Мультимодальні дані є цінним компонентом фінансової індустрії, охоплюючи дані про ринок, економіку, клієнтів, новини та соціальні медіа, а також дані про ризики. Фінансові організації створюють, збирають і використовують ці дані, щоб отримати уявлення про фінансові операції, прийняти кращі рішення та підвищити продуктивність. Однак існують проблеми, пов’язані з мультимодальними даними через складність і відсутність стандартизації фінансових систем, форматів і якості даних, а також фрагментований і неструктурований характер даних. Фінансові клієнти часто описували операційні накладні витрати на отримання фінансової інформації з мультимодальних даних, що вимагає складної логіки вилучення та перетворення, що призводить до роздутих зусиль і витрат. Технічні проблеми з мультимодальними даними також включають складність інтеграції та моделювання різних типів даних, складність об’єднання даних з кількох модальностей (текст, зображення, аудіо, відео), а також потребу в передових навичках інформатики та складних інструментах аналізу.
Одним із способів обробки мультимодальних даних, який набуває популярності, є використання мультимодальних агентів. Мультимодальні агенти — це системи штучного інтелекту, які можуть розуміти та аналізувати дані в різних модальностях, використовуючи потрібні інструменти зі свого інструментарію. Вони можуть об’єднати інформацію про ці різноманітні типи даних, щоб отримати більш повне розуміння та створити відповідні відповіді. Мультимодальні агенти в поєднанні з генеративним ШІ знаходять широке застосування на фінансових ринках. Нижче наведено кілька популярних випадків використання:
- Інтелектуальне звітування та аналіз ринку – ШІ може аналізувати різні джерела фінансової інформації для створення звітів про ринок, допомагаючи аналітикам, інвесторам і компаніям бути в курсі тенденцій. Мультимодальні агенти можуть швидко узагальнювати великі фінансові звіти, заощаджуючи аналітикам значний час і зусилля.
- Кількісне моделювання та прогнозування – Генеративні моделі можуть синтезувати великі обсяги фінансових даних для навчання моделей машинного навчання (ML) для таких програм, як прогнозування цін на акції, оптимізація портфеля, моделювання ризиків тощо. Мультимодальні моделі, які розуміють різноманітні джерела даних, можуть надавати надійніші прогнози.
- Відповідність і виявлення шахрайства – Це рішення можна розширити, включивши інструменти моніторингу, які аналізують канали зв’язку, такі як дзвінки, електронні листи, чати, журнали доступу тощо, щоб виявити потенційну інсайдерську торгівлю або маніпулювання ринком. Виявлення шахрайської змови між типами даних потребує мультимодального аналізу.
Мультимодальний агент із генеративним штучним інтелектом підвищує продуктивність фінансового аналітика шляхом автоматизації повторюваних і рутинних завдань, звільняючи час для аналітиків, щоб зосередитися на високоцінній роботі. Мультимодальні агенти можуть розширити здатність аналітика отримувати розуміння, допомагаючи в дослідженні та аналізі. Мультимодальні агенти також можуть генерувати покращений кількісний аналіз і фінансові моделі, що дозволяє аналітикам працювати швидше та з більшою точністю.
Впровадження мультимодального агента з AWS консолідує ключову інформацію з різноманітних структурованих і неструктурованих даних у великому масштабі. Мультимодальні агенти можуть легко поєднувати потужність пропозицій генеративного ШІ від Amazon Bedrock та Amazon SageMaker JumpStart з можливостями обробки даних від AWS Analytics і сервісів AI/ML для забезпечення гнучких рішень, які дозволяють фінансовим аналітикам ефективно аналізувати та збирати інформацію з мультимодальних даних безпечним і масштабованим способом у AWS. Amazon пропонує набір служб ШІ, які забезпечують обробку природної мови (NLP), розпізнавання мовлення, вилучення тексту та пошук:
- «Амазонка» – це служба НЛП, яка може аналізувати текст на ключові фрази та аналізувати почуття
- Текст Amazon це інтелектуальна служба обробки документів, яка може точно отримувати текст і дані з документів
- Амазонська розшифровка це служба автоматичного розпізнавання мовлення, яка може перетворювати мовлення на текст
- Амазонка Кендра це корпоративна пошукова служба на основі ML для пошуку інформації в різних джерелах даних, включаючи документи та бази знань
У цьому дописі ми демонструємо сценарій, коли фінансовий аналітик взаємодіє з мультимодальними даними організації, які зберігаються в спеціально створених сховищах даних, щоб отримати фінансову інформацію. Під час взаємодії ми демонструємо, як мультимодальні агенти планують і виконують запит користувача та отримують результати з відповідних джерел даних. Усе це досягається за допомогою сервісів AWS, що підвищує ефективність фінансового аналітика для цілісного аналізу мультимодальних фінансових даних (тексту, мови та табличних даних).
На наступному знімку екрана показано приклад інтерфейсу користувача.
Огляд рішення
Наступна діаграма ілюструє концептуальну архітектуру для використання генеративного ШІ з мультимодальними даними за допомогою агентів. Задіяні кроки такі:
- Фінансовий аналітик ставить запитання через платформу, таку як чат-боти.
- Платформа використовує структуру для визначення найбільш підходящого інструменту мультимодального агента для відповіді на запитання.
- Після ідентифікації платформа запускає код, пов’язаний із раніше ідентифікованим інструментом.
- Інструмент генерує аналіз фінансових даних за запитом фінансового аналітика.
- Під час узагальнення результатів великі мовні моделі отримують і звітують фінансовому аналітику.
Технічна архітектура
Мультимодальний агент організовує різні інструменти на основі підказок природної мови від бізнес-користувачів, щоб генерувати інформацію. Для неструктурованих даних агент використовує AWS Lambda працює з такими службами штучного інтелекту, як Amazon Texttract для аналізу документів, Amazon Transcribe для розпізнавання мовлення, Amazon Comprehend для NLP і Amazon Kendra для інтелектуального пошуку. Для структурованих даних агент використовує SQL Connector і SQLAlchemy для аналізу баз даних, що включає Амазонка Афіна. Агент також використовує Python у Lambda та Amazon SageMaker SDK для обчислень і кількісного моделювання. Агент також має довготривалу пам’ять для зберігання підказок і результатів Amazon DynamoDB. Мультимодальний агент знаходиться в блокноті SageMaker і координує ці інструменти на основі підказок англійською мовою від бізнес-користувачів в інтерфейсі користувача Streamlit.
Ключовими компонентами технічної архітектури є:
- Зберігання та аналітика даних – Квартальні записи фінансового прибутку у вигляді аудіофайлів, річні фінансові звіти у форматі PDF та дані про акції S&P у вигляді файлів CSV розміщені на Служба простого зберігання Amazon (Amazon S3). Дослідження даних щодо фондових даних здійснюється за допомогою Athena.
- Великі мовні моделі – Великі мовні моделі (LLM) доступні через Amazon Bedrock, SageMaker JumpStart або API.
- Агенти – Ми використовуємо агентів LangChain для невизначеного ланцюга викликів як введення користувачами для LLM та інших інструментів. У цих типах мереж існує агент, який має доступ до набору інструментів. Кожен інструмент створено для конкретного завдання. Залежно від введення користувача, агент вирішує, який інструмент або комбінацію інструментів викликати для відповіді на запитання. Для нашого сценарію ми створили такі спеціальні інструменти агента:
- Інструмент запитів щодо акцій – Для запиту даних про акції S&P за допомогою Athena та SQLAlchemy.
- Інструмент оптимізації портфоліо – Створити портфель на основі обраних акцій.
- Інструмент пошуку фінансової інформації – Для пошуку інформації про фінансові прибутки, що зберігається в багатосторінкових PDF-файлах, за допомогою Amazon Kendra.
- Інструмент обчислення Python – Використовувати для математичних розрахунків.
- Інструмент аналізу настроїв – Щоб визначити та оцінити настрої щодо теми за допомогою Amazon Comprehend.
- Інструмент виявлення фраз – Щоб знайти ключові фрази в останніх квартальних звітах за допомогою Amazon Comprehend.
- Інструмент вилучення тексту – Щоб конвертувати PDF-версії квартальних звітів у текстові файли за допомогою Amazon Texttract.
- Інструмент транскрибування аудіо – Для перетворення аудіозаписів у текстові файли за допомогою Amazon Transcribe.
Пам’ять агента, яка зберігає ланцюжок взаємодії користувача з агентом, зберігається в DynamoDB.
У наступних розділах пояснюються деякі основні дії з пов’язаним кодом. Щоб глибше зануритися в рішення та код для всіх показаних тут кроків, зверніться до GitHub репо.
Передумови
Щоб запустити це рішення, ви повинні мати ключ API для LLM, наприклад Anthropic Claude v2, або мати доступ до моделей основи Amazon Bedrock.
Щоб генерувати відповіді зі структурованих і неструктурованих даних за допомогою LLM і LangChain, вам потрібен доступ до LLM через Amazon Bedrock, SageMaker JumpStart або ключі API, а також використовувати бази даних, сумісні з SQLAlchemy. Управління ідентифікацією та доступом AWS (IAM) також потрібні політики, деталі яких можна знайти в репозиторії GitHub.
Ключові компоненти мультимодального агента
Існує кілька ключових компонентів мультимодального агента:
- Функції, визначені для інструментів мультимодального агента
- Інструменти, визначені для мультимодального агента
- Довготривала пам'ять для мультимодального агента
- Мультимодальний агент на основі планувальника-виконавця (визначається за допомогою інструментів, LLM і пам’яті)
У цьому розділі ми проілюструємо ключові компоненти з відповідними фрагментами коду.
Функції, визначені для інструментів мультимодального агента
Мультимодальний агент потребує використання різноманітних служб ШІ для обробки різних типів даних — тексту, мови, зображень тощо. Деякі з цих функцій можуть потребувати виклику таких служб AWS AI, як Amazon Comprehend для аналізу тексту, Amazon Texttract для аналізу зображень і документів і Amazon Transcribe для перетворення мовлення в текст. Ці функції можна викликати локально в агенті або розгорнути як лямбда-функції, які агент може викликати. Функції Lambda внутрішньо викликають відповідні служби AI AWS і повертають результати агенту. Цей підхід модульує логіку та робить агент більш придатним для обслуговування та розширюваності.
Наступна функція визначає, як розрахувати оптимізований портфель на основі вибраних акцій. Одним із способів перетворити функцію на основі Python на інструмент LLM є використання BaseTool обгортка
Нижче наведено код для Lambda, який викликає API служби AWS AI (Amazon Comprehend, Amazon Texttract, Amazon Transcribe):
Інструменти, визначені для мультимодального агента
Мультимодальний агент має доступ до різноманітних інструментів для забезпечення його функціональності. Він може запитувати базу даних акцій, щоб відповісти на запитання про акції. Він може оптимізувати портфоліо за допомогою спеціального інструменту. Він може отримувати інформацію з Amazon Kendra, служби корпоративного пошуку Amazon. Інструмент Python REPL дозволяє агенту запускати код Python. Приклад структури інструментів, включаючи їхні назви та описи, показано в наступному коді. Фактична панель інструментів цієї публікації містить вісім інструментів: Інструмент запиту акцій, Інструмент оптимізації портфоліо, Інструмент пошуку фінансової інформації, Інструмент обчислення Python, Інструмент аналізу настроїв, Інструмент виявлення фраз, Інструмент вилучення тексту та Інструмент транскрибування аудіо.
Довготривала пам'ять для мультимодального агента
Наступний код ілюструє конфігурацію довгострокової пам’яті для мультимодального агента. У цьому коді таблиця DynamoDB додається як пам’ять для зберігання підказок і відповідей для використання в майбутньому.
Мультимодальний агент на основі планувальника-виконавця
Команда планувальник-виконавець Архітектура мультимодального агента на основі двох основних компонентів: планувальник і виконавець. Планувальник створює план високого рівня з кроками, необхідними для запуску та відповіді на запит. Потім виконавець запускає цей план, генеруючи відповідні відповіді системи для кожного кроку плану, використовуючи мовну модель з необхідними інструментами. Перегляньте наступний код:
Приклади сценаріїв на основі запитань фінансового аналітика
У цьому розділі ми досліджуємо два приклади сценаріїв, щоб проілюструвати наскрізні кроки, які виконує мультимодальний агент на основі запитань фінансового аналітика.
Сценарій 1: запитання фінансового аналітика щодо структурованих даних
У цьому сценарії фінансовий аналітик задає мультимодальному агенту запитання англійською мовою, пов’язане з акціями компаній. Мультимодальний агент LangChain пропонує багатокроковий план і вирішує, які інструменти використовувати для кожного кроку. На наступній діаграмі показано приклад робочого циклу з такими кроками:
- Фінансовий аналітик задає фінансове запитання англійською через інтерфейс мультимодального агента.
- Агент визначає, що для відповіді на запитання йому потрібен інструмент бази даних. Він генерує SQL-запит за допомогою LLM на основі запитання та запитує базу даних Athena.
- Athena виконує SQL-запит, отримує відповідний результат (часовий ряд цін на акції п’яти компаній) і передає результат із відповідними даними агенту.
- Агент визначає, що для відповіді на запитання йому потрібен другий інструмент. Він передає отримані дані в інструмент Python для оптимізації портфоліо.
- Інструмент Python обчислює необхідний оптимальний портфель, включаючи ваги, і передає відповідь LLM в агенті.
- Агент збирає необхідну інформацію та розрахунки за допомогою LLM і відповідає фінансовому аналітику через інтерфейс користувача англійською мовою.
Фінансовий аналітик ставить таке запитання:
"Які ціни закриття акцій AAAA, WWW, DDD у 2018 році? Чи можете ви створити оптимізований портфель, використовуючи ці три акції?"
Наступний код показує кроки, визначені планувальником мультимодального агента:
Агент перевів підказку запитання у такий SQL-запит:
Наступний код показує остаточну відповідь мультимодального агента на основі запитання:
Сценарій 2: запитання фінансового аналітика щодо неструктурованих даних
У цьому сценарії фінансовий аналітик задає мультимодальному агенту кілька запитань про фінансовий стан компанії. Агент викликає два агенти інструментів, Amazon Kendra з неструктурованими даними та обчислювальний інструмент Python, щоб зібрати інформацію та виконати необхідні обчислення. Потім агент компілює інформацію з інструментів, використовуючи свою мовну модель, і надає повну відповідь аналітику. Ключовим у цьому сценарії є те, що агент може запам’ятати запитання та відповіді на попередні запитання та включити контекст у розмову. Наступна схема ілюструє робочий процес, який складається з наступних кроків:
- Фінансовий аналітик задає фінансове запитання англійською через інтерфейс мультимодального агента.
- Агент визначає, що для відповіді на запитання потрібен інструмент Amazon Kendra, і запускає інструмент агента Amazon Kendra.
- Amazon Kendra здійснює пошук у неструктурованому корпусі даних в Amazon S3 і отримує відповідний документ, що містить відповідь.
- Використовуючи Retrieval Augmented Generation (RAG), Amazon Kendra передає відповідь із відповідного документа LLM в агенті.
- Агент визначає, що для відповіді на другу частину запитання йому потрібен другий інструмент. Він передає інформацію від першого інструменту до обчислювального інструменту Python.
- Інструмент Python обчислює необхідний коефіцієнт і передає відповідь LLM в агенті.
- Агент збирає необхідну інформацію та розрахунки за допомогою LLM і відповідає фінансовому аналітику через інтерфейс користувача.
Нижче наведено запитання та відповіді між аналітиком і мультимодальним агентом.
Агент відповідає на запитання «Який чистий збиток Amazon за фінансовий рік, що закінчився в грудні 2022 року?» з «Amazon повідомила про загальний обсяг чистих продажів у розмірі 514.0 мільярдів доларів США та чистий збиток у розмірі 2.7 мільярда доларів США за 2022 фінансовий рік». Джерелом є звіт Amazon 10K за фінансовий рік, що закінчився грудень 2022 року, отриманий за допомогою Retrive_Kendra
Інструмент.
На питання "Який чистий збиток за той самий рік?» агент відповідає «2.7 мільярда доларів». Джерелом є звіт Amazon 10K за фінансовий рік, що закінчився грудень 2022 року, отриманий за допомогою Retrive_Kendra
Інструмент. Зауважте, що незважаючи на те, що запитання схоже на друге запитання, у цьому питанні не вказано назву компанії чи номер року. Однак агент зміг використати правильну назву компанії та рік на основі контексту в пам’яті розмови.
На питання "Яка формула для коефіцієнта маржі чистого прибутку, який є різновидом коефіцієнта прибутковості?» агент відповідає: «Amazon повідомила про загальний обсяг чистих продажів у розмірі 514.0 мільярдів доларів США та чистих збитків у розмірі 2.7 мільярдів доларів США за 2022 фінансовий рік. Коефіцієнт маржі чистого прибутку для Amazon за 2022 фінансовий рік становить -0.5%». Джерело є Retrieve_Kendra
та PythonREPLTool().
Пориньте глибше в розчин
Щоб глибше зануритися в рішення та код, показаний у цій публікації, перегляньте GitHub репо.
У репозиторії GitHub ви зможете знайти блокнот Python із наскрізним рішенням, AWS CloudFormation шаблон для надання інфраструктури, неструктуровані дані (PDF-файли звітів про прибутки, аудіофайли про прибутки) і структуровані дані (часові ряди акцій).
У додатку в кінці наведено таблицю різних запитань, поставлених фінансовим аналітиком, інструментів агента, які викликані, і відповіді від мультимодального агента.
Прибирати
Після запуску мультимодального агента обов’язково очистіть усі ресурси, які не використовуватимуться. Закрийте та видаліть використовувані бази даних (Athena). Крім того, видаліть дані в Amazon S3 і зупиніть будь-які екземпляри блокнотів SageMaker Studio, щоб більше не стягувати плати. Видаліть лямбда-функції та таблиці DynamoDB як частину довгострокової пам’яті, яка не використовується. Якщо ви використовували SageMaker JumpStart для розгортання LLM як кінцевої точки реального часу SageMaker, видаліть кінцеву точку через консоль SageMaker або SageMaker Studio.
Висновок
Ця публікація продемонструвала широкий спектр сервісів зберігання даних AWS, AI/ML і обчислювальних служб, які можна використовувати для створення розширеного мультимодального рішення AI разом із структурою LangChain і генеративним AI. Завдяки інтеграції технологій NLP, розпізнавання мовлення та ML мультимодальний агент, розроблений у цьому сценарії, здатний аналізувати різноманітні модальності фінансових даних (структурованих і неструктурованих) і відповідати на підказки природною мовою (англійською). Це підвищує продуктивність і ефективність фінансових аналітиків, дозволяючи їм зосередитися на важливій стратегічній роботі. Мультимодальні рішення штучного інтелекту на базі AWS мають потенціал для трансформації фінансових ринків шляхом автоматизації повторюваних завдань, покращення людських можливостей і ефективного формування інформації на основі даних. Для структурованих даних сучасна архітектура даних із кількома базами даних може бути об’єднана з генеративним штучним інтелектом і магістерським навчанням. Для отримання додаткової інформації див Переосмислення даних: використовуйте генеративний штучний інтелект і сучасну архітектуру даних, щоб розблокувати статистику. Також зверніться до Amazon Bedrock для випадків використання генеративного ШІ, базових моделей і великих мовних моделей.
Додаток
У наведеній нижче таблиці наведено приклади запитань фінансового аналітика мультимодальному агенту на основі структурованих і неструктурованих даних.
Питання Мета | Запитання фінансових аналітиків через UI | Інструменти агента викликано | Основні служби AWS, які використовуються інструментами агента | Відповідь від мультимодального агента |
Запропонуйте агенту LangChain попередню обробку та вилучення інформації із зібраних даних | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Інструмент вилучення тексту |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Запропонуйте агенту LangChain транскрибувати аудіозаписи в тексти | 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. |
Запропонуйте агенту LangChain проаналізувати фінансовий стан і результати діяльності компанії | 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. |
Запропонуйте агенту LangChain проаналізувати фінансові показники компанії на основі звітів про прибутки компанії | 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. |
Запропонувати агенту LangChain проаналізувати керівництво компанії та її плани на майбутнє зі звітів про прибутки компанії | 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. |
Запропонуйте агенту LangChain проаналізувати стратегію компанії зі звітів про прибутки компанії | 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. |
Запропонуйте агенту LangChain виконати аналіз настроїв записів дзвінків про прибутки | 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. |
Запропонуйте агенту LangChain створити оптимальний портфель на основі зібраних даних | 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%' |
Про авторів
Совік Кумар Натх є архітектором рішень AI/ML з AWS. Він має значний досвід проектування наскрізного машинного навчання та рішень для бізнес-аналітики у фінансах, операційній діяльності, маркетингу, охороні здоров’я, управлінні ланцюжками поставок та IoT. Совік публікував статті та має патент на моніторинг моделі ML. Він має подвійний ступінь магістра в Університеті Південної Флориди, Університеті Фрібурга, Швейцарія, і ступінь бакалавра в Індійському технологічному інституті, Харагпур. Поза роботою Совік любить подорожувати, кататися на поромі, дивитися фільми.
Мохан Мусті є старшим технічним менеджером із роботи з клієнтами з Далласа. Мохан допомагає клієнтам розробляти та оптимізувати програми на AWS. Мохан закінчив комп’ютерні науки та інженерію в університеті JNT, Індія. У вільний час любить проводити час із сім’єю та в кемпінгу.
Цзя (Vivіан) Лі є старшим архітектором рішень в AWS, спеціалізується на ШІ/ML. Зараз вона підтримує клієнтів у фінансовій галузі. До того як приєднатися до AWS у 2022 році, вона мала 7 років досвіду підтримки корпоративних клієнтів у використанні AI/ML у хмарі для досягнення бізнес-результатів. Вівіан має ступінь бакалавра Пекінського університету та ступінь доктора філософії в Університеті Південної Каліфорнії. У вільний час вона насолоджується водними видами спорту та походами в красиві гори в своєму рідному штаті Колорадо.
Ученна Егбе є архітектором рішень AIML, який любить створювати багаторазові рішення AIML. Ученна має ступінь магістра в Університеті Аляски у Фербенксі. Він проводить свій вільний час, досліджуючи трави, чаї, суперпродукти та те, як включити їх у свій щоденний раціон.
Навнеет Тутея є спеціалістом з даних у Amazon Web Services. До того як приєднатися до AWS, Navneet працював фасилітатором для організацій, які прагнуть модернізувати свої архітектури даних і впровадити комплексні рішення AI/ML. Вона має ступінь інженера в Університеті Тапар, а також ступінь магістра статистики в Техаському університеті A&M.
Прафул Кава є старшим спеціалістом з розробки рішень в AWS. Він допомагає клієнтам розробити та розробити конвеєри Cloud Analytics Analytics на AWS. Поза роботою він любить подорожувати з родиною та досліджувати нові туристичні стежки.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : має
- :є
- : ні
- :де
- ][стор
- $UP
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- здатність
- Здатний
- МЕНЮ
- доступ
- рахунки
- Рахунки
- точність
- точно
- досягнутий
- Досягає
- через
- діяльності
- фактичний
- доданий
- доповнення
- просунутий
- Перевага
- Агент
- агенти
- моторний
- AI
- Послуги ШІ
- Системи ШІ
- AI / ML
- AIML
- Цілі
- ALASKA
- ВСІ
- розподіл
- Дозволити
- дозволяє
- по
- Також
- хоча
- Amazon
- «Амазонка»
- Амазонка Кендра
- Текст Amazon
- Амазонська розшифровка
- Amazon Web Services
- an
- аналіз
- аналітик
- аналітики
- аналітика
- аналізувати
- Аналізуючи
- та
- щорічний
- відповідь
- Відповіді
- Антропний
- будь-який
- API
- КЛЮЧІ API
- Інтерфейси
- додаток
- застосування
- підхід
- відповідний
- архітектура
- ЕСТЬ
- навколо
- статті
- AS
- запитати
- Активи
- допомагати
- асоційований
- At
- аудіо
- збільшено
- автоматичний
- автоматизація
- доступний
- AWS
- назад
- заснований
- BE
- красивий
- було
- перед тим
- буття
- Краще
- між
- найбільший
- Мільярд
- підсилює
- Box
- будувати
- Створюємо
- побудований
- бізнес
- by
- обчислювати
- обчислює
- розрахунок
- розрахунки
- Каліфорнія
- call
- званий
- покликання
- Виклики
- CAN
- можливості
- випадків
- ланцюг
- ланцюга
- проблеми
- Зміни
- канали
- вантажі
- chatbots
- перевірка
- вибраний
- клієнтів
- закриття
- хмара
- код
- збирати
- Колорадо
- поєднання
- об'єднувати
- об'єднання
- приходить
- майбутній
- Комунікація
- Компанії
- компанія
- Компанії
- сумісний
- конкурс
- конкурентоспроможний
- комплекс
- складність
- компонент
- Компоненти
- осягнути
- всеосяжний
- обчислення
- обчислення
- комп'ютер
- Інформатика
- концептуальний
- Занепокоєння
- конфігурація
- зв'язок
- З'єднуватися
- складається
- Консоль
- Консолідація
- споживач
- містить
- контекст
- безперервний
- внесок
- Розмова
- конвертувати
- виправити
- Коштувати
- витрати
- може
- створений
- Поточний
- В даний час
- клієнт
- Досвід клієнтів
- Клієнти
- щодня
- Даллас
- дані
- обробка даних
- керовані даними
- Database
- базами даних
- Дата
- Грудень
- рішення
- присвячених
- глибше
- певний
- Визначає
- Ступінь
- Попит
- демонструвати
- продемонстрований
- Залежно
- розгортання
- розгорнути
- описаний
- description
- дизайн
- проектування
- деталі
- виявляти
- Виявлення
- Визначати
- розвиненою
- дієта
- різний
- трудність
- занурення
- Різне
- урізноманітнити
- do
- документ
- документація
- зроблений
- подвійний
- вниз
- управляти
- керований
- драйвери
- два
- кожен
- нарахування
- Доходи
- надходження виклику
- легко
- Економічний
- ефективність
- ефективний
- продуктивно
- зусилля
- або
- повідомлення електронної пошти
- виникає
- включіть
- дозволяє
- охоплюючий
- кінець
- кінець в кінець
- закінчення
- Кінцева точка
- інженер
- Машинобудування
- англійська
- підвищена
- підвищення
- вхід
- підприємство
- розваги
- особливо
- Навіть
- приклад
- Перевага
- обмін
- існуючий
- розширений
- розширюється
- розширення
- досвід
- Пояснювати
- дослідження
- дослідити
- Дослідження
- обширний
- Великий досвід
- витяг
- видобуток
- Фасилітатор
- облицювання
- сім'я
- швидше
- кілька
- Файли
- тирсу
- остаточний
- фінансування
- фінансовий
- фінансові дані
- фінансова інформація
- фінансові показники
- фінансові системи
- знайти
- виявлення
- Перший
- Фіскальний
- п'ять
- Флорида
- Сфокусувати
- фокусування
- після
- слідує
- для
- Прогнози
- формат
- формула
- фонд
- фрагментарно
- Рамки
- шахрайство
- виявлення шахрайства
- шахрайський
- Безкоштовна
- часто
- від
- Паливо
- Повний
- функція
- функціональність
- Функції
- далі
- майбутнє
- Отримувати
- набирає
- збирати
- породжувати
- генерує
- породжує
- покоління
- генеративний
- Генеративний ШІ
- GIF
- GitHub
- Цілі
- добре
- великий
- виросла
- Рости
- Зростання
- Гід
- було
- обробляти
- Мати
- he
- здоров'я
- охорона здоров'я
- допомагає
- її
- тут
- Високий
- на вищому рівні
- вище
- його
- тримає
- Головна
- відбувся
- Як
- How To
- Однак
- HTTP
- HTTPS
- людина
- i
- ідентифікований
- ідентифікує
- ідентифікувати
- Особистість
- if
- ілюструє
- зображень
- здійснювати
- важливо
- удосконалювати
- поліпшення
- in
- включати
- includes
- У тому числі
- включати
- Зареєстрований
- Augmenter
- збільшений
- зростаючий
- Індію
- індійський
- промисловість
- інфляція
- Інфляційний
- Інфляційний тиск
- інформація
- Інфраструктура
- оновлювати
- інновація
- вхід
- Інсайдер
- інсайдерська торгівля
- розуміння
- Інститут
- Інтеграція
- Інтелект
- Розумний
- Інтелектуальна обробка документів
- взаємодія
- Взаємодії
- взаємодіє
- внутрішньо
- в
- Invest
- інвестування
- Інвестори
- викликали
- викликає
- залучений
- КАТО
- IT
- ЙОГО
- приєднання
- JPG
- ключ
- ключі
- знання
- Кумар
- відсутність
- мова
- великий
- провідний
- вивчення
- Важіль
- як
- МЕЖА
- пов'язаний
- ліквідності
- список
- LLM
- локально
- логіка
- довгостроковий
- подивитися
- пошук
- від
- низький
- машина
- навчання за допомогою машини
- головний
- Підлягає ремонту
- зробити
- РОБОТИ
- управління
- Управлінська команда
- Маніпуляція
- манера
- Маржа
- ринок
- маніпулювання ринком
- Маркетинг
- ринки
- магістра
- математичний
- Може..
- Медіа
- пам'ять
- згадує
- ML
- модель
- моделювання
- Моделі
- сучасний
- модернізувати
- моніторинг
- більше
- найбільш
- кіно
- переміщення
- MS
- множинний
- повинен
- ім'я
- Імена
- Природний
- Обробка природних мов
- природа
- необхідно
- вимагає
- Необхідність
- потреби
- негативний
- мережу
- Нові
- нові продукти
- новини
- nlp
- ноутбук
- зараз
- номер
- облігації
- of
- від
- Пропозиції
- Пропозиції
- on
- ONE
- оперативний
- операції
- оптимальний
- оптимізація
- Оптимізувати
- оптимізований
- or
- порядок
- організації
- Інше
- наші
- з
- поза
- загальний
- частина
- проходить
- патент
- Платити
- Пекін
- відсоток
- Виконувати
- продуктивність
- виконується
- Вчений ступінь
- фрази
- план
- плани
- платформа
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- точка
- Політика
- популярний
- популярність
- портфель
- позах
- положення
- пошта
- потенціал
- влада
- Харчування
- тиск
- попередній
- раніше
- price
- ціни
- ціни без прихованих комісій
- в першу чергу
- первинний
- попередній
- процес
- обробка
- продуктивність
- Продукти
- Прибуток
- рентабельність
- прибутку
- прогрес
- забезпечувати
- забезпечує
- опублікований
- Python
- якість
- кількісний
- Квартал
- запити
- питання
- питань
- швидко
- цитувати
- діапазон
- ставки
- співвідношення
- RE
- готовий
- реального часу
- останній
- визнання
- запис
- послатися
- пов'язаний
- відносний
- доречний
- запам'ятати
- повторювані
- звітом
- Повідомляється
- Звітність
- Звіти
- вимагається
- Вимагається
- дослідження
- ресурси
- Реагувати
- відповідь
- відповіді
- результат
- результати
- роздрібна торгівля
- повертати
- багаторазовий
- revenue
- Зростання доходів
- право
- Risk
- ризики
- міцний
- рутина
- прогін
- пробіжки
- s
- S&P
- мудрець
- продажів
- то ж
- зберігаються
- економія
- масштабовані
- шкала
- сценарій
- сценарії
- наука
- рахунок
- Sdk
- Пошук
- пошук
- другий
- розділ
- розділам
- безпечний
- побачити
- бачачи
- пошук
- Шукає
- Здається,
- вибір
- SELF
- старший
- настрій
- почуття
- Серія
- обслуговування
- Послуги
- Сесія
- вона
- короткий термін
- короткострокова ліквідність
- Повинен
- демонстрації
- показаний
- Шоу
- Вимикати
- значний
- аналогічний
- простий
- навички
- соціальна
- соціальні медіа
- рішення
- Рішення
- деякі
- складний
- Source
- Джерела
- Південь
- Південній Флориді
- Південний
- спеціаліст
- конкретний
- мова
- Розпізнавання мови
- швидкість
- Витрати
- поширення
- стандартизація
- стан
- статистика
- залишатися
- Крок
- заходи
- акції
- Акції
- Стоп
- зберігання
- зберігати
- зберігати
- магазинів
- зберігання
- Стратегічний
- Стратегія
- Зміцнювати
- структура
- структурований
- студія
- передплата
- підписки
- такі
- підходящий
- набір
- підсумовувати
- РЕЗЮМЕ
- постачальники
- поставка
- ланцюжка поставок
- робота з постачальниками
- підтримка
- Підтримуючий
- Опори
- Переконайтеся
- Швейцарія
- система
- Systems
- таблиця
- взяття
- Завдання
- завдання
- команда
- технічний
- Технології
- Технологія
- шаблон
- Техас
- текст
- Що
- Команда
- Майбутнє
- інформація
- Джерело
- їх
- Їх
- потім
- Там.
- тим самим
- Ці
- вони
- річ
- це
- хоча?
- загрожують
- три
- через
- час
- Часовий ряд
- до
- інструмент
- Інструментарій
- інструменти
- топ
- тема
- Усього:
- торгові площі
- поїзд
- Розшифровка
- Перетворення
- Перетворення
- транспорт
- Подорож
- Тенденції
- два
- тип
- Типи
- ui
- розуміти
- розуміння
- університет
- відімкнути
- розблокування
- Майбутні
- оновлений
- us
- використання
- використовуваний
- користувач
- користувачі
- використовує
- використання
- використовувати
- використовує
- Цінний
- значення
- різноманітність
- різний
- версії
- через
- Відео
- Обсяги
- було
- спостереження
- вода
- шлях..
- способи
- we
- Web
- веб-сервіси
- ДОБРЕ
- були
- Що
- коли
- який
- ВООЗ
- широкий
- Широкий діапазон
- волі
- з
- в
- Work
- працював
- робочий
- рік
- років
- Ти
- вашу
- зефірнет