Multimodaalinen data on arvokas osa rahoitusalaa, joka kattaa markkina-, talous-, asiakas-, uutis- ja sosiaalisen median sekä riskidatan. Rahoitusorganisaatiot luovat, keräävät ja käyttävät näitä tietoja saadakseen näkemyksiä taloustoiminnasta, tehdäkseen parempia päätöksiä ja parantaakseen suorituskykyä. Multimodaaliseen tietoon liittyy kuitenkin haasteita, jotka johtuvat rahoitusjärjestelmien ja tietomuotojen ja -laadun monimutkaisuudesta ja standardoinnin puutteesta sekä tietojen pirstoutuneisuudesta ja strukturoimattomuudesta. Rahoitusasiakkaat ovat usein kuvailleet toiminnallisia ylimääräisiä kustannuksia, jotka aiheutuvat taloudellisten näkemysten saamisesta multimodaalisista tiedoista, mikä edellyttää monimutkaista poimimis- ja muunnoslogiikkaa, mikä johtaa paisuneisiin vaivoihin ja kustannuksiin. Multimodaalisen datan teknisiä haasteita ovat lisäksi erilaisten tietotyyppien integroinnin ja mallintamisen monimutkaisuus, useiden modaliteettien (teksti, kuvat, ääni, video) datan yhdistämisen vaikeus sekä kehittyneiden tietojenkäsittelytaitojen ja kehittyneiden analyysityökalujen tarve.

Yksi suosituimmista tavoista käsitellä multimodaalista dataa on multimodaalisten agenttien käyttö. Multimodaaliset agentit ovat tekoälyjärjestelmiä, jotka voivat ymmärtää ja analysoida dataa useilla eri tavoilla käyttämällä työkalupakkissaan olevia oikeita työkaluja. He pystyvät yhdistämään näkemyksiä näistä erilaisista tietotyypeistä saadakseen kattavamman käsityksen ja luodakseen asianmukaisia ​​vastauksia. Multimodaaliset agentit yhdessä generatiivisen tekoälyn kanssa löytävät laajan sovelluksen rahoitusmarkkinoilla. Seuraavassa on muutamia suosittuja käyttötapauksia:

• Älykäs raportointi ja markkinatieto – Tekoäly voi analysoida erilaisia ​​taloustiedon lähteitä luodakseen markkinaselvitysraportteja, mikä auttaa analyytikoita, sijoittajia ja yrityksiä pysymään ajan tasalla trendeistä. Multimodaaliset edustajat voivat tehdä pitkiä talousraportteja nopeasti yhteenvedolla, mikä säästää analyytikoilta merkittävästi aikaa ja vaivaa.
• Kvantitatiivinen mallintaminen ja ennustaminen – Generatiiviset mallit voivat syntetisoida suuria määriä taloudellista dataa koneoppimismallien (ML) kouluttamiseksi sovelluksiin, kuten osakekurssien ennustamiseen, salkun optimointiin, riskien mallintamiseen ja muihin sovelluksiin. Multimodaaliset mallit, jotka ymmärtävät erilaisia ​​tietolähteitä, voivat tarjota luotettavampia ennusteita.
• Vaatimustenmukaisuus ja petosten havaitseminen – Tätä ratkaisua voidaan laajentaa sisältämään seurantatyökalut, jotka analysoivat viestintäkanavia, kuten puheluita, sähköposteja, chatteja, pääsylokeja ja paljon muuta mahdollisen sisäpiirikaupan tai markkinoiden manipuloinnin tunnistamiseksi. Tietotyyppien välisen vilpillisen yhteistoiminnan havaitseminen vaatii multimodaalista analyysiä.

Multimodaalinen agentti generatiivisella tekoälyllä parantaa talousanalyytikon tuottavuutta automatisoimalla toistuvia ja rutiinitehtäviä, jolloin analyytikot voivat keskittyä arvokkaaseen työhön. Multimodaaliset aineet voivat vahvistaa analyytikon kykyä saada oivalluksia avustamalla tutkimuksessa ja analysoinnissa. Multimodaaliset agentit voivat myös luoda parannettuja kvantitatiivisia analyyseja ja taloudellisia malleja, jolloin analyytikot voivat työskennellä nopeammin ja tarkemmin.

Multimodaalisen agentin käyttöönotto AWS:n kanssa yhdistää keskeiset oivallukset monipuolisesta strukturoidusta ja strukturoimattomasta tiedosta suuressa mittakaavassa. Multimodaaliset agentit voivat helposti yhdistää generatiivisten AI-tarjousten tehon Amazonin kallioperä ja Amazon SageMaker JumpStart AWS Analyticsin ja AI/ML-palvelujen tietojenkäsittelyominaisuuksien avulla tarjotakseen ketterästi ratkaisuja, joiden avulla talousanalyytikot voivat tehokkaasti analysoida ja kerätä näkemyksiä multimodaalisista tiedoista turvallisella ja skaalautuvalla tavalla AWS:ssä. Amazon tarjoaa joukon tekoälypalveluita, jotka mahdollistavat luonnollisen kielen käsittelyn (NLP), puheentunnistuksen, tekstin poimimisen ja haun:

• Amazonin käsitys on NLP-palvelu, joka osaa analysoida tekstistä avainsanoja ja analysoida tunteita
• Amazonin teksti on älykäs asiakirjankäsittelypalvelu, joka voi poimia asiakirjoista tarkasti tekstiä ja dataa
• Amazonin transkriptio on automaattinen puheentunnistuspalvelu, joka voi muuntaa puheen tekstiksi
• Amazon Kendra on ML:n tuottama yrityshakupalvelu, joka etsii tietoa useista tietolähteistä, mukaan lukien asiakirjoista ja tietokannoista.

Tässä viestissä esittelemme skenaariota, jossa talousanalyytikko on vuorovaikutuksessa organisaation multimodaalisen datan kanssa, joka sijaitsee tarkoitukseen rakennetuissa tietovarastoissa, kerätäkseen taloudellisia näkemyksiä. Vuorovaikutuksessa demonstroimme, kuinka multimodaaliset agentit suunnittelevat ja suorittavat käyttäjäkyselyn ja hakevat tulokset asiaankuuluvista tietolähteistä. Kaikki tämä saavutetaan AWS-palveluilla, mikä lisää talousanalyytikon tehokkuutta analysoida multimodaalista talousdataa (teksti-, puhe- ja taulukkodata) kokonaisvaltaisesti.

Seuraavassa kuvakaappauksessa on esimerkki käyttöliittymästä.

Ratkaisun yleiskatsaus

Seuraava kaavio havainnollistaa käsitteellistä arkkitehtuuria generatiivisen tekoälyn käyttämiseksi multimodaalisen datan kanssa agenttien avulla. Siihen liittyvät vaiheet ovat seuraavat:

1. Talousanalyytikko esittää kysymyksiä alustan, kuten chatbottien, kautta.
2. Alusta käyttää viitekehystä määrittääkseen sopivimman multimodaalisen agenttityökalun kysymykseen vastaamiseen.
3. Kun alusta on tunnistettu, se suorittaa koodin, joka on linkitetty aiemmin tunnistettuun työkaluun.
4. Työkalu luo analyysin taloustiedoista talousanalyytikon pyynnöstä.
5. Yhteenvetona tuloksista suuret kielimallit hakevat ja raportoivat talousanalyytikolle.

Tekninen arkkitehtuuri

Multimodaalinen agentti organisoi erilaisia ​​työkaluja yrityskäyttäjien luonnollisen kielen kehotteiden perusteella luodakseen oivalluksia. Strukturoimattomille tiedoille agentti käyttää AWS Lambda toimii AI-palveluiden kanssa, kuten Amazon Textract dokumenttien analysointiin, Amazon Transcribe puheentunnistusta varten, Amazon Comprehend NLP:lle ja Amazon Kendra älykkääseen hakuun. Jäsenneltyjen tietojen osalta agentti käyttää SQL Connectoria ja SQLAlchemyä tietokantojen analysointiin, mukaan lukien Amazon Athena. Agentti käyttää myös Pythonia Lambdassa ja Amazon Sage Maker SDK laskentaan ja kvantitatiiviseen mallinnukseen. Agentissa on myös pitkäaikainen muisti kehotteiden ja tulosten tallentamista varten Amazon DynamoDB. Multimodaalinen agentti sijaitsee SageMaker-muistikirjassa ja koordinoi näitä työkaluja yrityskäyttäjien englanninkielisten kehotteiden perusteella Streamlit-käyttöliittymässä.

Teknisen arkkitehtuurin keskeiset osat ovat seuraavat:

• Tietojen tallennus ja analytiikka – Neljännesvuosittaiset tulostallenteet äänitiedostoina, taloudelliset vuosiraportit PDF-tiedostoina ja S&P-osaketiedot CSV-tiedostoina isännöi Amazonin yksinkertainen tallennuspalvelu (Amazon S3). Tietojen kartoitus varastodatasta tehdään Athenen avulla.
• Suuret kielimallit – Suuret kielimallit (LLM) ovat saatavilla Amazon Bedrockin, SageMaker JumpStartin tai API:n kautta.
• Kiinteistönvälittäjät – Käytämme LangChainin agentteja ennalta määrittämättömään puheluketjuun käyttäjän syötteenä LLM:ille ja muille työkaluille. Tämäntyyppisissä ketjuissa on agentti, jolla on pääsy työkaluihin. Jokainen työkalu on rakennettu tiettyä tehtävää varten. Käyttäjän syötteestä riippuen agentti päättää, minkä työkalun tai työkalujen yhdistelmän hän soittaa vastatakseen kysymykseen. Loimme seuraavat tarkoitukseen rakennetut agenttityökalut skenaarioimme varten:
  • Osakkeiden kyselytyökalu – S&P-osaketietojen kysely Athenen ja SQLAlchemyn avulla.
  • Portfolion optimointityökalu – Rakentaa portfolio valittujen osakkeiden perusteella.
  • Taloustietojen hakutyökalu – Voit etsiä monisivuisiin PDF-tiedostoihin tallennettuja taloudellisia tulotietoja Amazon Kendran avulla.
  • Python-laskentatyökalu – Matemaattisiin laskelmiin.
  • Sentimenttianalyysityökalu – Tunnistaa ja arvioida mielipiteitä aiheesta Amazon Comprehendin avulla.
  • Tunnista lauseet -työkalu – Löytää keskeisiä lauseita viimeaikaisista neljännesvuosittaisista raporteista Amazon Comprehendin avulla.
  • Tekstinpoistotyökalu – Muuntaa neljännesvuosittaisten raporttien PDF-versiot tekstitiedostoiksi Amazon Textractin avulla.
  • Transcribe Audio Tool – Äänitallenteiden muuntaminen tekstitiedostoiksi Amazon Transcriben avulla.

Agenttimuisti, joka sisältää ketjun käyttäjän vuorovaikutuksista agentin kanssa, tallennetaan DynamoDB:hen.

Seuraavissa osissa selitetään joitakin ensisijaisia ​​vaiheita niihin liittyvän koodin kanssa. Jos haluat sukeltaa syvemmälle ratkaisuun ja koodata kaikki tässä esitetyt vaiheet, katso GitHub repo.

Edellytykset

Jotta voit käyttää tätä ratkaisua, sinulla on oltava API-avain LLM:lle, kuten Anthropic Claude v2, tai sinulla on oltava pääsy Amazon Bedrock Foundation -malleihin.

Jotta voit luoda vastauksia jäsennellyistä ja jäsentelemättömistä tiedoista LLM:ien ja LangChainin avulla, sinun on käytettävä LLM:itä joko Amazon Bedrock-, SageMaker JumpStart- tai API-avainten kautta ja käytettävä tietokantoja, jotka ovat yhteensopivia SQLAlchemyn kanssa. AWS-henkilöllisyyden ja käyttöoikeuksien hallinta Vaaditaan myös (IAM) käytäntöjä, jotka löydät GitHubin reposta.

Multimodaalisen agentin avainkomponentit

Multimodaalisessa agentissa on muutamia avainkomponentteja:

• Multimodaalisen agentin työkaluille määritellyt toiminnot
• Multimodaaliselle agentille määritellyt työkalut
• Pitkäaikainen muisti multimodaaliselle agentille
• Suunnittelija-toteuttajapohjainen multimodaalinen agentti (määritetty työkaluilla, LLM:illä ja muistilla)

Tässä osiossa havainnollistetaan tärkeimmät osat ja niihin liittyvät koodinpätkät.

Multimodaalisen agentin työkaluille määritellyt toiminnot

Multimodaalisen agentin on käytettävä erilaisia ​​tekoälypalveluita käsitelläkseen erityyppisiä tietoja – tekstiä, puhetta, kuvia ja paljon muuta. Jotkin näistä toiminnoista saattavat joutua kutsumaan AWS AI -palveluita, kuten Amazon Comprehendia tekstin analysoimiseksi, Amazon Textractia kuvien ja asiakirjojen analysoimiseksi ja Amazon Transcribea puheen muuntamiseksi tekstiksi. Näitä toimintoja voidaan kutsua paikallisesti agentissa tai ottaa käyttöön Lambda-funktioina, joita agentti voi kutsua. Lambda-toiminnot kutsuvat sisäisesti asiaankuuluvat AWS AI -palvelut ja palauttavat tulokset agentille. Tämä lähestymistapa modulisoi logiikkaa ja tekee agentista helpommin ylläpidettävän ja laajennettavissa olevan.

Seuraava toiminto määrittää, kuinka optimoitu salkku lasketaan valittujen osakkeiden perusteella. Yksi tapa muuntaa Python-pohjainen funktio LLM-työkaluksi on käyttää BaseTool kääre.

class OptimizePortfolio(BaseTool): name = "Portfolio Optimization Tool"
description = """
use this tool when you need to build optimal portfolio or for optimization of stock price.
The stock_ls should be a list of stock symbols, such as ['WWW', 'AAA', 'GGGG']. """ def _run(self, stock_ls: List): session = boto3.Session(region_name=region_name)
athena_client = session.client('athena') database=database_name
table=table_Name
...

Seuraava on koodi Lambdalle, joka kutsuu AWS AI -palvelua (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API:

def SentimentAnalysis(inputString):
print(inputString)
lambda_client = boto3.client('lambda')
lambda_payload = {"inputString:"+inputString}
response=lambda_client.invoke(FunctionName='FSI-SentimentDetecttion',
InvocationType='RequestResponse',
Payload=json.dumps(inputString))
print(response['Payload'].read())
return response

Multimodaaliselle agentille määritellyt työkalut

Multimodaalisella agentilla on pääsy erilaisiin työkaluihin toiminnallisuuden mahdollistamiseksi. Se voi tehdä kyselyitä osaketietokannasta vastatakseen osakkeita koskeviin kysymyksiin. Se voi optimoida portfolion käyttämällä erityistä työkalua. Se voi hakea tietoja Amazon Kendrasta, Amazonin yrityshakupalvelusta. Python REPL -työkalun avulla agentti voi suorittaa Python-koodia. Esimerkki työkalujen rakenteesta, mukaan lukien niiden nimet ja kuvaukset, on esitetty seuraavassa koodissa. Tämän viestin varsinaisessa työkalulaatikossa on kahdeksan työkalua: Osakekyselytyökalu, Portfolion optimointityökalu, Taloustietojen hakutyökalu, Python-laskentatyökalu, Sentimenttianalyysityökalu, Ilmaisujen tunnistustyökalu, Tekstinpoistotyökalu ja Transcribe Audio Tool.

tools = [
Tool(
name="Financial Information Lookup Tool",
func=run_chain,
description="""
Useful for when you need to look up financial information using Kendra. """
),
Tool(
name="Sentiment Analysis Tool",
func=SentimentAnalysis,
description="""
Useful for when you need to analyze the sentiment of a topic. """
),
Tool(
name="Detect Phrases Tool",
func=DetectKeyPhrases,
description="""
Useful for when you need to detect key phrases in recent quaterly reports. """
),
...
]

Pitkäaikainen muisti multimodaaliselle agentille

Seuraava koodi havainnollistaa multimodaalisen agentin pitkäaikaisen muistin konfigurointia. Tässä koodissa DynamoDB-taulukko on lisätty muistiksi kehotteiden ja vastausten tallentamiseen tulevaa käyttöä varten.

chat_history_table = dynamodb_table_name chat_history_memory = DynamoDBChatMessageHistory(table_name=chat_history_table, session_id=chat_session_id)
memory = ConversationBufferMemory(memory_key="chat_history",
chat_memory=chat_history_memory, return_messages=True)

Suunnittelija-toteuttajapohjainen multimodaalinen agentti

- suunnittelija-toteuttaja perustuvassa multimodaalisessa agenttiarkkitehtuurissa on kaksi pääkomponenttia: suunnittelija ja toteuttaja. Suunnittelija luo korkean tason suunnitelman, joka sisältää vaiheet, jotka vaaditaan suorittamiseen ja nopeaan kysymykseen vastaamiseen. Sen jälkeen toteuttaja suorittaa tämän suunnitelman luomalla asianmukaiset järjestelmävastaukset jokaiselle suunnitelman vaiheelle käyttämällä kielimallia ja tarvittavia työkaluja. Katso seuraava koodi:

llm = ChatAnthropic(temperature=0, anthropic_api_key=ANTHROPIC_API_KEY, max_tokens_to_sample = 512)
model = llm planner = load_chat_planner(model) system_message_prompt = SystemMessagePromptTemplate.from_template(combo_template)
human_message_prompt = planner.llm_chain.prompt.messages[1]
planner.llm_chain.prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt]) executor = load_agent_executor(model, tools, verbose=True)
agent = PlanAndExecute(planner=planner, executor=executor, verbose=True, max_iterations=2)

Esimerkkiskenaariot perustuvat talousanalyytikon kysymyksiin

Tässä osiossa tutkimme kahta esimerkkiskenaariota havainnollistaaksemme multimodaalisen agentin suorittamia päästä päähän -vaiheita talousanalyytikon esittämien kysymysten perusteella.

Skenaario 1: Talousanalyytikon strukturoituihin tietoihin liittyvät kysymykset

Tässä skenaariossa talousanalyytikko kysyy englanninkielistä kysymystä yritysten osakkeista multimodaaliselle agentille. Multimodaalinen LangChain-agentti laatii monivaiheisen suunnitelman ja päättää, mitä työkaluja käytetään kussakin vaiheessa. Seuraava kaavio havainnollistaa esimerkkityönkulkua, jossa on seuraavat vaiheet:

1. Talousanalyytikko kysyy englanninkielisen taloudellisen kysymyksen käyttöliittymän kautta multimodaaliagentille.
2. Agentti tunnistaa, että se tarvitsee tietokantatyökalun vastatakseen kysymykseen. Se luo SQL-kyselyn käyttämällä LLM:ää kysymyksen perusteella ja tekee kyselyjä Athena-tietokannasta.
3. Athena suorittaa SQL-kyselyn, hakee asiaankuuluvan tuloksen (viiden yrityksen osakekurssien aikasarjat) ja välittää tuloksen asiaankuuluvin tiedoineen agentille.
4. Agentti tunnistaa, että se tarvitsee toisen työkalun vastatakseen kysymykseen. Se välittää haetut tiedot Python-työkalulle portfolion optimointia varten.
5. Python-työkalu laskee vaaditun optimaalisen portfolion painot mukaan lukien ja välittää vastauksen agentin LLM:lle.
6. Agentti kokoaa tarvittavat tiedot ja laskelmat LLM:n avulla ja vastaa talousanalyysiin käyttöliittymän kautta englanniksi.

Talousanalyytikko kysyy seuraavan kysymyksen:

"Mitkä ovat osakkeiden AAAA, WWW, DDD päätöskurssit vuonna 2018? Voitko rakentaa optimoidun salkun käyttämällä näitä kolmea osaketta?"

Seuraava koodi näyttää vaiheet, jotka multimodaalisen agentin suunnittelija on tunnistanut:

steps=[Step(value='Use Stocks Querying Tool to find closing stock prices of AAAA, WWW and DDD in year 2018.'),
Step(value='Use Portfolio Optimization Tool to build an optimized portfolio using the three stocks.'),
Step(value='Provide the closing stock prices and optimized portfolio allocation.')]

Agentti käänsi kysymyskehotteen seuraavaksi SQL-kyselyksi:

SELECT date, aaaa, www, ddd
FROM "blog-stock-prices-db"."stock_prices"
WHERE date BETWEEN '2018-01-01' AND '2018-12-31'
ORDER BY date DESC

Seuraava koodi näyttää multimodaalisen agentin lopullisen vastauksen kysymykseen:

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%'

Skenaario 2: Talousanalyytikon kysymykset, jotka liittyvät strukturoimattomaan dataan

Tässä skenaariossa talousanalyytikko kysyy useita kysymyksiä yrityksen taloudellisesta tilasta multimodaaliselle edustajalle. Agentti kutsuu kahta työkaluagenttia, Amazon Kendraa strukturoimattomilla tiedoilla ja Python-laskentatyökalun keräämään tietoja ja suorittamaan tarvittavat laskelmat. Agentti kokoaa sitten tiedot työkaluista kielimallinsa avulla ja antaa täyden vastauksen analyytikolle. Tämän skenaarion avain on, että agentti muistaa aiempien kysymysten kysymykset ja vastaukset ja sisällyttää kontekstin keskusteluun. Seuraava kaavio havainnollistaa työnkulkua, joka koostuu seuraavista vaiheista:

1. Talousanalyytikko kysyy englanninkielisen taloudellisen kysymyksen käyttöliittymän kautta multimodaaliagentille.
2. Agentti tunnistaa, että se vaatii Amazon Kendra -työkalun vastatakseen kysymykseen, ja käyttää Amazon Kendra -agenttityökalua.
3. Amazon Kendra etsii Amazon S3:n strukturoimattomasta datakorpuksesta ja hakee vastauksen sisältävän asiakirjan.
4. Käyttämällä Retrieval Augmented Generationa (RAG) Amazon Kendra välittää vastauksen asiaankuuluvasta asiakirjasta agentin LLM:lle.
5. Agentti tunnistaa, että se tarvitsee toisen työkalun vastatakseen kysymyksen toiseen osaan. Se välittää tiedot ensimmäisestä työkalusta Python-laskentatyökaluun.
6. Python-työkalu laskee vaaditun suhteen ja välittää vastauksen agentin sisällä olevalle LLM:lle.
7. Agentti kokoaa tarvittavat tiedot ja laskelmat LLM:n avulla ja vastaa talousanalyytikolle käyttöliittymän kautta.

Seuraavat ovat kysymyksiä ja vastauksia analyytikon ja multimodaalisen agentin välillä.

Välittäjä vastaa kysymykseen "Mikä on Amazonin nettotappio joulukuussa 2022 päättyvällä tilikaudella?", jossa "Amazonin liikevaihto oli 514.0 miljardia dollaria ja nettotappio 2.7 miljardia dollaria tilikaudella 2022." Lähde on Amazon 10K -raportti joulukuussa 2022 päättyneeltä tilikaudelta, joka on haettu käyttämällä Retrive_Kendra Työkalu.

Kysymykseen "Mikä on saman vuoden nettotappio?"Agentti vastaa "2.7 miljardia dollaria." Lähde on Amazon 10K -raportti joulukuussa 2022 päättyneeltä tilikaudelta, joka on haettu käyttämällä Retrive_Kendra Työkalu. Huomaa, että vaikka kysymys on samanlainen kuin toinen kysymys, tämä kysymys ei täsmentänyt yrityksen nimeä tai vuosinumeroa. Agentti pystyi kuitenkin käyttämään oikeaa yrityksen nimeä ja vuotta keskustelumuistin kontekstin perusteella.

Kysymykseen "Mikä on nettovoittomarginaalisuhteen kaava, joka on eräänlainen kannattavuussuhde?"Agentti vastaa "Amazon raportoi 514.0 miljardin dollarin kokonaisliikevaihdon ja 2.7 miljardin dollarin nettotappion tilikaudella 2022. Amazonin nettomarginaalisuhde tilikaudella 2022 on -0.5 %." Lähde on Retrieve_Kendra ja PythonREPLTool().

Sukella syvemmälle ratkaisuun

Jos haluat sukeltaa syvemmälle ratkaisuun ja tässä viestissä näkyvään koodiin, tutustu GitHub repo.

GitHub-reposta voit löytää Python-muistikirjan, jossa on päästä päähän -ratkaisu, AWS-pilven muodostuminen malli infrastruktuurin, jäsentämättömien tietojen (tuloraporttien PDF-tiedostot, tuloskutsujen äänitiedostot) ja strukturoidun datan (osakkeiden aikasarjat) luomiseen.

Lopussa olevassa liitteessä on taulukoitu talousanalyytikon esittämät erilaiset kysymykset, vedetyt agenttityökalut ja multimodaalisen agentin vastaus.

Puhdistaa

Kun olet suorittanut multimodaalisen agentin, muista puhdistaa kaikki resurssit, joita ei käytetä. Sammuta ja poista käytetyt tietokannat (Athena). Lisäksi poista tiedot Amazon S3:sta ja pysäytä kaikki SageMaker Studio -kannettavan ilmentymät, jotta niistä ei aiheudu lisäkuluja. Poista Lambda-funktiot ja DynamoDB-taulukot osana käyttämätöntä pitkäaikaismuistia. Jos käytit SageMaker JumpStartia LLM:n ottamiseen käyttöön reaaliaikaisena SageMaker-päätepisteenä, poista päätepiste joko SageMaker-konsolin tai SageMaker Studion kautta.

Yhteenveto

Tämä viesti esitteli laajan valikoiman AWS-tallennustilaa, AI/ML- ja laskentapalveluita, joita voit käyttää kehittyneen multimodaalisen tekoälyratkaisun rakentamiseen yhdessä LangChain-kehyksen ja generatiivisen tekoälyn kanssa. Integroimalla NLP-, puheentunnistus- ja ML-teknologiat, tässä skenaariossa kehitetty multimodaalinen agentti pystyy analysoimaan erilaisia ​​​​taloudellisia tietoja (strukturoituja ja strukturoimattomia) ja vastaamaan kehotteisiin luonnollisella kielellä (englanniksi). Tämä lisää finanssianalyytikoiden tuottavuutta ja tehokkuutta, jolloin he voivat keskittyä arvokkaaseen strategiseen työhön. AWS:n tuottamilla multimodaalisilla tekoälyratkaisuilla on potentiaalia muuttaa rahoitusmarkkinoita automatisoimalla toistuvia tehtäviä, parantamalla ihmisen kykyjä ja luomalla tietopohjaisia ​​oivalluksia tehokkaasti. Strukturoidulle datalle moderni tietoarkkitehtuuri, jossa on useita tietokantoja, voidaan yhdistää generatiiviseen tekoälyyn ja LLM:ään. Katso lisätietoja osoitteesta Datakokemuksen uudistaminen: Käytä luovaa tekoälyä ja modernia dataarkkitehtuuria saadaksesi oivalluksia. Katso myös Amazonin kallioperä käyttötapauksiin generatiivisissa tekoälyissä, perusmalleissa ja suurissa kielimalleissa.

Liite

Seuraavassa taulukossa on esimerkkikysymyksiä, jotka rahoitusanalyytikko voi kysyä multimodaaliselta agentilta strukturoidun ja strukturoimattoman datan perusteella.

Tietoja Tekijät

Sovik Kumar Nath on AI/ML-ratkaisuarkkitehti AWS:n kanssa. Hänellä on laaja kokemus kokonaisvaltaisten koneoppimis- ja liiketoimintaanalytiikkaratkaisujen suunnittelusta rahoituksen, toiminnan, markkinoinnin, terveydenhuollon, toimitusketjun hallinnan ja IoT:n aloilla. Sovik on julkaissut artikkeleita ja omistaa patentin ML-mallien valvontaan. Hänellä on kaksois maisterin tutkinto Etelä-Floridan yliopistosta, Fribourgin yliopistosta Sveitsistä ja kandidaatin tutkinto Indian Institute of Technologysta, Kharagpurista. Työn ulkopuolella Sovik nauttii matkustamisesta, lauttamatkoista ja elokuvien katselusta.

Mohan Musti on Dallasista kotoisin oleva vanhempi tekninen tilivastaava. Mohan auttaa asiakkaita suunnittelemaan ja optimoimaan sovelluksia AWS:ssä. Mohanilla on tietojenkäsittelytiede ja tekniikka JNT-yliopistosta Intiasta. Vapaa-ajallaan hän viettää aikaa perheensä kanssa ja telttailee.

Jia (Vivian) Li on AWS:n vanhempi ratkaisuarkkitehti, joka on erikoistunut tekoälyyn/ML:ään. Tällä hetkellä hän tukee asiakkaita finanssialalla. Ennen kuin hän liittyi AWS:ään vuonna 2022, hänellä oli 7 vuoden kokemus yritysasiakkaiden tukemisesta AI/ML:n pilvessä liiketoiminnan tulosten parantamiseksi. Vivianilla on BS-tutkinto Pekingin yliopistosta ja tohtorintutkinto Etelä-Kalifornian yliopistosta. Vapaa-ajallaan hän nauttii kaikista vesiaktiviteeteista ja vaeltamisesta kauniilla vuorilla kotivaltiossaan Coloradossa.

Uchenna Egbe on AIML Solutions -arkkitehti, joka nauttii uudelleenkäytettävien AIML-ratkaisujen rakentamisesta. Uchennalla on MS-tutkinto Alaska Fairbanksin yliopistosta. Hän viettää vapaa-aikansa tutkien yrttejä, teetä, superfoodeja ja niiden sisällyttämistä päivittäiseen ruokavalioonsa.

Navneet Tuteja on tietoasiantuntija Amazon Web Services -palvelussa. Ennen AWS:ään siirtymistään Navneet työskenteli fasilitaattorina organisaatioille, jotka pyrkivät modernisoimaan tietoarkkitehtuuriaan ja toteuttamaan kattavia AI/ML-ratkaisuja. Hän on suorittanut insinööritutkinnon Thaparin yliopistosta sekä tilastotieteen maisterin tutkinnon Texas A&M -yliopistosta.

Hyvä Kava on Sr. Specialist Solutions Architect AWS:ssä. Hän opastaa asiakkaita suunnittelemaan ja suunnittelemaan pilvi mittakaavan Analytics-putkia AWS:ssä. Työn ulkopuolella hän nauttii matkustamisesta perheensä kanssa ja uusien vaellusreittien tutkimisesta.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/