Data multi-modal adalah komponen berharga dalam industri keuangan, yang mencakup data pasar, ekonomi, pelanggan, berita dan media sosial, serta data risiko. Organisasi keuangan menghasilkan, mengumpulkan, dan menggunakan data ini untuk mendapatkan wawasan mengenai operasi keuangan, membuat keputusan yang lebih baik, dan meningkatkan kinerja. Namun, terdapat tantangan yang terkait dengan data multimodal karena kompleksitas dan kurangnya standarisasi dalam sistem keuangan serta format dan kualitas data, serta sifat data yang terfragmentasi dan tidak terstruktur. Klien keuangan sering kali menggambarkan overhead operasional untuk memperoleh wawasan keuangan dari data multi-modal, yang memerlukan logika ekstraksi dan transformasi yang rumit, sehingga menyebabkan upaya dan biaya yang membengkak. Tantangan teknis terkait data multi-modal lebih lanjut mencakup kompleksitas pengintegrasian dan pemodelan tipe data yang berbeda, kesulitan menggabungkan data dari berbagai modalitas (teks, gambar, audio, video), dan kebutuhan akan keterampilan ilmu komputer tingkat lanjut serta alat analisis yang canggih.

Salah satu cara untuk menangani data multimodal yang mulai populer adalah penggunaan agen multimodal. Agen multi-modal adalah sistem AI yang dapat memahami dan menganalisis data dalam berbagai modalitas menggunakan alat yang tepat dalam perangkat mereka. Mereka mampu menghubungkan wawasan dari beragam tipe data ini untuk mendapatkan pemahaman yang lebih komprehensif dan menghasilkan respons yang tepat. Agen multimodal, bersama dengan AI generatif, kini banyak diterapkan di pasar keuangan. Berikut ini adalah beberapa kasus penggunaan yang populer:

• Pelaporan cerdas dan intelijen pasar – AI dapat menganalisis berbagai sumber informasi keuangan untuk menghasilkan laporan intelijen pasar, membantu analis, investor, dan perusahaan untuk terus mengikuti perkembangan tren. Agen multi-modal dapat merangkum laporan keuangan yang panjang dengan cepat, sehingga menghemat banyak waktu dan tenaga analis.
• Pemodelan dan peramalan kuantitatif – Model generatif dapat mensintesis data keuangan dalam jumlah besar untuk melatih model pembelajaran mesin (ML) untuk aplikasi seperti perkiraan harga saham, optimalisasi portofolio, pemodelan risiko, dan banyak lagi. Model multimodal yang memahami beragam sumber data dapat memberikan perkiraan yang lebih kuat.
• Kepatuhan dan deteksi penipuan – Solusi ini dapat diperluas untuk mencakup alat pemantauan yang menganalisis saluran komunikasi seperti panggilan, email, obrolan, log akses, dan lainnya untuk mengidentifikasi potensi perdagangan orang dalam atau manipulasi pasar. Mendeteksi kolusi penipuan di seluruh jenis data memerlukan analisis multimodal.

Agen multimodal dengan AI generatif meningkatkan produktivitas analis keuangan dengan mengotomatiskan tugas yang berulang dan rutin, sehingga memberikan waktu bagi analis untuk fokus pada pekerjaan bernilai tinggi. Agen multimodal dapat memperkuat kemampuan analis untuk mendapatkan wawasan dengan membantu penelitian dan analisis. Agen multi-modal juga dapat menghasilkan analisis kuantitatif dan model keuangan yang lebih baik, sehingga memungkinkan analis bekerja lebih cepat dan akurat.

Penerapan agen multi-modal dengan AWS mengkonsolidasikan wawasan utama dari beragam data terstruktur dan tidak terstruktur dalam skala besar. Agen multimodal dapat dengan mudah menggabungkan kekuatan penawaran AI generatif Batuan Dasar Amazon dan Mulai Lompatan Amazon SageMaker dengan kemampuan pemrosesan data dari AWS Analytics dan layanan AI/ML untuk memberikan solusi tangkas yang memungkinkan analis keuangan menganalisis dan mengumpulkan wawasan secara efisien dari data multimodal dengan cara yang aman dan terukur dalam AWS. Amazon menawarkan serangkaian layanan AI yang memungkinkan pemrosesan bahasa alami (NLP), pengenalan ucapan, ekstraksi teks, dan pencarian:

• Amazon Comprehend adalah layanan NLP yang dapat menganalisis teks untuk frasa kunci dan menganalisis sentimen
• Teks Amazon adalah layanan pemrosesan dokumen cerdas yang dapat mengekstrak teks dan data dari dokumen secara akurat
• Amazon Transkripsikan adalah layanan pengenalan ucapan otomatis yang dapat mengubah ucapan menjadi teks
• AmazonKendra adalah layanan pencarian perusahaan yang didukung oleh ML untuk menemukan informasi di berbagai sumber data, termasuk dokumen dan basis pengetahuan

Dalam postingan ini, kami menampilkan skenario di mana seorang analis keuangan berinteraksi dengan data multi-modal organisasi, yang berada di penyimpanan data yang dibuat khusus, untuk mengumpulkan wawasan keuangan. Dalam interaksi tersebut, kami mendemonstrasikan bagaimana agen multimodal merencanakan dan menjalankan kueri pengguna dan mengambil hasilnya dari sumber data yang relevan. Semua ini dicapai dengan menggunakan layanan AWS, sehingga meningkatkan efisiensi analis keuangan untuk menganalisis data keuangan multimodal (teks, ucapan, dan data tabular) secara holistik.

Tangkapan layar berikut menunjukkan contoh UI.

Ikhtisar solusi

Diagram berikut mengilustrasikan arsitektur konseptual untuk menggunakan AI generatif dengan data multimodal menggunakan agen. Langkah-langkah yang dilakukan adalah sebagai berikut:

1. Analis keuangan mengajukan pertanyaan melalui platform seperti chatbots.
2. Platform ini menggunakan kerangka kerja untuk menentukan alat agen multimodal yang paling cocok untuk menjawab pertanyaan tersebut.
3. Setelah diidentifikasi, platform menjalankan kode yang ditautkan ke alat yang diidentifikasi sebelumnya.
4. Alat ini menghasilkan analisis data keuangan seperti yang diminta oleh analis keuangan.
5. Dalam meringkas hasilnya, model bahasa besar mengambil dan melaporkan kembali ke analis keuangan.

Arsitektur teknis

Agen multi-modal mengatur berbagai alat berdasarkan perintah bahasa alami dari pengguna bisnis untuk menghasilkan wawasan. Untuk data tidak terstruktur, agen menggunakan AWS Lambda berfungsi dengan layanan AI seperti Amazon Textract untuk analisis dokumen, Amazon Transcribe untuk pengenalan suara, Amazon Comprehend untuk NLP, dan Amazon Kendra untuk pencarian cerdas. Untuk data terstruktur, agen menggunakan SQL Connector dan SQLAlchemy untuk menganalisis database, termasuk Amazon Athena. Agen juga menggunakan Python di Lambda dan Amazon SageMaker SDK untuk komputasi dan pemodelan kuantitatif. Agen juga memiliki memori jangka panjang untuk menyimpan perintah dan hasil Amazon DynamoDB. Agen multi-modal berada di buku catatan SageMaker dan mengoordinasikan alat-alat ini berdasarkan perintah bahasa Inggris dari pengguna bisnis di UI Streamlit.

Komponen kunci dari arsitektur teknis adalah sebagai berikut:

• Penyimpanan data dan analitik – Rekaman pendapatan keuangan triwulanan sebagai file audio, laporan keuangan tahunan sebagai file PDF, dan data saham S&P sebagai file CSV dihosting di Layanan Penyimpanan Sederhana Amazon (Amazon S3). Eksplorasi data pada data stok dilakukan dengan menggunakan Athena.
• Model bahasa besar – Model bahasa besar (LLM) tersedia melalui Amazon Bedrock, SageMaker JumpStart, atau API.
• Agen – Kami menggunakan agen LangChain untuk rangkaian panggilan yang tidak ditentukan sebelumnya sebagai masukan pengguna ke LLM dan alat lainnya. Dalam rantai jenis ini, terdapat agen yang memiliki akses ke serangkaian alat. Setiap alat telah dibuat untuk tugas tertentu. Bergantung pada masukan pengguna, agen memutuskan alat atau kombinasi alat yang akan dipanggil untuk menjawab pertanyaan. Kami membuat alat agen yang dibuat khusus berikut untuk skenario kami:
  • Alat Kueri Saham – Untuk menanyakan data saham S&P menggunakan Athena dan SQLAlchemy.
  • Alat Pengoptimalan Portofolio – Untuk membangun portofolio berdasarkan saham yang dipilih.
  • Alat Pencarian Informasi Keuangan – Untuk mencari informasi pendapatan finansial yang disimpan dalam file PDF multi-halaman menggunakan Amazon Kendra.
  • Alat Perhitungan Python – Untuk digunakan dalam perhitungan matematis.
  • Alat Analisis Sentimen – Untuk mengidentifikasi dan menilai sentimen pada suatu topik menggunakan Amazon Comprehend.
  • Alat Deteksi Frasa – Untuk menemukan frase kunci dalam laporan triwulanan terbaru menggunakan Amazon Comprehend.
  • Alat Ekstraksi Teks – Untuk mengonversi laporan triwulanan versi PDF menjadi file teks menggunakan Amazon Textract.
  • Transkripsikan Alat Audio – Untuk mengonversi rekaman audio menjadi file teks menggunakan Amazon Transcribe.

Memori agen yang menyimpan rantai interaksi pengguna dengan agen disimpan di DynamoDB.

Bagian berikut menjelaskan beberapa langkah utama dengan kode terkait. Untuk mempelajari lebih dalam solusi dan kode untuk semua langkah yang ditunjukkan di sini, lihat GitHub repo.

Prasyarat

Untuk menjalankan solusi ini, Anda harus memiliki kunci API ke LLM seperti Anthropic Claude v2, atau memiliki akses ke model fondasi Amazon Bedrock.

Untuk menghasilkan respons dari data terstruktur dan tidak terstruktur menggunakan LLM dan LangChain, Anda memerlukan akses ke LLM melalui Amazon Bedrock, SageMaker JumpStart, atau kunci API, dan untuk menggunakan database yang kompatibel dengan SQLAlchemy. Identitas AWS dan Manajemen Akses Kebijakan (IAM) juga diperlukan, detailnya dapat Anda temukan di repo GitHub.

Komponen kunci dari agen multi-modal

Ada beberapa komponen kunci dari agen multimodal:

• Fungsi yang ditentukan untuk alat agen multi-modal
• Alat yang ditentukan untuk agen multi-modal
• Memori jangka panjang untuk agen multimodal
• Agen multi-modal berbasis perencana-pelaksana (didefinisikan dengan alat, LLM, dan memori)

Di bagian ini, kami mengilustrasikan komponen utama dengan cuplikan kode terkait.

Fungsi yang ditentukan untuk alat agen multi-modal

Agen multimodal perlu menggunakan berbagai layanan AI untuk memproses berbagai jenis data—teks, ucapan, gambar, dan lainnya. Beberapa fungsi ini mungkin perlu memanggil layanan AI AWS seperti Amazon Comprehend untuk menganalisis teks, Amazon Textract untuk menganalisis gambar dan dokumen, dan Amazon Transcribe untuk mengonversi ucapan menjadi teks. Fungsi-fungsi ini dapat dipanggil secara lokal di dalam agen atau disebarkan sebagai fungsi Lambda yang dapat dipanggil oleh agen. Fungsi Lambda secara internal memanggil layanan AWS AI yang relevan dan mengembalikan hasilnya ke agen. Pendekatan ini memodulasi logika dan membuat agen lebih mudah dipelihara dan diperluas.

Fungsi berikut menjelaskan cara menghitung portofolio yang dioptimalkan berdasarkan saham yang dipilih. Salah satu cara untuk mengonversi fungsi berbasis Python menjadi alat LLM adalah dengan menggunakan Alat Dasar pembungkus.

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
...

Berikut ini adalah kode untuk Lambda yang memanggil API layanan AWS AI (Amazon Comprehend, Amazon Textract, Amazon Transcribe):

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

Alat yang ditentukan untuk agen multi-modal

Agen multimodal memiliki akses ke berbagai alat untuk mengaktifkan fungsinya. Itu dapat menanyakan database saham untuk menjawab pertanyaan tentang saham. Itu dapat mengoptimalkan portofolio menggunakan alat khusus. Itu dapat mengambil informasi dari Amazon Kendra, layanan pencarian perusahaan Amazon. Alat Python REPL memungkinkan agen menjalankan kode Python. Contoh struktur alat, termasuk nama dan deskripsinya, ditunjukkan pada kode berikut. Kotak alat sebenarnya dari posting ini memiliki delapan alat: Alat Kueri Saham, Alat Pengoptimalan Portofolio, Alat Pencarian Informasi Keuangan, Alat Penghitungan Python, Alat Analisis Sentimen, Alat Deteksi Frasa, Alat Ekstraksi Teks, dan Alat Transkripsikan Audio.

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. """
),
...
]

Memori jangka panjang untuk agen multimodal

Kode berikut mengilustrasikan konfigurasi memori jangka panjang untuk agen multimodal. Dalam kode ini, tabel DynamoDB ditambahkan sebagai memori untuk menyimpan perintah dan jawaban untuk referensi di masa mendatang.

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)

Agen multimodal berbasis perencana-pelaksana

Grafik perencana-pelaksana arsitektur agen multi-modal berbasis memiliki dua komponen utama: perencana dan pelaksana. Perencana menghasilkan rencana tingkat tinggi dengan langkah-langkah yang diperlukan untuk menjalankan dan menjawab pertanyaan cepat. Pelaksana kemudian menjalankan rencana ini dengan menghasilkan respons sistem yang sesuai untuk setiap langkah rencana menggunakan model bahasa dengan alat yang diperlukan. Lihat kode berikut:

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)

Contoh skenario berdasarkan pertanyaan yang diajukan oleh analis keuangan

Pada bagian ini, kami mengeksplorasi dua contoh skenario untuk mengilustrasikan langkah end-to-end yang dilakukan oleh agen multimodal berdasarkan pertanyaan yang diajukan oleh analis keuangan.

Skenario 1: Pertanyaan analis keuangan terkait data terstruktur

Dalam skenario ini, analis keuangan mengajukan pertanyaan dalam bahasa Inggris terkait saham perusahaan kepada agen multimodal. Agen LangChain multi-modal membuat rencana multi-langkah dan memutuskan alat apa yang akan digunakan untuk setiap langkah. Diagram berikut mengilustrasikan contoh alur kerja dengan langkah-langkah berikut:

1. Analis keuangan mengajukan pertanyaan keuangan dalam bahasa Inggris melalui UI ke agen multimodal.
2. Agen mengidentifikasi bahwa ia memerlukan alat database untuk menjawab pertanyaan. Ini menghasilkan kueri SQL menggunakan LLM berdasarkan pertanyaan dan kueri database Athena.
3. Athena menjalankan kueri SQL, mengambil hasil yang relevan (deret waktu harga saham dari lima perusahaan), dan meneruskan hasilnya dengan data yang relevan ke agen.
4. Agen mengidentifikasi bahwa ia memerlukan alat kedua untuk menjawab pertanyaan tersebut. Ini meneruskan data yang diambil ke alat Python untuk optimasi portofolio.
5. Alat Python menghitung portofolio optimal yang diperlukan, termasuk bobot, dan meneruskan jawabannya ke LLM dalam agen.
6. Agen mengumpulkan informasi dan perhitungan yang diperlukan menggunakan LLM dan menjawab analis keuangan melalui UI dalam bahasa Inggris.

Analis keuangan menanyakan pertanyaan berikut:

"Berapa harga penutupan saham AAAA, WWW, DDD pada tahun 2018? Bisakah Anda membangun portofolio yang optimal menggunakan ketiga saham ini?"

Kode berikut menunjukkan langkah-langkah yang diidentifikasi oleh perencana agen multimodal:

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.')]

Agen menerjemahkan perintah pertanyaan ke dalam kueri SQL berikut:

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

Kode berikut menunjukkan jawaban akhir dari agen multimodal berdasarkan pertanyaan:

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%'

Skenario 2: Pertanyaan analis keuangan terkait data tidak terstruktur

Dalam skenario ini, seorang analis keuangan menanyakan beberapa pertanyaan tentang kesehatan keuangan perusahaan kepada agen multimodal. Agen memanggil dua agen alat, Amazon Kendra dengan data tidak terstruktur dan alat komputasi Python, untuk mengumpulkan informasi dan melakukan perhitungan yang diperlukan. Agen kemudian mengumpulkan informasi dari alat menggunakan model bahasanya dan memberikan jawaban lengkap kepada analis. Kunci dari skenario ini adalah agen dapat mengingat pertanyaan dan jawaban dari pertanyaan sebelumnya, dan memasukkan konteks ke dalam percakapan. Diagram berikut menggambarkan alur kerja, yang terdiri dari langkah-langkah berikut:

1. Analis keuangan mengajukan pertanyaan keuangan dalam bahasa Inggris melalui UI ke agen multimodal.
2. Agen mengidentifikasi bahwa ia memerlukan alat Amazon Kendra untuk menjawab pertanyaan dan memanggil alat agen Amazon Kendra.
3. Amazon Kendra mencari korpus data tidak terstruktur di Amazon S3 dan mengambil dokumen relevan yang berisi jawabannya.
4. Menggunakan Retrieval Augmented Generation (RAG), Amazon Kendra meneruskan jawaban dari dokumen yang relevan ke LLM dalam agen.
5. Agen mengidentifikasi bahwa diperlukan alat kedua untuk menjawab pertanyaan bagian kedua. Ini meneruskan informasi dari alat pertama ke alat komputasi Python.
6. Alat Python menghitung rasio yang diperlukan dan meneruskan jawabannya ke LLM dalam agen.
7. Agen mengumpulkan informasi dan perhitungan yang diperlukan menggunakan LLM dan menjawab analis keuangan melalui UI.

Berikut ini adalah tanya jawab antara analis dan agen multimodal.

Agen menjawab pertanyaan “Berapa kerugian bersih Amazon untuk tahun fiskal yang berakhir pada Desember 2022?” dengan “Amazon melaporkan total penjualan bersih sebesar $514.0 miliar dan kerugian bersih sebesar $2.7 miliar untuk tahun fiskal 2022.” Sumbernya adalah laporan Amazon 10K untuk tahun fiskal yang berakhir Desember 2022, yang diambil menggunakan Retrive_Kendra Alat.

Untuk pertanyaan “Berapa kerugian bersih pada tahun yang sama?” agen tersebut menjawab “$2.7 miliar.” Sumbernya adalah laporan Amazon 10K untuk tahun fiskal yang berakhir Desember 2022, yang diambil menggunakan Retrive_Kendra Alat. Perhatikan bahwa meskipun pertanyaannya mirip dengan pertanyaan kedua, pertanyaan ini tidak menyebutkan nama perusahaan atau nomor tahun. Namun, agen dapat menggunakan nama dan tahun perusahaan yang benar berdasarkan konteks dalam memori percakapan.

Untuk pertanyaan “Apa rumus Net Profit Margin Ratio yang merupakan salah satu jenis rasio profitabilitas?” jawab agen, “Amazon melaporkan total penjualan bersih sebesar $514.0 miliar dan kerugian bersih sebesar $2.7 miliar untuk tahun fiskal 2022. Rasio Margin Laba Bersih Amazon untuk tahun fiskal 2022 adalah -0.5%.” Sumbernya adalah Retrieve_Kendra dan PythonREPLTool().

Selami lebih dalam solusinya

Untuk mendalami lebih dalam solusi dan kode yang ditampilkan dalam postingan ini, lihat GitHub repo.

Di repo GitHub, Anda akan dapat menemukan notebook Python yang memiliki solusi end-to-end, dan Formasi AWS Cloud templat untuk penyediaan infrastruktur, data tidak terstruktur (file PDF laporan pendapatan, file audio panggilan pendapatan), dan data terstruktur (deret waktu saham).

Pada lampiran di bagian akhir, berbagai pertanyaan yang diajukan oleh analis keuangan, alat agen yang digunakan, dan jawaban dari agen multimodal telah ditabulasikan.

Membersihkan

Setelah Anda menjalankan agen multimodal, pastikan untuk membersihkan sumber daya apa pun yang tidak akan digunakan. Matikan dan hapus database yang digunakan (Athena). Selain itu, hapus data di Amazon S3 dan hentikan instans notebook SageMaker Studio agar tidak dikenakan biaya lebih lanjut. Hapus fungsi Lambda dan tabel DynamoDB sebagai bagian dari memori jangka panjang yang tidak digunakan. Jika Anda menggunakan SageMaker JumpStart untuk menyebarkan LLM sebagai titik akhir real-time SageMaker, hapus titik akhir melalui konsol SageMaker atau SageMaker Studio.

Kesimpulan

Postingan ini menunjukkan beragam layanan penyimpanan, AI/ML, dan komputasi AWS yang dapat Anda gunakan untuk membangun solusi AI multi-modal canggih bersama dengan kerangka LangChain dan AI generatif. Dengan mengintegrasikan teknologi NLP, pengenalan suara, dan ML, agen multimodal yang dikembangkan dalam skenario ini mampu menganalisis beragam modalitas data keuangan (terstruktur dan tidak terstruktur) dan merespons perintah dalam bahasa alami (Bahasa Inggris). Hal ini meningkatkan produktivitas dan efisiensi analis keuangan, memungkinkan mereka untuk fokus pada pekerjaan strategis yang bernilai tinggi. Solusi AI multi-modal yang didukung oleh AWS berpotensi mentransformasi pasar keuangan dengan mengotomatiskan tugas yang berulang, meningkatkan kemampuan manusia, dan menghasilkan wawasan berbasis data secara efisien. Untuk data terstruktur, arsitektur data modern dengan banyak database dapat digabungkan dengan AI generatif dan LLM. Untuk lebih jelasnya, lihat Menciptakan kembali pengalaman data: Gunakan AI generatif dan arsitektur data modern untuk membuka wawasan. Juga, lihat Batuan Dasar Amazon untuk kasus penggunaan AI generatif, model dasar, dan model bahasa besar.

Lampiran

Tabel berikut berisi contoh pertanyaan analis keuangan untuk ditanyakan kepada agen multimodal berdasarkan data terstruktur dan tidak terstruktur.

Tentang Penulis

Sovik Kumar Nat adalah arsitek solusi AI/ML dengan AWS. Dia memiliki pengalaman luas dalam merancang pembelajaran mesin end-to-end dan solusi analitik bisnis di bidang keuangan, operasi, pemasaran, perawatan kesehatan, manajemen rantai pasokan, dan IoT. Sovik telah menerbitkan artikel dan memegang paten dalam pemantauan model ML. Dia memiliki gelar master ganda dari Universitas Florida Selatan, Universitas Fribourg, Swiss, dan gelar sarjana dari Institut Teknologi India, Kharagpur. Di luar pekerjaan, Sovik senang bepergian, naik feri, dan menonton film.

Mohan Musti adalah Manajer Akun Teknis Senior yang berbasis di Dallas. Mohan membantu pelanggan merancang dan mengoptimalkan aplikasi di AWS. Mohan memiliki Ilmu dan Teknik Komputer dari JNT University, India. Di waktu luangnya, ia senang menghabiskan waktu bersama keluarga dan berkemah.

Jia (Vivian) Li adalah Arsitek Solusi Senior di AWS, dengan spesialisasi AI/ML. Dia saat ini mendukung pelanggan di industri keuangan. Sebelum bergabung dengan AWS pada tahun 2022, dia memiliki pengalaman selama 7 tahun dalam mendukung pelanggan perusahaan menggunakan AI/ML di cloud untuk mendorong hasil bisnis. Vivian memiliki gelar BS dari Peking University dan PhD dari University of Southern California. Di waktu luangnya, dia menikmati semua aktivitas air, dan hiking di pegunungan yang indah di negara bagian asalnya, Colorado.

Uchenna Egbe adalah Arsitek Solusi AIML yang senang membuat solusi AIML yang dapat digunakan kembali. Uchenna memiliki gelar MS dari University of Alaska Fairbanks. Dia menghabiskan waktu luangnya untuk meneliti tentang herbal, teh, makanan super, dan cara memasukkannya ke dalam makanan sehari-hari.

Navneet Tuteja adalah Spesialis Data di Amazon Web Services. Sebelum bergabung dengan AWS, Navneet bekerja sebagai fasilitator untuk organisasi yang ingin memodernisasi arsitektur data mereka dan menerapkan solusi AI/ML yang komprehensif. Dia memegang gelar teknik dari Universitas Thapar, serta gelar master dalam bidang statistik dari Universitas A&M Texas.

Praful Kava adalah Sr. Spesialis Solusi Arsitek di AWS. Dia memandu pelanggan untuk merancang dan merekayasa pipeline Cloud Scale Analytics di AWS. Di luar pekerjaan, dia senang bepergian bersama keluarganya dan menjelajahi jalur pendakian baru.

• Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
• PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
• PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
• PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
• PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
• 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/