Dữ liệu đa phương thức là một thành phần có giá trị của ngành tài chính, bao gồm dữ liệu thị trường, kinh tế, khách hàng, tin tức và mạng xã hội cũng như dữ liệu rủi ro. Các tổ chức tài chính tạo, thu thập và sử dụng dữ liệu này để hiểu rõ hơn về hoạt động tài chính, đưa ra quyết định tốt hơn và cải thiện hiệu suất. Tuy nhiên, có những thách thức liên quan đến dữ liệu đa phương thức do tính phức tạp và thiếu tiêu chuẩn hóa trong hệ thống tài chính cũng như định dạng và chất lượng dữ liệu, cũng như tính chất phân mảnh và không có cấu trúc của dữ liệu. Các khách hàng tài chính thường mô tả chi phí hoạt động để đạt được những hiểu biết sâu sắc về tài chính từ dữ liệu đa phương thức, đòi hỏi logic trích xuất và chuyển đổi phức tạp, dẫn đến tốn nhiều công sức và chi phí. Những thách thức kỹ thuật với dữ liệu đa phương thức còn bao gồm sự phức tạp của việc tích hợp và mô hình hóa các loại dữ liệu khác nhau, khó khăn trong việc kết hợp dữ liệu từ nhiều phương thức (văn bản, hình ảnh, âm thanh, video) và nhu cầu về kỹ năng khoa học máy tính nâng cao và các công cụ phân tích phức tạp.
Một trong những cách xử lý dữ liệu đa phương thức đang ngày càng phổ biến là sử dụng các tác nhân đa phương thức. Tác nhân đa phương thức là các hệ thống AI có thể hiểu và phân tích dữ liệu theo nhiều phương thức bằng cách sử dụng các công cụ phù hợp trong bộ công cụ của chúng. Họ có thể kết nối những hiểu biết sâu sắc về các loại dữ liệu đa dạng này để có được sự hiểu biết toàn diện hơn và tạo ra những phản hồi phù hợp. Các tác nhân đa phương thức, kết hợp với AI tổng hợp, đang tìm kiếm ứng dụng rộng rãi trên thị trường tài chính. Sau đây là một số trường hợp sử dụng phổ biến:
- Báo cáo thông minh và thông tin thị trường – AI có thể phân tích nhiều nguồn thông tin tài chính khác nhau để tạo báo cáo thông tin thị trường, hỗ trợ các nhà phân tích, nhà đầu tư và công ty luôn cập nhật xu hướng. Các đại lý đa phương thức có thể tóm tắt các báo cáo tài chính dài một cách nhanh chóng, giúp các nhà phân tích tiết kiệm đáng kể thời gian và công sức.
- Mô hình định lượng và dự báo – Các mô hình tổng hợp có thể tổng hợp khối lượng lớn dữ liệu tài chính để đào tạo mô hình học máy (ML) cho các ứng dụng như dự báo giá cổ phiếu, tối ưu hóa danh mục đầu tư, lập mô hình rủi ro, v.v. Các mô hình đa phương thức hiểu được các nguồn dữ liệu đa dạng có thể cung cấp các dự báo mạnh mẽ hơn.
- Phát hiện tuân thủ và gian lận – Giải pháp này có thể được mở rộng để bao gồm các công cụ giám sát phân tích các kênh liên lạc như cuộc gọi, email, trò chuyện, nhật ký truy cập, v.v. để xác định tiềm năng giao dịch nội gián hoặc thao túng thị trường. Việc phát hiện sự thông đồng gian lận giữa các loại dữ liệu đòi hỏi phải phân tích đa phương thức.
Một tác nhân đa phương thức với AI tổng hợp giúp tăng năng suất của nhà phân tích tài chính bằng cách tự động hóa các nhiệm vụ lặp đi lặp lại và thường lệ, giúp nhà phân tích có thời gian tập trung vào công việc có giá trị cao. Các tác nhân đa phương thức có thể nâng cao khả năng của nhà phân tích để đạt được hiểu biết sâu sắc bằng cách hỗ trợ nghiên cứu và phân tích. Các tác nhân đa phương thức cũng có thể tạo ra các mô hình tài chính và phân tích định lượng nâng cao, cho phép các nhà phân tích làm việc nhanh hơn và có độ chính xác cao hơn.
Việc triển khai một tác nhân đa phương thức với AWS sẽ củng cố những hiểu biết quan trọng từ dữ liệu có cấu trúc và phi cấu trúc đa dạng trên quy mô lớn. Các tác nhân đa phương thức có thể dễ dàng kết hợp sức mạnh của các dịch vụ AI tổng hợp từ nền tảng Amazon và Khởi động Amazon SageMaker với khả năng xử lý dữ liệu từ các dịch vụ AWS Analytics và AI/ML để cung cấp các giải pháp linh hoạt cho phép các nhà phân tích tài chính phân tích và thu thập thông tin chuyên sâu một cách hiệu quả từ dữ liệu đa phương thức một cách an toàn và có thể mở rộng trong AWS. Amazon cung cấp một bộ dịch vụ AI cho phép xử lý ngôn ngữ tự nhiên (NLP), nhận dạng giọng nói, trích xuất văn bản và tìm kiếm:
- Amazon hiểu là một dịch vụ NLP có thể phân tích văn bản cho các cụm từ chính và phân tích cảm xúc
- Văn bản Amazon là dịch vụ xử lý tài liệu thông minh, có thể trích xuất văn bản, dữ liệu từ tài liệu một cách chính xác
- Phiên âm Amazon là một dịch vụ nhận dạng giọng nói tự động có thể chuyển đổi giọng nói thành văn bản
- Amazon Kendra là dịch vụ tìm kiếm doanh nghiệp được cung cấp bởi ML để tìm thông tin trên nhiều nguồn dữ liệu khác nhau, bao gồm các tài liệu và cơ sở kiến thức
Trong bài đăng này, chúng tôi giới thiệu một tình huống trong đó nhà phân tích tài chính tương tác với dữ liệu đa phương thức của tổ chức, nằm trên các kho dữ liệu được xây dựng có mục đích, để thu thập những hiểu biết sâu sắc về tài chính. Trong quá trình tương tác, chúng tôi trình bày cách các tác nhân đa phương thức lập kế hoạch và chạy truy vấn của người dùng cũng như truy xuất kết quả từ các nguồn dữ liệu liên quan. Tất cả điều này đạt được bằng cách sử dụng dịch vụ AWS, từ đó nâng cao hiệu quả của nhà phân tích tài chính trong việc phân tích dữ liệu tài chính đa phương thức (văn bản, giọng nói và dữ liệu dạng bảng) một cách toàn diện.
Ảnh chụp màn hình sau đây hiển thị một ví dụ về giao diện người dùng.
Tổng quan về giải pháp
Sơ đồ sau đây minh họa kiến trúc khái niệm để sử dụng AI tổng hợp với dữ liệu đa phương thức sử dụng các tác nhân. Các bước liên quan như sau:
- Nhà phân tích tài chính đặt câu hỏi thông qua một nền tảng như chatbot.
- Nền tảng sử dụng một khuôn khổ để xác định công cụ tác nhân đa phương thức phù hợp nhất để trả lời câu hỏi.
- Sau khi được xác định, nền tảng sẽ chạy mã được liên kết với công cụ được xác định trước đó.
- Công cụ này tạo ra bản phân tích dữ liệu tài chính theo yêu cầu của nhà phân tích tài chính.
- Để tóm tắt kết quả, các mô hình ngôn ngữ lớn truy xuất và báo cáo lại cho nhà phân tích tài chính.
kiến trúc kỹ thuật
Tác nhân đa phương thức phối hợp các công cụ khác nhau dựa trên lời nhắc ngôn ngữ tự nhiên từ người dùng doanh nghiệp để tạo ra thông tin chi tiết. Đối với dữ liệu phi cấu trúc, tác nhân sử dụng AWS Lambda hoạt động với các dịch vụ AI như Amazon Textract để phân tích tài liệu, Amazon Transcribe để nhận dạng giọng nói, Amazon Comprehend cho NLP và Amazon Kendra cho tìm kiếm thông minh. Đối với dữ liệu có cấu trúc, tác nhân sử dụng Trình kết nối SQL và SQLAlchemy để phân tích cơ sở dữ liệu, bao gồm amazon Athena. Tác nhân cũng sử dụng Python trong Lambda và Amazon SageMaker SDK để tính toán và lập mô hình định lượng. Tác nhân cũng có bộ nhớ dài hạn để lưu trữ các lời nhắc và kết quả trong Máy phát điện Amazon. Tác nhân đa phương thức nằm trong sổ ghi chép SageMaker và điều phối các công cụ này dựa trên lời nhắc bằng tiếng Anh từ người dùng doanh nghiệp trong giao diện người dùng Streamlit.
Các thành phần chính của kiến trúc kỹ thuật như sau:
- Lưu trữ và phân tích dữ liệu – Bản ghi thu nhập tài chính hàng quý dưới dạng tệp âm thanh, báo cáo tài chính hàng năm dưới dạng tệp PDF và dữ liệu chứng khoán S&P dưới dạng tệp CSV được lưu trữ trên Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3). Việc khám phá dữ liệu về dữ liệu chứng khoán được thực hiện bằng Athena.
- Các mô hình ngôn ngữ lớn – Các mô hình ngôn ngữ lớn (LLM) có sẵn thông qua Amazon Bedrock, SageMaker JumpStart hoặc API.
- Đại lý – Chúng tôi sử dụng các đại lý của LangChain cho một chuỗi cuộc gọi không được xác định trước làm đầu vào của người dùng cho LLM và các công cụ khác. Trong các loại chuỗi này, có một tác nhân có quyền truy cập vào một bộ công cụ. Mỗi công cụ đã được xây dựng cho một nhiệm vụ cụ thể. Tùy thuộc vào thông tin đầu vào của người dùng, tác nhân sẽ quyết định công cụ hoặc tổ hợp các công cụ để gọi để trả lời câu hỏi. Chúng tôi đã tạo các công cụ tác nhân được xây dựng có mục đích sau đây cho kịch bản của mình:
- Công cụ truy vấn cổ phiếu – Để truy vấn dữ liệu cổ phiếu S&P bằng Athena và SQLAlchemy.
- Công cụ tối ưu hóa danh mục đầu tư – Xây dựng danh mục đầu tư dựa trên các cổ phiếu đã chọn.
- Công cụ tra cứu thông tin tài chính – Để tìm kiếm thông tin thu nhập tài chính được lưu trữ trong các tệp PDF nhiều trang bằng Amazon Kendra.
- Công cụ tính toán Python - Dùng để tính toán.
- Công cụ phân tích tình cảm – Để xác định và chấm điểm cảm xúc về một chủ đề bằng cách sử dụng Amazon Comprehend.
- Công cụ phát hiện cụm từ – Để tìm các cụm từ khóa trong các báo cáo hàng quý gần đây bằng Amazon Comprehend.
- Công cụ trích xuất văn bản – Để chuyển đổi phiên bản PDF của báo cáo hàng quý thành tệp văn bản bằng Amazon Textract.
- Công cụ ghi âm âm thanh – Để chuyển đổi bản ghi âm thành tệp văn bản bằng Amazon Transcribe.
Bộ nhớ tác nhân chứa chuỗi tương tác của người dùng với tác nhân được lưu trong DynamoDB.
Các phần sau đây giải thích một số bước chính với mã liên quan. Để tìm hiểu sâu hơn về giải pháp và mã cho tất cả các bước được hiển thị ở đây, hãy tham khảo Repo GitHub.
Điều kiện tiên quyết
Để chạy giải pháp này, bạn phải có khóa API cho LLM chẳng hạn như Anthropic Claude v2 hoặc có quyền truy cập vào các mô hình nền tảng Amazon Bedrock.
Để tạo phản hồi từ dữ liệu có cấu trúc và phi cấu trúc bằng LLM và LangChain, bạn cần có quyền truy cập vào LLM thông qua Amazon Bedrock, SageMaker JumpStart hoặc khóa API và sử dụng cơ sở dữ liệu tương thích với SQLAlchemy. Quản lý truy cập và nhận dạng AWS (IAM) cũng được yêu cầu, thông tin chi tiết bạn có thể tìm thấy trong kho GitHub.
Các thành phần chính của một tác nhân đa phương thức
Có một số thành phần chính của tác nhân đa phương thức:
- Các chức năng được xác định cho các công cụ của tác nhân đa phương thức
- Các công cụ được xác định cho tác nhân đa phương thức
- Bộ nhớ dài hạn cho tác nhân đa phương thức
- Tác nhân đa phương thức dựa trên người lập kế hoạch-người thực thi (được xác định bằng các công cụ, LLM và bộ nhớ)
Trong phần này, chúng tôi minh họa các thành phần chính bằng các đoạn mã liên quan.
Các chức năng được xác định cho các công cụ của tác nhân đa phương thức
Tác nhân đa phương thức cần sử dụng nhiều dịch vụ AI khác nhau để xử lý các loại dữ liệu khác nhau—văn bản, lời nói, hình ảnh, v.v. Một số chức năng này có thể cần gọi các dịch vụ AI của AWS như Amazon Comprehend để phân tích văn bản, Amazon Textract để phân tích hình ảnh và tài liệu cũng như Amazon Transcribe để chuyển giọng nói thành văn bản. Các hàm này có thể được gọi cục bộ trong tác nhân hoặc được triển khai dưới dạng hàm Lambda mà tác nhân có thể gọi. Các hàm Lambda gọi nội bộ các dịch vụ AI AWS có liên quan và trả kết quả cho tổng đài viên. Cách tiếp cận này mô-đun hóa logic và làm cho tác nhân dễ bảo trì và mở rộng hơn.
Hàm sau xác định cách tính toán danh mục đầu tư được tối ưu hóa dựa trên các cổ phiếu đã chọn. Một cách để chuyển đổi hàm dựa trên Python thành công cụ LLM là sử dụng Công cụ cơ bản vỏ bánh.
Sau đây là mã để Lambda gọi API dịch vụ AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):
Các công cụ được xác định cho tác nhân đa phương thức
Tác nhân đa phương thức có quyền truy cập vào các công cụ khác nhau để kích hoạt chức năng của nó. Nó có thể truy vấn cơ sở dữ liệu chứng khoán để trả lời các câu hỏi về chứng khoán. Nó có thể tối ưu hóa danh mục đầu tư bằng cách sử dụng một công cụ chuyên dụng. Nó có thể lấy thông tin từ Amazon Kendra, dịch vụ tìm kiếm doanh nghiệp của Amazon. Công cụ REPL của Python cho phép tác nhân chạy mã Python. Một ví dụ về cấu trúc của các công cụ, bao gồm tên và mô tả của chúng, được hiển thị trong đoạn mã sau. Hộp công cụ thực tế của bài đăng này có tám công cụ: Công cụ truy vấn cổ phiếu, Công cụ tối ưu hóa danh mục đầu tư, Công cụ tra cứu thông tin tài chính, Công cụ tính toán Python, Công cụ phân tích tình cảm, Công cụ phát hiện cụm từ, Công cụ trích xuất văn bản và Công cụ ghi âm thanh.
Bộ nhớ dài hạn cho tác nhân đa phương thức
Đoạn mã sau minh họa cấu hình bộ nhớ dài hạn cho tác nhân đa phương thức. Trong mã này, bảng DynamoDB được thêm làm bộ nhớ để lưu trữ lời nhắc và câu trả lời để tham khảo trong tương lai.
Tác nhân đa phương thức dựa trên người lập kế hoạch-người thực thi
Sản phẩm người lập kế hoạch-thực thi Kiến trúc tác nhân đa phương thức dựa trên có hai thành phần chính: người lập kế hoạch và người thực thi. Người lập kế hoạch tạo ra một kế hoạch cấp cao với các bước cần thiết để thực hiện và trả lời câu hỏi nhanh chóng. Sau đó, người thực thi sẽ chạy kế hoạch này bằng cách tạo ra các phản hồi hệ thống phù hợp cho từng bước của kế hoạch bằng cách sử dụng mô hình ngôn ngữ cùng các công cụ cần thiết. Xem đoạn mã sau:
Các tình huống ví dụ dựa trên câu hỏi của nhà phân tích tài chính
Trong phần này, chúng ta khám phá hai kịch bản ví dụ để minh họa các bước từ đầu đến cuối được thực hiện bởi đại lý đa phương thức dựa trên các câu hỏi mà nhà phân tích tài chính đặt ra.
Tình huống 1: Câu hỏi của nhà phân tích tài chính liên quan đến dữ liệu có cấu trúc
Trong trường hợp này, nhà phân tích tài chính đặt một câu hỏi bằng tiếng Anh liên quan đến cổ phiếu của các công ty cho đại lý đa phương thức. Tác nhân LangChain đa phương thức đưa ra một kế hoạch gồm nhiều bước và quyết định sử dụng công cụ nào cho mỗi bước. Sơ đồ sau đây minh họa một quy trình làm việc mẫu với các bước sau:
- Nhà phân tích tài chính đặt câu hỏi tài chính bằng tiếng Anh thông qua giao diện người dùng cho đại lý đa phương thức.
- Tác nhân xác định rằng nó yêu cầu công cụ cơ sở dữ liệu để trả lời câu hỏi. Nó tạo ra một truy vấn SQL bằng LLM dựa trên câu hỏi và truy vấn cơ sở dữ liệu Athena.
- Athena chạy truy vấn SQL, truy xuất kết quả có liên quan (chuỗi thời gian giá cổ phiếu của năm công ty) và chuyển kết quả cùng với dữ liệu liên quan cho đại lý.
- Tác nhân xác định rằng nó cần một công cụ thứ hai để trả lời câu hỏi. Nó chuyển dữ liệu được truy xuất tới công cụ Python để tối ưu hóa danh mục đầu tư.
- Công cụ Python tính toán danh mục đầu tư tối ưu cần thiết, bao gồm cả trọng số và chuyển câu trả lời cho LLM trong đại lý.
- Đại lý tổng hợp thông tin và tính toán cần thiết bằng LLM và trả lời phân tích tài chính thông qua giao diện người dùng bằng tiếng Anh.
Nhà phân tích tài chính đặt câu hỏi sau:
"Giá đóng cửa của cổ phiếu AAAA, WWW, DDD trong năm 2018 là bao nhiêu? Bạn có thể xây dựng một danh mục đầu tư được tối ưu hóa bằng cách sử dụng ba cổ phiếu này không?"
Đoạn mã sau đây hiển thị các bước được xác định bởi người lập kế hoạch của tác nhân đa phương thức:
Nhân viên đã dịch lời nhắc câu hỏi thành truy vấn SQL sau:
Đoạn mã sau hiển thị câu trả lời cuối cùng của tác nhân đa phương thức dựa trên câu hỏi:
Tình huống 2: Câu hỏi của nhà phân tích tài chính liên quan đến dữ liệu phi cấu trúc
Trong trường hợp này, nhà phân tích tài chính đặt nhiều câu hỏi về tình hình tài chính của công ty cho đại lý đa phương thức. Tác nhân gọi hai tác nhân công cụ, Amazon Kendra với dữ liệu phi cấu trúc và công cụ điện toán Python, để thu thập thông tin và thực hiện các phép tính cần thiết. Sau đó, tác nhân tổng hợp thông tin từ các công cụ bằng mô hình ngôn ngữ của nó và cung cấp câu trả lời đầy đủ cho nhà phân tích. Điểm mấu chốt của tình huống này là nhân viên có thể nhớ câu hỏi và câu trả lời của các câu hỏi trước đó, đồng thời kết hợp ngữ cảnh vào cuộc trò chuyện. Sơ đồ sau minh họa quy trình làm việc, bao gồm các bước sau:
- Nhà phân tích tài chính đặt câu hỏi tài chính bằng tiếng Anh thông qua giao diện người dùng cho đại lý đa phương thức.
- Nhân viên hỗ trợ xác định rằng họ cần công cụ Amazon Kendra để trả lời câu hỏi và gọi công cụ nhân viên Amazon Kendra.
- Amazon Kendra tìm kiếm kho dữ liệu phi cấu trúc trong Amazon S3 và truy xuất tài liệu liên quan chứa câu trả lời.
- Bằng cách sử dụng Thế hệ tăng cường truy xuất (RAG), Amazon Kendra chuyển câu trả lời từ tài liệu liên quan đến LLM trong tổng đài viên.
- Tác nhân xác định rằng nó cần một công cụ thứ hai để trả lời phần thứ hai của câu hỏi. Nó chuyển thông tin từ công cụ đầu tiên đến công cụ tính toán Python.
- Công cụ Python tính toán tỷ lệ cần thiết và chuyển câu trả lời tới LLM trong tác nhân.
- Đại lý tổng hợp thông tin và tính toán cần thiết bằng cách sử dụng LLM và trả lời nhà phân tích tài chính thông qua giao diện người dùng.
Sau đây là những câu hỏi và câu trả lời giữa nhà phân tích và đại lý đa phương thức.
Người đại diện trả lời câu hỏi “Khoản lỗ ròng của Amazon trong năm tài chính kết thúc vào tháng 2022 năm XNUMX là bao nhiêu?” với “Amazon báo cáo tổng doanh thu ròng là 514.0 tỷ USD và lỗ ròng 2.7 tỷ USD cho năm tài chính 2022.” Nguồn là báo cáo Amazon 10K cho năm tài chính kết thúc vào tháng 2022 năm XNUMX, được truy xuất bằng cách sử dụng Retrive_Kendra
Dụng cụ.
Đối với câu hỏi “Khoản lỗ ròng trong cùng năm đó là bao nhiêu?” người đại diện trả lời “2.7 tỷ đô la.” Nguồn là báo cáo Amazon 10K cho năm tài chính kết thúc vào tháng 2022 năm XNUMX, được truy xuất bằng cách sử dụng Retrive_Kendra
Dụng cụ. Lưu ý rằng mặc dù câu hỏi tương tự như câu hỏi thứ hai nhưng câu hỏi này không nêu rõ tên công ty hoặc số năm. Tuy nhiên, nhân viên hỗ trợ có thể sử dụng đúng tên công ty và năm dựa trên ngữ cảnh trong bộ nhớ hội thoại.
Đối với câu hỏi “Công thức tính Tỷ suất lợi nhuận ròng là một loại tỷ suất sinh lời là gì?” người đại diện trả lời “Amazon báo cáo tổng doanh thu thuần là 514.0 tỷ USD và lỗ ròng 2.7 tỷ USD cho năm tài chính 2022. Tỷ lệ biên lợi nhuận ròng của Amazon cho năm tài chính 2022 là -0.5%.” Nguồn là Retrieve_Kendra
và PythonREPLTool().
Đi sâu hơn vào giải pháp
Để tìm hiểu sâu hơn về giải pháp và mã hiển thị trong bài đăng này, hãy xem Repo GitHub.
Trong kho lưu trữ GitHub, bạn sẽ có thể tìm thấy sổ ghi chép Python có giải pháp toàn diện, một Hình thành đám mây AWS mẫu để cung cấp cơ sở hạ tầng, dữ liệu phi cấu trúc (tệp PDF báo cáo thu nhập, tệp âm thanh cuộc gọi thu nhập) và dữ liệu có cấu trúc (chuỗi thời gian chứng khoán).
Trong phần phụ lục ở cuối, các câu hỏi khác nhau mà nhà phân tích tài chính đặt ra, các công cụ đại lý được viện dẫn và câu trả lời từ đại lý đa phương thức đã được lập bảng.
Làm sạch
Sau khi bạn chạy tác nhân đa phương thức, hãy đảm bảo dọn sạch mọi tài nguyên không được sử dụng. Tắt và xóa cơ sở dữ liệu được sử dụng (Athena). Ngoài ra, hãy xóa dữ liệu trong Amazon S3 và dừng mọi phiên bản sổ ghi chép SageMaker Studio để không phải chịu thêm bất kỳ khoản phí nào. Xóa các hàm Lambda và bảng DynamoDB như một phần của bộ nhớ dài hạn không được sử dụng. Nếu bạn đã sử dụng SageMaker JumpStart để triển khai LLM làm điểm cuối thời gian thực của SageMaker, hãy xóa điểm cuối đó thông qua bảng điều khiển SageMaker hoặc SageMaker Studio.
Kết luận
Bài đăng này trình bày nhiều loại dịch vụ lưu trữ, AI/ML và điện toán AWS mà bạn có thể sử dụng để xây dựng giải pháp AI đa phương thức tiên tiến cùng với khung LangChain và AI tổng hợp. Bằng cách tích hợp công nghệ NLP, nhận dạng giọng nói và ML, tác nhân đa phương thức được phát triển trong kịch bản này có thể phân tích các phương thức dữ liệu tài chính đa dạng (có cấu trúc và không cấu trúc) và phản hồi các lời nhắc bằng ngôn ngữ tự nhiên (tiếng Anh). Điều này giúp tăng năng suất và hiệu quả của các nhà phân tích tài chính, cho phép họ tập trung vào công việc mang tính chiến lược, có giá trị cao. Các giải pháp AI đa phương thức do AWS cung cấp có tiềm năng biến đổi thị trường tài chính bằng cách tự động hóa các tác vụ lặp đi lặp lại, nâng cao năng lực của con người và tạo ra thông tin chuyên sâu dựa trên dữ liệu một cách hiệu quả. Đối với dữ liệu có cấu trúc, kiến trúc dữ liệu hiện đại với nhiều cơ sở dữ liệu có thể được kết hợp với AI và LLM tổng quát. Để biết thêm chi tiết, hãy tham khảo Đổi mới trải nghiệm dữ liệu: Sử dụng AI tổng quát và kiến trúc dữ liệu hiện đại để khám phá những hiểu biết sâu sắc. Ngoài ra, hãy tham khảo nền tảng Amazon cho các trường hợp sử dụng trên AI tổng quát, mô hình nền tảng và mô hình ngôn ngữ lớn.
Phụ lục
Bảng sau đây chứa các câu hỏi mẫu của nhà phân tích tài chính để hỏi đại lý đa phương thức dựa trên dữ liệu có cấu trúc và không cấu trúc.
Mục đích câu hỏi | Câu hỏi của các nhà phân tích tài chính thông qua UI | Công cụ đại lý được gọi | Các dịch vụ AWS chính được các công cụ Đại lý sử dụng | Câu trả lời từ đại lý đa phương thức |
Nhắc tác nhân LangChain xử lý trước và trích xuất thông tin từ dữ liệu đã thu thập | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. Công cụ trích xuất văn bản |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
Nhắc tác nhân LangChain chuyển bản ghi âm thành văn bản | 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. |
Nhắc đại lý LangChain phân tích tình hình tài chính và hiệu quả hoạt động của công ty | 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. |
Nhắc đại lý LangChain phân tích hiệu quả tài chính của công ty từ báo cáo thu nhập của công ty | 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. |
Nhắc đại lý LangChain phân tích đội ngũ quản lý của công ty và kế hoạch tương lai của họ từ báo cáo thu nhập của công ty | 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. |
Nhắc đại lý LangChain phân tích chiến lược của công ty từ báo cáo thu nhập của công ty | 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. |
Nhắc đại lý LangChain thực hiện phân tích cảm tính trên bản ghi cuộc gọi thu nhập | 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. |
Nhắc đại lý LangChain xây dựng danh mục đầu tư tối ưu bằng cách sử dụng dữ liệu đã thu thập | 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%' |
Về các tác giả
Sovik Kumar Nath là một kiến trúc sư giải pháp AI/ML với AWS. Ông có nhiều kinh nghiệm thiết kế các giải pháp phân tích kinh doanh và học máy từ đầu đến cuối về tài chính, vận hành, tiếp thị, chăm sóc sức khỏe, quản lý chuỗi cung ứng và IoT. Sovik đã xuất bản các bài báo và có bằng sáng chế về giám sát mô hình ML. Ông có hai bằng thạc sĩ của Đại học Nam Florida, Đại học Fribourg, Thụy Sĩ và bằng cử nhân của Học viện Công nghệ Ấn Độ, Kharagpur. Ngoài công việc, Sovik thích đi du lịch, đi phà và xem phim.
Mohan Musti là Người quản lý tài khoản kỹ thuật cấp cao có trụ sở tại Dallas. Mohan giúp khách hàng xây dựng và tối ưu hóa các ứng dụng trên AWS. Mohan có bằng Khoa học và Kỹ thuật Máy tính tại Đại học JNT, Ấn Độ. Trong thời gian rảnh rỗi, anh thích dành thời gian cho gia đình và cắm trại.
Giai (Vivian) Lý là Kiến trúc sư giải pháp cấp cao tại AWS, với chuyên môn về AI/ML. Cô hiện đang hỗ trợ khách hàng trong lĩnh vực tài chính. Trước khi gia nhập AWS vào năm 2022, cô đã có 7 năm kinh nghiệm hỗ trợ khách hàng doanh nghiệp sử dụng AI/ML trên đám mây để thúc đẩy kết quả kinh doanh. Vivian có bằng Cử nhân Đại học Bắc Kinh và bằng Tiến sĩ tại Đại học Nam California. Trong thời gian rảnh rỗi, cô thích tất cả các hoạt động dưới nước và đi bộ đường dài trên những ngọn núi xinh đẹp ở bang Colorado, quê hương cô.
Uchenna Egbe là Kiến trúc sư Giải pháp AIML, người thích xây dựng các giải pháp AIML có thể tái sử dụng. Uchenna có bằng Thạc sĩ của Đại học Alaska Fairbanks. Anh dành thời gian rảnh rỗi để nghiên cứu về các loại thảo mộc, trà, siêu thực phẩm và cách kết hợp chúng vào chế độ ăn uống hàng ngày.
Navneet tuteja là Chuyên gia dữ liệu tại Amazon Web Services. Trước khi gia nhập AWS, Navneet đã làm việc với tư cách là người hỗ trợ cho các tổ chức đang tìm cách hiện đại hóa kiến trúc dữ liệu của họ và triển khai các giải pháp AI/ML toàn diện. Cô có bằng kỹ sư của Đại học Thapar, cũng như bằng thạc sĩ về thống kê của Đại học Texas A&M.
Kava Praful là Kiến trúc sư giải pháp cấp cao tại AWS. Anh hướng dẫn khách hàng thiết kế và xây dựng quy trình Phân tích quy mô đám mây trên AWS. Ngoài công việc, anh thích đi du lịch cùng gia đình và khám phá những con đường mòn đi bộ đường dài mới.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- PlatoData.Network Vertical Generative Ai. Trao quyền cho chính mình. Truy cập Tại đây.
- PlatoAiStream. Thông minh Web3. Kiến thức khuếch đại. Truy cập Tại đây.
- Trung tâmESG. Than đá, công nghệ sạch, Năng lượng, Môi trường Hệ mặt trời, Quản lý chất thải. Truy cập Tại đây.
- PlatoSức khỏe. Tình báo thử nghiệm lâm sàng và công nghệ sinh học. Truy cập Tại đây.
- nguồn: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- : có
- :là
- :không phải
- :Ở đâu
- ][P
- $ LÊN
- 1
- 10
- 100
- 10K
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- có khả năng
- Có khả năng
- Giới thiệu
- truy cập
- Tài khoản
- Trợ Lý Giám Đốc
- chính xác
- chính xác
- đạt được
- Đạt được
- ngang qua
- hoạt động
- thực tế
- thêm
- Ngoài ra
- tiên tiến
- Lợi thế
- Đại lý
- đại lý
- nhanh nhẹn
- AI
- Dịch vụ AI
- Hệ thống AI
- AI / ML
- AIML
- Mục tiêu
- ALASKA
- Tất cả
- phân bổ
- Cho phép
- cho phép
- dọc theo
- Ngoài ra
- Mặc dù
- đàn bà gan dạ
- Amazon hiểu
- Amazon Kendra
- Văn bản Amazon
- Phiên âm Amazon
- Amazon Web Services
- an
- phân tích
- phân tích
- Các nhà phân tích
- phân tích
- phân tích
- phân tích
- và
- hàng năm
- trả lời
- câu trả lời
- nhân loại
- bất kì
- api
- KHÓA API
- API
- Các Ứng Dụng
- các ứng dụng
- phương pháp tiếp cận
- thích hợp
- kiến trúc
- LÀ
- xung quanh
- bài viết
- AS
- xin
- Tài sản
- trợ giúp
- liên kết
- At
- âm thanh
- tăng cường
- Tự động
- tự động hóa
- có sẵn
- AWS
- trở lại
- dựa
- BE
- đẹp
- được
- trước
- được
- Hơn
- giữa
- lớn nhất
- Tỷ
- tăng
- Hộp
- xây dựng
- Xây dựng
- xây dựng
- kinh doanh
- by
- tính toán
- tính toán
- phép tính
- tính toán
- california
- cuộc gọi
- gọi là
- gọi
- Cuộc gọi
- CAN
- khả năng
- trường hợp
- chuỗi
- chuỗi
- thách thức
- Những thay đổi
- kênh
- tải
- chatbot
- kiểm tra
- lựa chọn
- khách hàng
- đóng cửa
- đám mây
- mã
- thu thập
- Colorado
- kết hợp
- kết hợp
- kết hợp
- đến
- đến
- Giao tiếp
- Các công ty
- công ty
- Của công ty
- tương thích
- cạnh tranh
- cạnh tranh
- phức tạp
- phức tạp
- thành phần
- các thành phần
- hiểu
- toàn diện
- tính toán
- Tính
- máy tính
- Khoa học Máy tính
- khái niệm
- Liên quan
- Cấu hình
- kết hợp
- Kết nối
- bao gồm
- An ủi
- Hợp nhất
- người tiêu dùng
- chứa
- bối cảnh
- liên tục
- góp phần
- Conversation
- chuyển đổi
- sửa chữa
- Phí Tổn
- Chi phí
- có thể
- tạo ra
- Current
- Hiện nay
- khách hàng
- kinh nghiệm khach hang
- khách hàng
- tiền thưởng
- Dallas
- dữ liệu
- xử lý dữ liệu
- hướng dữ liệu
- Cơ sở dữ liệu
- cơ sở dữ liệu
- Ngày
- Tháng mười hai
- quyết định
- dành riêng
- sâu sắc hơn
- xác định
- Xác định
- Bằng cấp
- Nhu cầu
- chứng minh
- chứng minh
- Tùy
- triển khai
- triển khai
- mô tả
- Mô tả
- Thiết kế
- thiết kế
- chi tiết
- phát hiện
- Phát hiện
- Xác định
- phát triển
- Chế độ ăn uống
- khác nhau
- Khó khăn
- bổ nhào
- khác nhau
- đa dạng hóa
- do
- tài liệu
- tài liệu
- thực hiện
- tăng gấp đôi
- xuống
- lái xe
- điều khiển
- trình điều khiển
- hai
- mỗi
- kiếm
- Thu nhập
- thu nhập gọi
- dễ dàng
- Kinh tế
- hiệu quả
- hiệu quả
- hiệu quả
- nỗ lực
- hay
- nổi lên
- cho phép
- cho phép
- bao trùm
- cuối
- Cuối cùng đến cuối
- kết thúc
- Điểm cuối
- ky sư
- Kỹ Sư
- Tiếng Anh
- nâng cao
- tăng cường
- vào
- Doanh nghiệp
- Giải trí
- đặc biệt
- Ngay cả
- ví dụ
- Xuất sắc
- Sàn giao dịch
- hiện tại
- mở rộng
- mở rộng
- mở rộng
- kinh nghiệm
- Giải thích
- thăm dò
- khám phá
- Khám phá
- mở rộng
- Trải nghiệm sâu sắc
- trích xuất
- khai thác
- người hỗ trợ
- phải đối mặt với
- gia đình
- nhanh hơn
- vài
- Các tập tin
- hồ sơ
- cuối cùng
- tài chính
- tài chính
- dữ liệu tài chính
- thông tin tài chính
- hoạt động tài chính
- hệ thống tài chính
- Tìm kiếm
- tìm kiếm
- Tên
- Tài chính
- năm
- florida
- Tập trung
- tập trung
- tiếp theo
- sau
- Trong
- dự báo
- định dạng
- công thức
- Nền tảng
- phân mảnh
- Khung
- gian lận
- phát hiện gian lận
- lừa đảo
- Miễn phí
- thường xuyên
- từ
- Nhiên liệu
- Full
- chức năng
- chức năng
- chức năng
- xa hơn
- tương lai
- Thu được
- đạt được
- thu thập
- tạo ra
- tạo
- tạo ra
- thế hệ
- thế hệ
- Trí tuệ nhân tạo
- gif
- GitHub
- Các mục tiêu
- tốt
- lớn hơn
- lớn
- Phát triển
- Tăng trưởng
- Hướng dẫn
- có
- xử lý
- Có
- he
- cho sức khoẻ
- chăm sóc sức khỏe
- giúp
- cô
- tại đây
- Cao
- cấp độ cao
- cao hơn
- của mình
- giữ
- Trang Chủ
- tổ chức
- Độ đáng tin của
- Hướng dẫn
- Tuy nhiên
- http
- HTTPS
- Nhân loại
- i
- xác định
- xác định
- xác định
- Bản sắc
- if
- minh họa
- hình ảnh
- thực hiện
- quan trọng
- nâng cao
- cải thiện
- in
- bao gồm
- bao gồm
- Bao gồm
- kết hợp
- Hợp nhất
- Tăng lên
- tăng
- tăng
- Ấn Độ
- người Ấn Độ
- ngành công nghiệp
- lạm phát
- Lạm phát
- Áp lực lạm phát
- thông tin
- Cơ sở hạ tầng
- đổi mới
- sự đổi mới
- đầu vào
- Insider
- giao dịch nội gián
- những hiểu biết
- Viện
- Tích hợp
- Sự thông minh
- Thông minh
- Xử lý tài liệu thông minh
- tương tác
- tương tác
- tương tác
- nội bộ
- trong
- Đầu tư
- đầu tư
- Các nhà đầu tư
- viện dẫn
- viện dẫn
- tham gia
- iốt
- IT
- ITS
- tham gia
- jpg
- Key
- phím
- kiến thức
- kumar
- Thiếu sót
- Ngôn ngữ
- lớn
- hàng đầu
- học tập
- Tỉ lệ đòn bẩy
- Lượt thích
- LIMIT
- liên kết
- Thanh khoản
- Danh sách
- LLM
- tại địa phương
- logic
- lâu
- Xem
- tra cứu
- sự mất
- Thấp
- máy
- học máy
- Chủ yếu
- Có thể bảo trì
- làm cho
- LÀM CHO
- quản lý
- Ban Quản Trị
- Thao tác
- cách thức
- Lợi nhuận
- thị trường
- lũng đoạn thị trường
- Marketing
- thị trường
- thạc sĩ
- toán học
- Có thể..
- Phương tiện truyền thông
- Bộ nhớ
- đề cập đến
- ML
- kiểu mẫu
- người mẫu
- mô hình
- hiện đại
- hiện đại hóa
- giám sát
- chi tiết
- hầu hết
- Phim Điện Ảnh
- di chuyển
- MS
- nhiều
- phải
- tên
- tên
- Tự nhiên
- Xử lý ngôn ngữ tự nhiên
- Thiên nhiên
- cần thiết
- nhu yếu phẩm
- Cần
- nhu cầu
- tiêu cực
- net
- Mới
- sản phẩm mới
- tin tức
- nlp
- máy tính xách tay
- tại
- con số
- nghĩa vụ
- of
- off
- Cung cấp
- Cung cấp
- on
- ONE
- hoạt động
- Hoạt động
- tối ưu
- tối ưu hóa
- Tối ưu hóa
- tối ưu hóa
- or
- gọi món
- tổ chức
- Nền tảng khác
- vfoXNUMXfipXNUMXhfpiXNUMXufhpiXNUMXuf
- ra
- bên ngoài
- tổng thể
- một phần
- vượt qua
- bằng sáng chế
- Trả
- Bắc Kinh
- tỷ lệ phần trăm
- Thực hiện
- hiệu suất
- thực hiện
- Bằng tiến sĩ
- cụm từ
- kế hoạch
- kế hoạch
- nền tảng
- plato
- Thông tin dữ liệu Plato
- PlatoDữ liệu
- xin vui lòng
- Điểm
- Chính sách
- Phổ biến
- phổ biến
- danh mục đầu tư
- đặt ra
- vị trí
- Bài đăng
- tiềm năng
- quyền lực
- -
- áp lực
- trước
- trước đây
- giá
- Giá
- giá
- chủ yếu
- chính
- Trước khi
- quá trình
- xử lý
- năng suất
- Sản phẩm
- Lợi nhuận
- lợi nhuận
- lợi nhuận
- Tiến độ
- cho
- cung cấp
- công bố
- Python
- chất lượng
- định lượng
- Quý
- truy vấn
- câu hỏi
- Câu hỏi
- Mau
- trích dẫn
- phạm vi
- Giá
- tỉ lệ
- RE
- sẵn sàng
- thời gian thực
- gần đây
- công nhận
- ghi âm
- xem
- liên quan
- tương đối
- có liên quan
- nhớ
- lặp đi lặp lại
- báo cáo
- Báo cáo
- Báo cáo
- Báo cáo
- cần phải
- đòi hỏi
- nghiên cứu
- Thông tin
- Trả lời
- phản ứng
- phản ứng
- kết quả
- Kết quả
- bán lẻ
- trở lại
- có thể tái sử dụng
- doanh thu
- tăng trưởng doanh thu
- ngay
- Nguy cơ
- rủi ro
- mạnh mẽ
- thường xuyên
- chạy
- chạy
- s
- S&P
- nhà làm hiền triết
- bán hàng
- tương tự
- lưu
- tiết kiệm
- khả năng mở rộng
- Quy mô
- kịch bản
- kịch bản
- Khoa học
- Điểm số
- sdk
- Tìm kiếm
- tìm kiếm
- Thứ hai
- Phần
- phần
- an toàn
- xem
- nhìn thấy
- tìm kiếm
- Tìm kiếm
- dường như
- lựa chọn
- TỰ
- cao cấp
- tình cảm
- cảm xúc
- Loạt Sách
- dịch vụ
- DỊCH VỤ
- Phiên
- chị ấy
- thời gian ngắn
- thanh khoản ngắn hạn
- nên
- giới thiệu
- thể hiện
- Chương trình
- Đóng cửa
- có ý nghĩa
- tương tự
- Đơn giản
- kỹ năng
- Mạng xã hội
- truyền thông xã hội
- giải pháp
- Giải pháp
- một số
- tinh vi
- nguồn
- nguồn
- miền Nam
- South Florida
- Miền Nam
- chuyên gia
- riêng
- phát biểu
- Speech Recognition
- tốc độ
- Chi
- lan tràn
- tiêu chuẩn hóa
- Tiểu bang
- số liệu thống kê
- ở lại
- Bước
- Các bước
- cổ phần
- CỔ PHIẾU
- Dừng
- là gắn
- hàng
- lưu trữ
- cửa hàng
- lưu trữ
- Chiến lược
- Chiến lược
- Tăng cường
- cấu trúc
- cấu trúc
- phòng thu
- đăng ký
- đăng ký
- như vậy
- phù hợp
- bộ
- tóm tắt
- TÓM TẮT
- nhà cung cấp
- cung cấp
- chuỗi cung ứng
- quản lý chuỗi cung ứng
- hỗ trợ
- Hỗ trợ
- Hỗ trợ
- chắc chắn
- switzerland
- hệ thống
- hệ thống
- bàn
- dùng
- Nhiệm vụ
- nhiệm vụ
- nhóm
- Kỹ thuật
- Công nghệ
- Công nghệ
- mẫu
- texas
- văn bản
- việc này
- Sản phẩm
- Tương lai
- thông tin
- Nguồn
- cung cấp their dịch
- Them
- sau đó
- Đó
- bằng cách ấy
- Kia là
- họ
- điều
- điều này
- Tuy nhiên?
- hăm dọa
- số ba
- Thông qua
- thời gian
- Chuỗi thời gian
- đến
- công cụ
- bộ công cụ
- công cụ
- hàng đầu
- chủ đề
- Tổng số:
- Giao dịch
- Train
- Bảng điểm
- Chuyển đổi
- Chuyển đổi
- giao thông vận tải
- Đi du lịch
- Xu hướng
- hai
- kiểu
- loại
- ui
- hiểu
- sự hiểu biết
- trường đại học
- mở khóa
- mở khóa
- sắp tới
- cập nhật
- us
- sử dụng
- đã sử dụng
- người sử dang
- Người sử dụng
- sử dụng
- sử dụng
- tận dụng
- sử dụng
- Quý báu
- giá trị
- nhiều
- khác nhau
- phiên bản
- thông qua
- Video
- khối lượng
- là
- xem
- Nước
- Đường..
- cách
- we
- web
- các dịch vụ web
- TỐT
- là
- Điều gì
- khi nào
- cái nào
- CHÚNG TÔI LÀ
- rộng
- Phạm vi rộng
- sẽ
- với
- ở trong
- Công việc
- làm việc
- quy trình làm việc
- năm
- năm
- Bạn
- trên màn hình
- zephyrnet