多模态数据是金融行业的重要组成部分,涵盖市场、经济、客户、新闻和社交媒体以及风险数据。 金融组织生成、收集和使用这些数据来深入了解财务运营、做出更好的决策并提高绩效。 然而,由于金融系统、数据格式和质量的复杂性和缺乏标准化,以及数据的碎片化和非结构化性质,多模态数据面临着挑战。 金融客户经常描述从多模式数据中获取财务洞察的运营开销,这需要复杂的提取和转换逻辑,导致工作量和成本臃肿。 多模态数据的技术挑战还包括集成和建模不同数据类型的复杂性、组合来自多种模态(文本、图像、音频、视频)的数据的难度,以及对高级计算机科学技能和复杂分析工具的需求。
处理越来越流行的多模态数据的方法之一是使用多模态代理。 多模态代理是人工智能系统,可以使用其工具包中的正确工具来理解和分析多种模态的数据。 他们能够将这些不同数据类型的见解联系起来,以获得更全面的理解并生成适当的响应。 多模式代理与生成人工智能相结合,在金融市场中得到了广泛的应用。 以下是一些流行的用例:
- 智能报告和市场情报 – 人工智能可以分析各种来源的金融信息,生成市场情报报告,帮助分析师、投资者和公司了解最新趋势。 多模式代理可以快速总结冗长的财务报告,为分析师节省大量时间和精力。
- 定量建模和预测 – 生成模型可以合成大量财务数据来训练机器学习 (ML) 模型,用于股票价格预测、投资组合优化、风险建模等应用。 了解不同数据源的多模态模型可以提供更稳健的预测。
- 合规性和欺诈检测 – 该解决方案可以扩展为包括监控工具,用于分析电话、电子邮件、聊天、访问日志等通信渠道,以识别潜在的内幕交易或市场操纵。 检测跨数据类型的欺诈共谋需要多模式分析。
具有生成式人工智能的多模式代理可以自动执行重复性和例行任务,从而提高财务分析师的工作效率,从而使分析师能够腾出时间专注于高价值工作。 多模式代理可以通过协助研究和分析来增强分析师获得见解的能力。 多模式代理还可以生成增强的定量分析和财务模型,使分析师能够更快、更准确地工作。
使用 AWS 实施多模式代理可以整合来自大规模不同结构化和非结构化数据的关键见解。 多模式代理可以轻松地将生成式人工智能产品的力量结合起来 亚马逊基岩 和 亚马逊SageMaker JumpStart 借助 AWS Analytics 和 AI/ML 服务的数据处理功能,提供敏捷的解决方案,使财务分析师能够在 AWS 中以安全且可扩展的方式高效分析多模式数据并收集见解。 亚马逊提供了一套人工智能服务,支持自然语言处理 (NLP)、语音识别、文本提取和搜索:
- 亚马逊领悟 是一项 NLP 服务,可以分析文本中的关键短语并分析情绪
- 亚马逊Textract 是一款智能文档处理服务,可以准确地从文档中提取文本和数据
- 亚马逊转录 是一种自动语音识别服务,可以将语音转换为文本
- 亚马逊肯德拉 是一项由 ML 提供支持的企业搜索服务,用于跨各种数据源(包括文档和知识库)查找信息
在这篇文章中,我们展示了一个场景,其中财务分析师与组织的多模式数据(驻留在专门构建的数据存储中)进行交互,以收集财务见解。 在交互中,我们演示了多模式代理如何计划和运行用户查询并从相关数据源检索结果。 所有这一切都是使用 AWS 服务实现的,从而提高了财务分析师整体分析多模式财务数据(文本、语音和表格数据)的效率。
以下屏幕截图显示了 UI 示例。
解决方案概述
下图说明了使用代理将生成式 AI 与多模式数据结合使用的概念架构。 涉及的步骤如下:
- 财务分析师通过聊天机器人等平台提出问题。
- 该平台使用一个框架来确定最合适的多模式代理工具来回答问题。
- 一旦识别,平台就会运行链接到先前识别的工具的代码。
- 该工具根据财务分析师的要求生成财务数据的分析。
- 在总结结果时,大型语言模型检索并向财务分析师报告。
技术架构
多模式代理根据业务用户的自然语言提示编排各种工具以生成见解。 对于非结构化数据,代理使用 AWS Lambda 与 AI 服务一起使用,例如用于文档分析的 Amazon Textract、用于语音识别的 Amazon Transcribe、用于 NLP 的 Amazon Comprehend 和用于智能搜索的 Amazon Kendra。 对于结构化数据,代理使用 SQL Connector 和 SQLAlchemy 来分析数据库,其中包括 亚马逊雅典娜。 该代理还在 Lambda 中使用 Python 亚马逊SageMaker 用于计算和定量建模的 SDK。 该代理还具有长期记忆功能,可以将提示和结果存储在 Amazon DynamoDB。 多模式代理驻留在 SageMaker 笔记本中,并根据 Streamlit UI 中业务用户的英语提示来协调这些工具。
技术架构的关键组成部分如下:
- 数据存储和分析 – 音频文件形式的季度财务收益记录、PDF 文件形式的财务年度报告以及 CSV 文件形式的 S&P 股票数据托管在 亚马逊简单存储服务 (亚马逊 S3)。 股票数据的数据探索是使用 Athena 完成的。
- 大型语言模型 – 大语言模型 (LLM) 可通过 Amazon Bedrock、SageMaker JumpStart 或 API 获得。
- 中介代理 – 我们使用 LangChain 的代理进行非预定的调用链,作为 LLM 和其他工具的用户输入。 在这些类型的链中,有一个代理可以访问一套工具。 每个工具都是为特定任务而构建的。 根据用户输入,代理决定调用哪个工具或工具组合来回答问题。 我们为我们的场景创建了以下专门构建的代理工具:
- 股票查询工具 – 使用 Athena 和 SQLAlchemy 查询 S&P 股票数据。
- 投资组合优化工具 – 根据所选股票建立投资组合。
- 财务信息查询工具 – 使用 Amazon Kendra 搜索存储在多页 PDF 文件中的财务收益信息。
- Python计算工具 – 用于数学计算。
- 情绪分析工具 – 使用 Amazon Comprehend 识别主题情绪并对其进行评分。
- 检测短语工具 – 使用 Amazon Comprehend 查找最近季度报告中的关键短语。
- 文本提取工具 – 使用 Amazon Textract 将季度报告的 PDF 版本转换为文本文件。
- 转录音频工具 – 使用 Amazon Transcribe 将录音转换为文本文件。
保存用户与代理交互链的代理内存保存在 DynamoDB 中。
以下部分解释了一些主要步骤以及相关代码。 要深入了解此处显示的所有步骤的解决方案和代码,请参阅 GitHub回购.
先决条件
要运行此解决方案,您必须拥有 LLM(例如 Anthropic Claude v2)的 API 密钥,或者有权访问 Amazon Bedrock 基础模型。
要使用 LLM 和 LangChain 从结构化和非结构化数据生成响应,您需要通过 Amazon Bedrock、SageMaker JumpStart 或 API 密钥访问 LLM,并使用与 SQLAlchemy 兼容的数据库。 AWS身份和访问管理 还需要 (IAM) 策略,您可以在 GitHub 存储库中找到详细信息。
多模式代理的关键组件
多模式代理有几个关键组件:
- 为多模式代理工具定义的功能
- 为多模式代理定义的工具
- 多模式代理的长期记忆
- 基于规划器-执行器的多模式代理(用工具、LLM 和内存定义)
在本节中,我们将通过相关代码片段来说明关键组件。
为多模式代理工具定义的功能
多模态代理需要使用各种人工智能服务来处理不同类型的数据——文本、语音、图像等。 其中一些功能可能需要调用 AWS AI 服务,例如 Amazon Comprehend 来分析文本、Amazon Textract 来分析图像和文档以及 Amazon Transcribe 将语音转换为文本。 这些函数可以在代理内本地调用,也可以部署为代理可以调用的 Lambda 函数。 Lambda 函数在内部调用相关的 AWS AI 服务并将结果返回给代理。 这种方法模块化了逻辑,使代理更具可维护性和可扩展性。
以下函数定义了如何根据所选股票计算优化的投资组合。 将基于 Python 的函数转换为 LLM 工具的一种方法是使用 基础工具 包装。
以下是 Lambda 调用 AWS AI 服务(Amazon Comprehend、Amazon Textract、Amazon Transcribe)API 的代码:
为多模式代理定义的工具
多模式代理可以访问各种工具来实现其功能。 它可以查询股票数据库来回答有关股票的问题。 它可以使用专用工具优化投资组合。 它可以从 Amazon Kendra(亚马逊的企业搜索服务)检索信息。 Python REPL 工具允许代理运行 Python 代码。 以下代码显示了工具结构的示例,包括其名称和描述。 本文的实际工具箱有八个工具:股票查询工具、投资组合优化工具、财务信息查找工具、Python 计算工具、情绪分析工具、检测短语工具、文本提取工具和转录音频工具。
多模式代理的长期记忆
以下代码说明了多模式代理的长期记忆的配置。 在此代码中,DynamoDB 表被添加为内存,用于存储提示和答案以供将来参考。
基于规划器-执行器的多模式智能体
计划执行者 基于多模态代理架构有两个主要组件:规划器和执行器。 规划器生成一个高级计划,其中包含运行和回答提示问题所需的步骤。 然后,执行器通过使用语言模型和必要的工具为每个计划步骤生成适当的系统响应来运行该计划。 请看下面的代码:
基于财务分析师提出的问题的示例场景
在本节中,我们将探讨两个示例场景,以说明多模式代理根据财务分析师提出的问题执行的端到端步骤。
场景 1:金融分析师提出与结构化数据相关的问题
在此场景中,财务分析师用英语向多式联运代理询问与公司股票相关的问题。 多模式 LangChain 代理会提出一个多步骤计划,并决定每个步骤使用哪些工具。 下图说明了包含以下步骤的示例工作流程:
- 财务分析师通过 UI 向多模式代理用英语询问财务问题。
- 代理确定它需要数据库工具来回答问题。 它使用基于问题的 LLM 生成 SQL 查询并查询 Athena 数据库。
- Athena 运行 SQL 查询,检索相关结果(五家公司的股价时间序列),并将结果和相关数据传递给代理。
- 代理发现它需要第二个工具来回答这个问题。 它将检索到的数据传递给 Python 工具以进行投资组合优化。
- Python 工具计算所需的最佳投资组合,包括权重,并将答案传递给代理内的 LLM。
- 代理使用法学硕士编译所需的信息和计算,并通过英语用户界面回答财务分析。
财务分析师提出以下问题:
“股票 AAAA、WWW、DDD 2018 年收盘价是多少? 您可以使用这三只股票构建优化的投资组合吗?=
以下代码显示了多模式代理的规划者确定的步骤:
代理将问题提示翻译为以下 SQL 查询:
以下代码显示了多模式代理根据问题给出的最终答案:
场景 2:金融分析师提出与非结构化数据相关的问题
在这种情况下,财务分析师向多模式代理询问有关公司财务状况的多个问题。 该代理调用两个工具代理(包含非结构化数据的 Amazon Kendra 和 Python 计算工具)来收集信息并执行必要的计算。 然后,代理使用其语言模型编译来自工具的信息,并向分析师提供完整的答案。 这个场景的关键是智能体可以记住之前问题的问题和答案,并将上下文融入到对话中。 下图说明了工作流程,包括以下步骤:
- 财务分析师通过 UI 向多模式代理用英语询问财务问题。
- 该代理确定它需要 Amazon Kendra 工具来回答问题并调用 Amazon Kendra 代理工具。
- Amazon Kendra 搜索 Amazon S3 中的非结构化数据语料库并检索包含答案的相关文档。
- Amazon Kendra 使用检索增强生成 (RAG),将相关文档的答案传递给代理内的 LLM。
- 代理发现它需要第二个工具来回答问题的第二部分。 它将信息从第一个工具传递到 Python 计算工具。
- Python 工具计算所需的比率并将答案传递给代理内的 LLM。
- 代理使用 LLM 编译所需的信息和计算,并通过 UI 回答财务分析师的问题。
以下是分析师和多模式代理之间的问题和解答。
代理人回答问题“亚马逊截至 2022 年 XNUMX 月的财年净亏损是多少?”,“亚马逊报告 514.0 财年总净销售额为 2.7 亿美元,净亏损为 2022 亿美元。” 来源是截至 10 年 2022 月的财年的 Amazon XNUMXK 报告,使用以下方法检索 Retrive_Kendra
工具。
对于这个问题“同年净亏损是多少?” 代理人回答“2.7 亿美元。” 来源是截至 10 年 2022 月的财年的 Amazon XNUMXK 报告,使用以下方法检索 Retrive_Kendra
工具。 请注意,尽管该问题与第二个问题类似,但该问题没有指定公司名称或年份。 然而,代理能够根据对话记忆中的上下文使用正确的公司名称和年份。
对于这个问题“净利润率是盈利能力的一种,其公式是什么?” 代理商回答“亚马逊报告 514.0 财年总净销售额为 2.7 亿美元,净亏损 2022 亿美元。亚马逊 2022 财年净利润率为 -0.5%。” 来源是 Retrieve_Kendra
和 PythonREPLTool().
深入研究解决方案
要深入了解本文中显示的解决方案和代码,请查看 GitHub回购.
在 GitHub 存储库中,您将能够找到具有端到端解决方案的 Python 笔记本, AWS CloudFormation 用于配置基础设施、非结构化数据(收益报告 PDF 文件、收益电话会议音频文件)和结构化数据(股票时间序列)的模板。
在最后的附录中,列出了金融分析师提出的不同问题、调用的代理工具以及多模式代理的答案。
清理
运行多模式代理后,请确保清理所有不会使用的资源。 关闭并删除使用的数据库 (Athena)。 此外,删除 Amazon S3 中的数据并停止任何 SageMaker Studio 笔记本实例,以免产生任何进一步费用。 删除 Lambda 函数和 DynamoDB 表作为未使用的长期内存的一部分。 如果您使用 SageMaker JumpStart 将 LLM 部署为 SageMaker 实时端点,请通过 SageMaker 控制台或 SageMaker Studio 删除端点。
结论
这篇文章展示了广泛的 AWS 存储、AI/ML 和计算服务,您可以使用这些服务与 LangChain 框架和生成式 AI 一起构建高级多模式 AI 解决方案。 通过集成 NLP、语音识别和 ML 技术,在此场景中开发的多模态代理能够分析不同的金融数据模态(结构化和非结构化)并以自然语言(英语)响应提示。 这提高了财务分析师的生产力和效率,使他们能够专注于高价值的战略性工作。 由 AWS 提供支持的多模式人工智能解决方案有潜力通过自动执行重复性任务、增强人类能力并有效生成数据驱动的见解来改变金融市场。 对于结构化数据,具有多个数据库的现代数据架构可以与生成式人工智能和法学硕士相结合。 欲了解更多详情,请参阅 重塑数据体验:使用生成式人工智能和现代数据架构来解锁洞察. 另外,请参阅 亚马逊基岩 适用于生成式人工智能、基础模型和大型语言模型的用例。
附录
下表包含财务分析师根据结构化和非结构化数据询问多模式代理的示例问题。
问题目的 | 金融分析师通过 UI 提出的问题 | 调用代理工具 | 代理工具使用的主要 AWS 服务 | 来自多式联运代理的答复 |
提示LangChain代理对收集到的数据进行预处理并提取信息 | Convert the Amazon`s recent quarters 10k and 10q files to text format |
1. 文本提取工具 |
|
The text files containing Amazon's financial filings have been cleaned and are ready for analysis. |
提示LangChain代理将录音转录为文本 | 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. |
提示浪链代理分析公司的财务健康状况和业绩 | 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. |
提示浪链代理人从公司的财报中分析公司的财务表现 | 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. |
提示浪链代理人从公司的财报中分析公司的管理团队及其对未来的计划 | 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. |
提示浪链代理人从公司财报中分析公司策略 | 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. |
提示浪链代理对财报电话会议录音进行情绪分析 | 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. |
提示LangChain代理利用收集到的数据构建最优投资组合 | 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%' |
作者简介
索维克·库马尔·纳特 是 AWS 的 AI/ML 解决方案架构师。 他在设计金融、运营、营销、医疗保健、供应链管理和物联网领域的端到端机器学习和业务分析解决方案方面拥有丰富的经验。 Sovik 在 ML 模型监控方面发表了文章并拥有一项专利。 他拥有南佛罗里达大学、瑞士弗里堡大学的双硕士学位,以及印度理工学院卡拉格普尔分校的学士学位。 工作之余,索维克喜欢旅行、乘坐渡轮和看电影。
莫汉·穆斯蒂 是达拉斯的高级技术客户经理。 Mohan 帮助客户在 AWS 上构建和优化应用程序。 Mohan 拥有印度 JNT 大学计算机科学与工程专业。 在业余时间,他喜欢与家人共度时光和露营。
贾 (Viv李安 是 AWS 的高级解决方案架构师,专长于 AI/ML。 她目前为金融行业的客户提供支持。 在 2022 年加入 AWS 之前,她拥有 7 年支持企业客户在云中使用 AI/ML 来推动业务成果的经验。 Vivian 拥有北京大学学士学位和南加州大学博士学位。 在业余时间,她喜欢所有的水上活动,并在家乡科罗拉多州美丽的山脉中徒步旅行。
乌钦娜·埃格贝 是一位 AIML 解决方案架构师,喜欢构建可重用的 AIML 解决方案。 Uchenna 拥有阿拉斯加大学费尔班克斯分校的硕士学位。 他利用业余时间研究草药、茶、超级食品以及如何将它们纳入日常饮食中。
NAVNEET 图泰贾 是 Amazon Web Services 的数据专家。 在加入 AWS 之前,Navneet 曾担任寻求实现数据架构现代化和实施综合 AI/ML 解决方案的组织的促进者。 她拥有塔帕尔大学的工程学位和德克萨斯 A&M 大学的统计学硕士学位。
普拉富尔·卡瓦 是 AWS 的高级专家解决方案架构师。 他指导客户在 AWS 上设计和设计云规模分析管道。 工作之余,他喜欢与家人一起旅行并探索新的远足路线。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/
- :具有
- :是
- :不是
- :在哪里
- ][p
- $UP
- 1
- 10
- 100
- 10
- 10Q
- 11
- 12
- 125
- 13
- 14
- 16
- 19
- 20
- 2018
- 2022
- 27
- 67
- 7
- 8
- 9
- 91
- a
- AAA
- 对,能力--
- Able
- 关于
- ACCESS
- 账号管理
- 账户
- 准确
- 实现
- 实现
- 横过
- 活动
- 实际
- 添加
- 增加
- 高级
- 优点
- 经纪人
- 中介代理
- 敏捷
- AI
- 人工智能服务
- 人工智能系统
- AI / ML
- 艾美
- 目标
- 阿拉斯加
- 所有类型
- 分配
- 允许
- 允许
- 沿
- 还
- 尽管
- Amazon
- 亚马逊领悟
- 亚马逊肯德拉
- 亚马逊Textract
- 亚马逊转录
- 亚马逊网络服务
- an
- 分析
- 分析人士
- 分析师
- 分析
- 分析
- 分析
- 和
- 全年
- 回答
- 答案
- 人类的
- 任何
- API
- API密钥
- APIs
- 应用领域
- 应用领域
- 的途径
- 适当
- 架构
- 保健
- 围绕
- 刊文
- AS
- 问
- 办公室文员:
- 协助
- 相关
- At
- 音频
- 增强
- 自动表
- 自动化
- 可使用
- AWS
- 背部
- 基于
- BE
- 美丽
- 很
- before
- 作为
- 更好
- 之间
- 最大
- 亿
- 提升
- 盒子
- 建立
- 建筑物
- 建
- 商业
- by
- 计算
- 计算
- 计算
- 计算
- 加州
- 呼叫
- 被称为
- 调用
- 呼叫
- CAN
- 能力
- 例
- 链
- 链
- 挑战
- 更改
- 通道
- 收费
- 聊天机器人
- 查
- 选择
- 客户
- 关闭
- 云端技术
- 码
- 收集
- 科罗拉多州
- 组合
- 结合
- 结合
- 购买的订单均
- 未来
- 沟通
- 公司
- 公司
- 公司的
- 兼容
- 竞争
- 竞争的
- 复杂
- 复杂
- 元件
- 组件
- 理解
- 全面
- 计算
- 计算
- 一台
- 计算机科学
- 概念上的
- 关心
- 配置
- 结合
- 分享链接
- 由
- 安慰
- 来合并
- 消费者
- 包含
- 上下文
- 连续
- 贡献
- 谈话
- 兑换
- 正确
- 价格
- 成本
- 可以
- 创建
- 电流
- 目前
- 顾客
- 客户体验
- 合作伙伴
- 每天
- 达拉斯
- data
- 数据处理
- 数据驱动
- 数据库
- 数据库
- 日期
- 十二月
- 决定
- 专用
- 更深
- 定义
- 定义
- 学位
- 需求
- 演示
- 证明
- 根据
- 部署
- 部署
- 描述
- 描述
- 设计
- 设计
- 详情
- 检测
- 检测
- 确定
- 发达
- 饮食
- 不同
- 困难
- 潜水
- 不同
- 多样化
- do
- 文件
- 文件
- 完成
- 翻番
- 向下
- 驾驶
- 驱动
- 驱动程序
- 两
- 每
- 佣金
- 佣金
- 财报电话会议
- 容易
- 经济
- 效率
- 高效
- 有效
- 努力
- 或
- 电子邮件
- 出现
- enable
- 使
- 包含
- 结束
- 端至端
- 结束
- 端点
- 工程师
- 工程师
- 英语
- 增强
- 加强
- 进入
- 企业
- 娱乐
- 特别
- 甚至
- 例子
- 追求卓越
- 交换
- 现有
- 扩大
- 扩大
- 扩张
- 体验
- 说明
- 勘探
- 探索
- 探索
- 广泛
- 丰富的经验
- 提取
- 萃取
- 主持人
- 面对
- 家庭
- 快
- 少数
- 档
- 申请
- 最后
- 金融
- 金融
- 财务数据
- 财务信息
- 财务绩效
- 金融系统
- 找到最适合您的地方
- 寻找
- 姓氏:
- 税法
- 五
- 佛罗里达
- 专注焦点
- 聚焦
- 以下
- 如下
- 针对
- 预测
- 格式
- 公式
- 基金会
- 支离破碎
- 骨架
- 骗局
- 欺诈检测
- 欺诈
- Free
- 频繁
- 止
- 汽油
- ,
- 功能
- 功能
- 功能
- 进一步
- 未来
- Gain增益
- 获得
- 收集
- 生成
- 产生
- 发电
- 代
- 生成的
- 生成式人工智能
- GIF
- GitHub上
- 理想中
- 非常好
- 更大的
- 增长
- 增长
- 事业发展
- 指南
- 民政事务总署
- 处理
- 有
- he
- 健康管理
- 医疗保健
- 帮助
- 这里
- 相关信息
- 高
- 高水平
- 更高
- 他的
- 持有
- 主页
- 托管
- 创新中心
- How To
- 但是
- HTTP
- HTTPS
- 人
- i
- 确定
- 识别
- 鉴定
- 身分
- if
- 说明
- 图片
- 实施
- 重要
- 改善
- 改善
- in
- 包括
- 包括
- 包含
- 合并
- 成立
- 增加
- 增加
- 增加
- 印度
- 印度
- 行业中的应用:
- 通货膨胀
- 通胀
- 通胀压力
- 信息
- 基础设施
- 创新
- 創新
- 输入
- 内幕
- 内幕交易
- 可行的洞见
- 研究所
- 整合
- 房源搜索
- 智能化
- 智能文档处理
- 相互作用
- 互动
- 交互
- 内部
- 成
- 投资
- 投资
- 投资者
- 调用
- 所调用
- 参与
- 物联网
- IT
- 它的
- 加盟
- JPG
- 键
- 键
- 知识
- 库马尔
- 缺乏
- 语言
- 大
- 领导
- 学习
- 杠杆作用
- 喜欢
- 极限
- 链接
- 流动性
- 清单
- LLM
- 当地
- 逻辑
- 长期
- 看
- 查找
- 离
- 低
- 机
- 机器学习
- 主要
- 可维护的
- 使
- 制作
- 颠覆性技术
- 管理层
- 操作
- 方式
- 余量
- 市场
- 市场操纵
- 营销
- 市场
- 硕士
- 数学的
- 可能..
- 媒体
- 内存
- 提到
- ML
- 模型
- 造型
- 模型
- 现代
- 现代化
- 监控
- 更多
- 最先进的
- 电影
- 移动
- MS
- 多
- 必须
- 姓名
- 名称
- 自然
- 自然语言处理
- 自然
- 必要
- 必须
- 需求
- 需要
- 负
- 净
- 全新
- 新产品
- 消息
- NLP
- 笔记本
- 现在
- 数
- 债券
- of
- 折扣
- 供品
- 优惠精选
- on
- 一
- 操作
- 运营
- 最佳
- 优化
- 优化
- 优化
- or
- 秩序
- 组织
- 其他名称
- 我们的
- 输出
- 学校以外
- 最划算
- 部分
- 通行证
- 专利
- 北京
- 百分比
- 演出
- 性能
- 执行
- 博士学位
- 短语
- 计划
- 计划
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 请
- 点
- 政策
- 热门
- 声望
- 个人档案
- 构成
- 位置
- 帖子
- 潜力
- 功率
- 供电
- 压力
- 以前
- 先前
- 车资
- 价格
- 价格
- 主要
- 小学
- 先
- 过程
- 处理
- 生产率
- 核心产品
- 利润
- 盈利
- 利润
- 进展
- 提供
- 提供
- 出版
- 蟒蛇
- 质量
- 量
- 季
- 查询
- 题
- 有疑问吗?
- 很快
- 报价
- 范围
- 价格表
- 比
- RE
- 准备
- 实时的
- 最近
- 承认
- 了解
- 参考
- 有关
- 相对的
- 相应
- 纪念
- 重复的
- 报告
- 报道
- 报告
- 业务报告
- 必须
- 需要
- 研究
- 资源
- 回应
- 响应
- 回复
- 导致
- 成果
- 零售
- 回报
- 可重复使用
- 收入
- 收入增长
- 右
- 风险
- 风险
- 健壮
- 常规
- 运行
- 运行
- s
- 标准普尔
- sagemaker
- 销售
- 同
- 保存
- 保存
- 可扩展性
- 鳞片
- 脚本
- 情景
- 科学
- 得分了
- SDK
- 搜索
- 搜索
- 其次
- 部分
- 部分
- 安全
- 看到
- 看到
- 寻求
- 寻求
- 似乎
- 选择
- 自
- 前辈
- 情绪
- 情怀
- 系列
- 服务
- 特色服务
- 会议
- 她
- 短期的
- 短期流动性
- 应该
- 展示
- 如图
- 作品
- 关闭
- 显著
- 类似
- 简易
- 技能
- 社会
- 社会化媒体
- 方案,
- 解决方案
- 一些
- 极致
- 来源
- 来源
- 南部
- 南佛罗里达
- 南
- 专家
- 具体的
- 言语
- 语音识别
- 速度
- 花费
- 传播
- 标准化
- 州/领地
- 统计
- 留
- 步
- 步骤
- 库存
- 股票
- Stop 停止
- 存储
- 商店
- 存储
- 商店
- 存储
- 善用
- 策略
- 加强
- 结构体
- 结构化
- 工作室
- 订阅
- 订阅
- 这样
- 合适的
- 套房
- 总结
- 概要
- 供销商
- 供应
- 供应链
- 供应链管理
- SUPPORT
- 支持
- 支持
- 肯定
- 瑞士
- 系统
- 产品
- 表
- 服用
- 任务
- 任务
- 团队
- 文案
- 技术
- 专业技术
- 模板
- 德州
- 文本
- 这
- 未来
- 信息
- 其
- 他们
- 然后
- 那里。
- 从而
- 博曼
- 他们
- 事
- Free Introduction
- 虽然?
- 威胁
- 三
- 通过
- 次
- 时间序列
- 至
- 工具
- 工具箱
- 工具
- 最佳
- 主题
- 合计
- 交易
- 培训
- 成绩单
- 改造
- 转型
- 交通运输或是
- 旅游
- 趋势
- 二
- 类型
- 类型
- ui
- 理解
- 理解
- 大学
- 开锁
- 解锁
- 即将上市
- 更新
- us
- 使用
- 用过的
- 用户
- 用户
- 使用
- 运用
- 利用
- 利用
- 有价值
- 折扣值
- 各种
- 各个
- 版本
- 通过
- 视频
- 卷
- 是
- 观看
- 水
- 方法..
- 方法
- we
- 卷筒纸
- Web服务
- 井
- 为
- 什么是
- ,尤其是
- 这
- WHO
- 宽
- 大范围
- 将
- 中
- 工作
- 工作
- 工作流程
- 年
- 年
- 完全
- 您一站式解决方案
- 和风网