและข่าวกรองการทดลองทางคลินิก เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- ][หน้า
- $ ขึ้น
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- ความสามารถ
- สามารถ
- เกี่ยวกับเรา
- เข้า
- ลงชื่อเข้าใช้
- บัญชี
- ความถูกต้อง
- แม่นยำ
- ประสบความสำเร็จ
- ประสบความสำเร็จ
- ข้าม
- กิจกรรม
- ที่เกิดขึ้นจริง
- ที่เพิ่ม
- นอกจากนี้
- สูง
- ความได้เปรียบ
- ตัวแทน
- ตัวแทน
- เปรียว
- AI
- บริการ AI
- ระบบ AI
- AI / ML
- ไอเอ็มแอล
- จุดมุ่งหมาย
- ALASKA
- ทั้งหมด
- การจัดสรร
- การอนุญาต
- ช่วยให้
- ตาม
- ด้วย
- แม้ว่า
- อเมซอน
- เข้าใจ Amazon
- อเมซอน เคนดรา
- Amazon Text
- ถอดความจากอเมซอน
- Amazon Web Services
- an
- การวิเคราะห์
- นักวิเคราะห์
- นักวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- วิเคราะห์
- และ
- ประจำปี
- คำตอบ
- คำตอบ
- มานุษยวิทยา
- ใด
- API
- คีย์ API
- APIs
- การใช้งาน
- การใช้งาน
- เข้าใกล้
- เหมาะสม
- สถาปัตยกรรม
- เป็น
- รอบ
- บทความ
- AS
- ถาม
- สินทรัพย์
- การให้ความช่วยเหลือ
- ที่เกี่ยวข้อง
- At
- เสียง
- เติม
- อัตโนมัติ
- โดยอัตโนมัติ
- ใช้ได้
- AWS
- กลับ
- ตาม
- BE
- สวยงาม
- รับ
- ก่อน
- กำลัง
- ดีกว่า
- ระหว่าง
- ที่ใหญ่ที่สุด
- พันล้าน
- ช่วยเพิ่ม
- กล่อง
- สร้าง
- การก่อสร้าง
- สร้าง
- ธุรกิจ
- by
- คำนวณ
- คำนวณ
- การคำนวณ
- การคำนวณ
- แคลิฟอร์เนีย
- โทรศัพท์
- ที่เรียกว่า
- โทร
- โทร
- CAN
- ความสามารถในการ
- กรณี
- โซ่
- ห่วงโซ่
- ความท้าทาย
- การเปลี่ยนแปลง
- ช่อง
- โหลด
- chatbots
- ตรวจสอบ
- เลือก
- ลูกค้า
- ปิด
- เมฆ
- รหัส
- รวบรวม
- โคโลราโด
- การผสมผสาน
- รวมกัน
- การรวมกัน
- มา
- มา
- การสื่อสาร
- บริษัท
- บริษัท
- บริษัท
- เข้ากันได้
- การแข่งขัน
- การแข่งขัน
- ซับซ้อน
- ความซับซ้อน
- ส่วนประกอบ
- ส่วนประกอบ
- เข้าใจ
- ครอบคลุม
- การคำนวณ
- คำนวณ
- คอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- เกี่ยวกับความคิดเห็น
- กังวล
- องค์ประกอบ
- ร่วม
- เชื่อมต่อ
- ประกอบ
- ปลอบใจ
- รวมโครงการ
- ผู้บริโภค
- มี
- สิ่งแวดล้อม
- ต่อเนื่องกัน
- การบริจาค
- การสนทนา
- แปลง
- แก้ไข
- ราคา
- ค่าใช้จ่าย
- ได้
- ที่สร้างขึ้น
- ปัจจุบัน
- ขณะนี้
- ลูกค้า
- ประสบการณ์ของลูกค้า
- ลูกค้า
- ประจำวัน
- ดัลลัส
- ข้อมูล
- การประมวลผล
- ที่ขับเคลื่อนด้วยข้อมูล
- ฐานข้อมูล
- ฐานข้อมูล
- วันที่
- ธันวาคม
- การตัดสินใจ
- ทุ่มเท
- ลึก
- กำหนด
- กำหนด
- องศา
- ความต้องการ
- สาธิต
- แสดงให้เห็นถึง
- ทั้งนี้ขึ้นอยู่กับ
- ปรับใช้
- นำไปใช้
- อธิบาย
- ลักษณะ
- ออกแบบ
- การออกแบบ
- รายละเอียด
- ตรวจจับ
- การตรวจพบ
- กำหนด
- พัฒนา
- อาหาร
- ต่าง
- ความยาก
- การดำน้ำ
- หลาย
- กระจาย
- do
- เอกสาร
- เอกสาร
- ทำ
- สอง
- ลง
- ขับรถ
- ขับเคลื่อน
- ไดรเวอร์
- สอง
- แต่ละ
- รายได้
- รายได้
- คาดผลประกอบการเรียก
- อย่างง่ายดาย
- ด้านเศรษฐกิจ
- อย่างมีประสิทธิภาพ
- ที่มีประสิทธิภาพ
- อย่างมีประสิทธิภาพ
- ความพยายาม
- ทั้ง
- อีเมล
- โผล่ออกมา
- ทำให้สามารถ
- การเปิดใช้งาน
- ห้อมล้อม
- ปลาย
- จบสิ้น
- สิ้นสุด
- ปลายทาง
- วิศวกร
- ชั้นเยี่ยม
- ภาษาอังกฤษ
- ที่เพิ่มขึ้น
- การเสริมสร้าง
- การป้อน
- Enterprise
- ความบันเทิง
- โดยเฉพาะอย่างยิ่ง
- แม้
- ตัวอย่าง
- ความยอดเยี่ยม
- ตลาดแลกเปลี่ยน
- ที่มีอยู่
- ขยาย
- ที่ขยาย
- การขยายตัว
- ประสบการณ์
- อธิบาย
- การสำรวจ
- สำรวจ
- สำรวจ
- กว้างขวาง
- ประสบการณ์ที่กว้างขวาง
- สารสกัด
- การสกัด
- อำนวยความสะดวก
- หันหน้าไปทาง
- ครอบครัว
- เร็วขึ้น
- สองสาม
- ไฟล์
- เอกสารที่ยื่นต่อ
- สุดท้าย
- เงินทุน
- ทางการเงิน
- ข้อมูลทางการเงิน
- ข้อมูลทางการเงิน
- ประสิทธิภาพทางการเงิน
- ระบบการเงิน
- หา
- หา
- ชื่อจริง
- การคลัง
- ห้า
- ฟลอริด้า
- โฟกัส
- โดยมุ่งเน้น
- ดังต่อไปนี้
- ดังต่อไปนี้
- สำหรับ
- การคาดการณ์
- รูป
- สูตร
- รากฐาน
- การแยกส่วน
- กรอบ
- การหลอกลวง
- การตรวจจับการฉ้อโกง
- ฉ้อโกง
- ฟรี
- มัก
- ราคาเริ่มต้นที่
- เชื้อเพลิง
- เต็ม
- ฟังก์ชัน
- ฟังก์ชั่น
- ฟังก์ชั่น
- ต่อไป
- อนาคต
- ได้รับ
- ดึงดูด
- รวบรวม
- สร้าง
- สร้าง
- การสร้าง
- รุ่น
- กำเนิด
- กำเนิด AI
- GIF
- GitHub
- เป้าหมาย
- ดี
- มากขึ้น
- เพิ่มขึ้น
- ขึ้น
- การเจริญเติบโต
- คู่มือ
- มี
- จัดการ
- มี
- he
- สุขภาพ
- การดูแลสุขภาพ
- จะช่วยให้
- เธอ
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- จุดสูง
- ระดับสูง
- สูงกว่า
- ของเขา
- ถือ
- หน้าแรก
- เป็นเจ้าภาพ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- ที่ http
- HTTPS
- เป็นมนุษย์
- i
- ระบุ
- ระบุ
- แยกแยะ
- เอกลักษณ์
- if
- แสดงให้เห็นถึง
- ภาพ
- การดำเนินการ
- สำคัญ
- ปรับปรุง
- การปรับปรุง
- in
- ประกอบด้วย
- รวมถึง
- รวมทั้ง
- รวมเข้าด้วยกัน
- Incorporated
- เพิ่ม
- เพิ่มขึ้น
- ที่เพิ่มขึ้น
- อินเดีย
- ชาวอินเดีย
- อุตสาหกรรม
- เงินเฟ้อ
- ที่ทำให้เงินเฟ้อ
- แรงกดดันเงินเฟ้อ
- ข้อมูล
- โครงสร้างพื้นฐาน
- เราสร้างสรรค์สิ่งใหม่ ๆ
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- อินพุต
- คนวงใน
- การค้าภายใน
- ข้อมูลเชิงลึก
- สถาบัน
- การบูรณาการ
- Intelligence
- ฉลาด
- การประมวลผลเอกสารอัจฉริยะ
- ปฏิสัมพันธ์
- ปฏิสัมพันธ์
- เชิงโต้ตอบ
- ภายใน
- เข้าไป
- ลงทุน
- การลงทุน
- นักลงทุน
- เรียก
- จะเรียก
- ร่วมมือ
- IOT
- IT
- ITS
- การร่วม
- jpg
- คีย์
- กุญแจ
- ความรู้
- kumar
- ไม่มี
- ภาษา
- ใหญ่
- ชั้นนำ
- การเรียนรู้
- เลฟเวอเรจ
- กดไลก์
- LIMIT
- ที่เชื่อมโยง
- สภาพคล่อง
- รายการ
- LLM
- ในท้องถิ่น
- ตรรกะ
- ระยะยาว
- ดู
- ค้นหา
- ปิด
- ต่ำ
- เครื่อง
- เรียนรู้เครื่อง
- หลัก
- บำรุงรักษาได้
- ทำ
- ทำให้
- การจัดการ
- คณะบริหาร
- การจัดการ
- ลักษณะ
- ขอบ
- ตลาด
- การจัดการตลาด
- การตลาด
- ตลาด
- ปริญญาโท
- คณิตศาสตร์
- อาจ..
- ภาพบรรยากาศ
- หน่วยความจำ
- กล่าวถึง
- ML
- แบบ
- การสร้างแบบจำลอง
- โมเดล
- ทันสมัย
- ทันสมัย
- การตรวจสอบ
- ข้อมูลเพิ่มเติม
- มากที่สุด
- Movies
- การย้าย
- MS
- หลาย
- ต้อง
- ชื่อ
- ชื่อ
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- จำเป็น
- จำเป็น
- จำเป็นต้อง
- ความต้องการ
- เชิงลบ
- สุทธิ
- ใหม่
- ผลิตภัณฑ์ใหม่
- ข่าว
- NLP
- สมุดบันทึก
- ตอนนี้
- จำนวน
- พันธบัตร
- of
- ปิด
- การเสนอขาย
- เสนอ
- on
- ONE
- การดำเนินงาน
- การดำเนินการ
- ดีที่สุด
- การเพิ่มประสิทธิภาพ
- เพิ่มประสิทธิภาพ
- การปรับให้เหมาะสม
- or
- ใบสั่ง
- องค์กร
- อื่นๆ
- ของเรา
- ออก
- ด้านนอก
- ทั้งหมด
- ส่วนหนึ่ง
- ผ่าน
- สิทธิบัตร
- ชำระ
- รูปแบบไฟล์ PDF
- ปักกิ่ง
- เปอร์เซ็นต์
- ดำเนินการ
- การปฏิบัติ
- ดำเนินการ
- phd
- วลี
- แผนการ
- แผน
- เวที
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- กรุณา
- จุด
- นโยบาย
- ยอดนิยม
- ความนิยม
- ผลงาน
- โพสท่า
- ตำแหน่ง
- โพสต์
- ที่มีศักยภาพ
- อำนาจ
- ขับเคลื่อน
- แรงกดดัน
- ก่อน
- ก่อนหน้านี้
- ราคา
- ราคา
- การตั้งราคา
- ส่วนใหญ่
- ประถม
- ก่อน
- กระบวนการ
- การประมวลผล
- ผลผลิต
- ผลิตภัณฑ์
- กำไร
- ทำกำไรได้
- กำไร
- ความคืบหน้า
- ให้
- ให้
- การตีพิมพ์
- หลาม
- คุณภาพ
- เชิงปริมาณ
- หนึ่งในสี่
- คำสั่ง
- คำถาม
- คำถาม
- อย่างรวดเร็ว
- หุ้น
- พิสัย
- ราคา
- อัตราส่วน
- RE
- พร้อม
- เรียลไทม์
- เมื่อเร็ว ๆ นี้
- การรับรู้
- การบันทึก
- อ้างอิง
- ที่เกี่ยวข้อง
- ญาติ
- ตรงประเด็น
- จำ
- ซ้ำ
- รายงาน
- รายงาน
- การรายงาน
- รายงาน
- จำเป็นต้องใช้
- ต้อง
- การวิจัย
- แหล่งข้อมูล
- ตอบสนอง
- คำตอบ
- การตอบสนอง
- ผล
- ผลสอบ
- ค้าปลีก
- กลับ
- นำมาใช้ใหม่
- รายได้
- การเติบโตของรายได้
- ขวา
- ความเสี่ยง
- ความเสี่ยง
- แข็งแรง
- ประจำวัน
- วิ่ง
- ทำงาน
- s
- เอสแอนด์พี
- sagemaker
- ขาย
- เดียวกัน
- ที่บันทึกไว้
- ประหยัด
- ที่ปรับขนาดได้
- ขนาด
- สถานการณ์
- สถานการณ์
- วิทยาศาสตร์
- คะแนน
- SDK
- ค้นหา
- ค้นหา
- ที่สอง
- Section
- ส่วน
- ปลอดภัย
- เห็น
- เห็น
- ที่กำลังมองหา
- แสวงหา
- ดูเหมือนว่า
- การเลือก
- ตนเอง
- ระดับอาวุโส
- ความรู้สึก
- ความรู้สึก
- ชุด
- บริการ
- บริการ
- เซสชั่น
- เธอ
- ระยะสั้น
- สภาพคล่องระยะสั้น
- น่า
- แสดง
- แสดง
- แสดงให้เห็นว่า
- ปิดตัวลง
- สำคัญ
- คล้ายคลึงกัน
- ง่าย
- ทักษะ
- สังคม
- โซเชียลมีเดีย
- ทางออก
- โซลูชัน
- บาง
- ซับซ้อน
- แหล่ง
- แหล่งที่มา
- ภาคใต้
- ฟลอริด้าใต้
- ทางใต้
- ผู้เชี่ยวชาญ
- โดยเฉพาะ
- การพูด
- การรู้จำเสียง
- ความเร็ว
- การใช้จ่าย
- กระจาย
- มาตรฐาน
- สถานะ
- สถิติ
- เข้าพัก
- ขั้นตอน
- ขั้นตอน
- สต็อก
- หุ้น
- หยุด
- การเก็บรักษา
- จัดเก็บ
- เก็บไว้
- ร้านค้า
- การเก็บรักษา
- ยุทธศาสตร์
- กลยุทธ์
- เสริมสร้าง
- โครงสร้าง
- โครงสร้าง
- สตูดิโอ
- การสมัครสมาชิก
- การสมัครรับข้อมูล
- อย่างเช่น
- เหมาะสม
- ชุด
- สรุป
- สรุป
- ซัพพลายเออร์
- จัดหาอุปกรณ์
- ห่วงโซ่อุปทาน
- การจัดการห่วงโซ่อุปทาน
- สนับสนุน
- ที่สนับสนุน
- รองรับ
- แน่ใจ
- ประเทศสวิสเซอร์แลนด์
- ระบบ
- ระบบ
- ตาราง
- การ
- งาน
- งาน
- ทีม
- วิชาการ
- เทคโนโลยี
- เทคโนโลยี
- เทมเพลต
- เท็กซัส
- ข้อความ
- ที่
- พื้นที่
- ก้าวสู่อนาคต
- ข้อมูล
- ที่มา
- ของพวกเขา
- พวกเขา
- แล้วก็
- ที่นั่น
- ดังนั้น
- ล้อยางขัดเหล่านี้ติดตั้งบนแกน XNUMX (มม.) ผลิตภัณฑ์นี้ถูกผลิตในหลายรูปทรง และหลากหลายเบอร์ความแน่นหนาของปริมาณอนุภาคขัดของมัน จะทำให้ท่านได้รับประสิทธิภาพสูงในการขัดและการใช้งานที่ยาวนาน
- พวกเขา
- สิ่ง
- นี้
- แต่?
- ขู่
- สาม
- ตลอด
- เวลา
- อนุกรมเวลา
- ไปยัง
- เครื่องมือ
- เครื่องมือ
- เครื่องมือ
- ด้านบน
- หัวข้อ
- รวม
- เทรด
- รถไฟ
- สำเนา
- แปลง
- การแปลง
- การขนส่ง
- การเดินทาง
- แนวโน้ม
- สอง
- ชนิด
- ชนิด
- ui
- เข้าใจ
- ความเข้าใจ
- มหาวิทยาลัย
- ปลดล็อก
- ปลดล็อค
- ที่กำลังมา
- ให้กับคุณ
- us
- ใช้
- มือสอง
- ผู้ใช้งาน
- ผู้ใช้
- ใช้
- การใช้
- ใช้
- ใช้ประโยชน์
- มีคุณค่า
- ความคุ้มค่า
- ความหลากหลาย
- ต่างๆ
- รุ่น
- ผ่านทาง
- วีดีโอ
- ไดรฟ์
- คือ
- ชม
- น้ำดื่ม
- ทาง..
- วิธี
- we
- เว็บ
- บริการเว็บ
- ดี
- คือ
- อะไร
- เมื่อ
- ที่
- WHO
- กว้าง
- ช่วงกว้าง
- จะ
- กับ
- ภายใน
- งาน
- ทำงาน
- เวิร์กโฟลว์
- ปี
- ปี
- คุณ
- ของคุณ
- ลมทะเล