IA generativa y agentes multimodales en AWS La clave para desbloquear nuevo valor en los mercados financieros
IA generativa y agentes multimodales en AWS para desbloquear valor en mercados financieros
Los datos multimodales son un componente valioso de la industria financiera, que abarca datos de mercado, económicos, de clientes, noticias y redes sociales, y de riesgo. Las organizaciones financieras generan, recopilan y utilizan estos datos para obtener información sobre las operaciones financieras, tomar mejores decisiones y mejorar el rendimiento. Sin embargo, existen desafíos asociados con los datos multimodales debido a la complejidad y falta de estandarización en los sistemas financieros y los formatos y calidad de los datos, así como la naturaleza fragmentada y no estructurada de los datos. Los clientes financieros han descrito frecuentemente la carga operativa de obtener información financiera a partir de datos multimodales, lo que requiere una lógica de extracción y transformación compleja, lo que conduce a un esfuerzo y costos excesivos. Los desafíos técnicos con los datos multimodales también incluyen la complejidad de integrar y modelar diferentes tipos de datos, la dificultad de combinar datos de múltiples modalidades (texto, imágenes, audio, video) y la necesidad de habilidades avanzadas en ciencias de la computación y herramientas de análisis sofisticadas.
Una de las formas de manejar los datos multimodales que está ganando popularidad es el uso de agentes multimodales. Los agentes multimodales son sistemas de IA que pueden comprender y analizar datos en múltiples modalidades utilizando las herramientas adecuadas en su arsenal. Pueden conectar información en estos diversos tipos de datos para obtener una comprensión más completa y generar respuestas apropiadas. Los agentes multimodales, junto con la IA generativa, están encontrando una amplia aplicación en los mercados financieros. A continuación se presentan algunos casos de uso populares:
- Informes inteligentes e inteligencia de mercado – La IA puede analizar diversas fuentes de información financiera para generar informes de inteligencia de mercado, ayudando a analistas, inversores y empresas a mantenerse actualizados sobre las tendencias. Los agentes multimodales pueden resumir rápidamente informes financieros extensos, ahorrando a los analistas tiempo y esfuerzo significativos.
- Modelado cuantitativo y pronóstico – Los modelos generativos pueden sintetizar grandes volúmenes de datos financieros para entrenar modelos de aprendizaje automático (ML) para aplicaciones como pronóstico de precios de acciones, optimización de carteras, modelado de riesgos y más. Los modelos multimodales que comprenden diversas fuentes de datos pueden proporcionar pronósticos más robustos.
- Cumplimiento y detección de fraudes – Esta solución se puede ampliar para incluir herramientas de monitoreo que analizan canales de comunicación como llamadas, correos electrónicos, chats, registros de acceso y más para identificar posibles operaciones internas con información privilegiada o manipulación del mercado. Detectar colusión fraudulenta en diferentes tipos de datos requiere análisis multimodal.
Un agente multimodal con IA generativa aumenta la productividad de un analista financiero al automatizar tareas repetitivas y rutinarias, liberando tiempo para que los analistas se centren en trabajos de alto valor. Los agentes multimodales pueden amplificar la capacidad de un analista para obtener información al ayudar en la investigación y el análisis. Los agentes multimodales también pueden generar análisis cuantitativos mejorados y modelos financieros, lo que permite a los analistas trabajar más rápido y con mayor precisión.
Implementar un agente multimodal con AWS consolida información clave de diversos datos estructurados y no estructurados a gran escala. Los agentes multimodales pueden combinar fácilmente el poder de las ofertas de IA generativa de Amazon Bedrock y Amazon SageMaker JumpStart con las capacidades de procesamiento de datos de AWS Analytics y los servicios de IA/ML para proporcionar soluciones ágiles que permitan a los analistas financieros analizar y obtener información de datos multimodales de manera segura y escalable dentro de AWS. Amazon ofrece una suite de servicios de IA que permiten el procesamiento del lenguaje natural (NLP), reconocimiento de voz, extracción de texto y búsqueda:
- Fetch reduce la latencia de procesamiento de ML en un 50% utilizando Amazon SageMaker y Hugging Face
- Rocket Money x Hugging Face Escalando modelos de aprendizaje automático volátiles en producción
- Conoce al Omnívoro Diseñador Industrial combina el Arte y el OpenUSD para crear Activos 3D para el Entrenamiento de IA
- Amazon Comprehend es un servicio de NLP que puede analizar texto en busca de frases clave y analizar el sentimiento.
- Amazon Textract es un servicio de procesamiento de documentos inteligente que puede extraer texto y datos de documentos con precisión.
- Amazon Transcribe es un servicio de reconocimiento automático de voz que puede convertir el habla en texto.
- Amazon Kendra es un servicio de búsqueda empresarial impulsado por ML para encontrar información en diversas fuentes de datos, incluidos documentos y bases de conocimiento.
En esta publicación, mostramos un escenario en el que un analista financiero interactúa con los datos multimodales de la organización, que residen en almacenes de datos diseñados específicamente, para obtener información financiera. En la interacción, demostramos cómo los agentes multimodales planifican y ejecutan la consulta del usuario y recuperan los resultados de las fuentes de datos relevantes. Todo esto se logra utilizando servicios de AWS, lo que aumenta la eficiencia del analista financiero para analizar datos financieros multimodales (texto, voz y datos tabulares) de manera integral.
La siguiente captura de pantalla muestra un ejemplo de la interfaz de usuario.
Visión general de la solución
El siguiente diagrama ilustra la arquitectura conceptual para utilizar IA generativa con datos multimodales utilizando agentes. Los pasos involucrados son los siguientes:
- El analista financiero plantea preguntas a través de una plataforma como chatbots.
- La plataforma utiliza un marco de trabajo para determinar la herramienta de agente multimodal más adecuada para responder la pregunta.
- Una vez identificada, la plataforma ejecuta el código que está vinculado a la herramienta previamente identificada.
- La herramienta genera un análisis de los datos financieros solicitados por el analista financiero.
- Al resumir los resultados, los modelos de lenguaje grandes recuperan y reportan al analista financiero.
Arquitectura técnica
El agente multimodal orquesta varias herramientas basadas en indicaciones de lenguaje natural de usuarios comerciales para generar ideas. Para datos no estructurados, el agente utiliza funciones de AWS Lambda con servicios de IA como Amazon Textract para análisis de documentos, Amazon Transcribe para reconocimiento de voz, Amazon Comprehend para NLP y Amazon Kendra para búsqueda inteligente. Para datos estructurados, el agente utiliza el Conector SQL y SQLAlchemy para analizar bases de datos, incluido Amazon Athena. El agente también utiliza Python en Lambda y el SDK de Amazon SageMaker para cálculos y modelado cuantitativo. El agente también tiene memoria a largo plazo para almacenar indicaciones y resultados en Amazon DynamoDB. El agente multimodal reside en un cuaderno de SageMaker y coordina estas herramientas basadas en indicaciones en inglés de usuarios comerciales en una interfaz de usuario Streamlit.
Los componentes clave de la arquitectura técnica son los siguientes:
- Almacenamiento y análisis de datos – Las grabaciones trimestrales de ganancias financieras como archivos de audio, informes anuales financieros como archivos PDF y datos de acciones S&P como archivos CSV se alojan en Amazon Simple Storage Service (Amazon S3). La exploración de datos en datos de acciones se realiza mediante Athena.
- Modelos de lenguaje grandes – Los modelos de lenguaje grandes (LLMs) están disponibles a través de Amazon Bedrock, SageMaker JumpStart o una API.
- Agentes – Utilizamos agentes de LangChain para una cadena no predeterminada de llamadas como entrada del usuario a LLMs y otras herramientas. En este tipo de cadenas, hay un agente que tiene acceso a un conjunto de herramientas. Cada herramienta se ha construido para una tarea específica. Dependiendo de la entrada del usuario, el agente decide la herramienta o una combinación de herramientas a llamar para responder la pregunta. Creamos las siguientes herramientas de agente específicas para nuestro escenario:
- Herramienta de consulta de acciones – Para consultar datos de acciones S&P utilizando Athena y SQLAlchemy.
- Herramienta de optimización de cartera – Para construir una cartera basada en las acciones elegidas.
- Herramienta de búsqueda de información financiera – Para buscar información de ganancias financieras almacenada en archivos PDF de varias páginas utilizando Amazon Kendra.
- Herramienta de cálculo de Python – Para utilizar en cálculos matemáticos.
- Herramienta de análisis de sentimiento – Para identificar y puntuar sentimientos sobre un tema utilizando Amazon Comprehend.
- Herramienta de detección de frases – Para encontrar frases clave en informes trimestrales recientes utilizando Amazon Comprehend.
- Herramienta de extracción de texto – Para convertir las versiones en PDF de informes trimestrales a archivos de texto utilizando Amazon Textract.
- Herramienta de transcripción de audio – Para convertir grabaciones de audio a archivos de texto utilizando Amazon Transcribe.
La memoria del agente que guarda la cadena de interacciones del usuario con el agente se guarda en DynamoDB.
Las siguientes secciones explican algunos de los pasos principales con el código asociado. Para profundizar en la solución y el código para todos los pasos mostrados aquí, consulte el repositorio de GitHub.
Prerrequisitos
Para ejecutar esta solución, debe tener una clave API para un LLM como Anthropic Claude v2, o tener acceso a modelos de base de Amazon Bedrock.
Para generar respuestas a partir de datos estructurados y no estructurados utilizando LLMs y LangChain, necesitas acceso a LLMs a través de Amazon Bedrock, SageMaker JumpStart o claves de API, y utilizar bases de datos compatibles con SQLAlchemy. También se requieren políticas de AWS Identity and Access Management (IAM), cuyos detalles puedes encontrar en el repositorio de GitHub.
Componentes clave de un agente multimodal
Hay algunos componentes clave del agente multimodal:
- Funciones definidas para las herramientas del agente multimodal
- Herramientas definidas para el agente multimodal
- Memoria a largo plazo para el agente multimodal
- Agente multimodal basado en planificador-ejecutor (definido con herramientas, LLMs y memoria)
En esta sección, ilustramos los componentes clave con fragmentos de código asociados.
Funciones definidas para las herramientas del agente multimodal
El agente multimodal necesita utilizar varios servicios de IA para procesar diferentes tipos de datos: texto, voz, imágenes y más. Algunas de estas funciones pueden necesitar llamar a servicios de IA de AWS como Amazon Comprehend para analizar texto, Amazon Textract para analizar imágenes y documentos, y Amazon Transcribe para convertir voz a texto. Estas funciones pueden ser llamadas localmente dentro del agente o desplegadas como funciones Lambda que el agente puede invocar. Las funciones Lambda llaman internamente a los servicios de IA relevantes de AWS y devuelven los resultados al agente. Este enfoque modulariza la lógica y hace que el agente sea más mantenible y extensible.
La siguiente función define cómo calcular la cartera optimizada en función de las acciones elegidas. Una forma de convertir una función basada en Python en una herramienta LLM es utilizar el envoltorio BaseTool.
class OptimizePortfolio(BaseTool):
name = "Herramienta de Optimización de Cartera"
description = """
Utiliza esta herramienta cuando necesites construir una cartera óptima o para la optimización del precio de las acciones.
El stock_ls debe ser una lista de símbolos de acciones, como ['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
...El siguiente es el código para llamar a la API de servicios de IA de AWS (Amazon Comprehend, Amazon Textract, Amazon Transcribe) desde Lambda:
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 responseHerramientas definidas para el agente multimodal
El agente multimodal tiene acceso a diversas herramientas para habilitar su funcionalidad. Puede consultar una base de datos de acciones para responder preguntas sobre acciones. Puede optimizar una cartera utilizando una herramienta dedicada. Puede obtener información de Amazon Kendra, el servicio de búsqueda empresarial de Amazon. Una herramienta REPL de Python permite al agente ejecutar código Python. A continuación se muestra un ejemplo de la estructura de las herramientas, incluyendo sus nombres y descripciones, en el siguiente código. La caja de herramientas real de esta publicación tiene ocho herramientas: Herramienta de Consulta de Acciones, Herramienta de Optimización de Cartera, Herramienta de Búsqueda de Información Financiera, Herramienta de Cálculo de Python, Herramienta de Análisis de Sentimiento, Herramienta de Detección de Frases, Herramienta de Extracción de Texto y Herramienta de Transcripción de Audio.
tools = [
Tool(
name="Herramienta de Búsqueda de Información Financiera",
func=run_chain,
description="""
Útil cuando necesitas buscar información financiera utilizando Kendra.
"""
),
Tool(
name="Herramienta de Análisis de Sentimiento",
func=SentimentAnalysis,
description="""
Útil cuando necesitas analizar el sentimiento de un tema.
"""
),
Tool(
name="Herramienta de Detección de Frases",
func=DetectKeyPhrases,
description="""
Útil cuando necesitas detectar frases clave en informes trimestrales recientes.
"""
),
...
]Memoria a largo plazo para el agente multimodal
El siguiente código ilustra la configuración de la memoria a largo plazo para el agente multimodal. En este código, se agrega una tabla DynamoDB como memoria para almacenar indicaciones y respuestas para futuras referencias.
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)Agente multimodal basado en planificador-ejecutor
La arquitectura del agente multimodal basado en planificador-ejecutor tiene dos componentes principales: un planificador y un ejecutor. El planificador genera un plan de alto nivel con los pasos necesarios para ejecutar y responder la pregunta planteada. El ejecutor luego ejecuta este plan generando respuestas del sistema apropiadas para cada paso del plan utilizando el modelo de lenguaje con las herramientas necesarias. Vea el siguiente código:
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)Ejemplos de escenarios basados en preguntas formuladas por analistas financieros
En esta sección, exploramos dos ejemplos de escenarios para ilustrar los pasos realizados de principio a fin por el agente multimodal basado en preguntas formuladas por analistas financieros.
Escenario 1: Preguntas formuladas por analistas financieros relacionadas con datos estructurados
En este escenario, el analista financiero formula una pregunta en inglés relacionada con las acciones de empresas al agente multimodal. El agente multimodal LangChain crea un plan de múltiples pasos y decide qué herramientas utilizar para cada paso. El siguiente diagrama ilustra un flujo de trabajo de ejemplo con los siguientes pasos:
- El analista financiero formula una pregunta financiera en inglés a través de la interfaz de usuario al agente multimodal.
- El agente identifica que requiere la herramienta de base de datos para responder la pregunta. Genera una consulta SQL utilizando un LLM basado en la pregunta y realiza la consulta en la base de datos Athena.
- Athena ejecuta la consulta SQL, recupera el resultado relevante (serie temporal de precios de las acciones de las cinco empresas) y pasa el resultado con los datos relevantes al agente.
- El agente identifica que requiere una segunda herramienta para responder la pregunta. Pasa los datos recuperados a la herramienta de Python para la optimización de la cartera.
- La herramienta de Python calcula la cartera óptima requerida, incluyendo los pesos, y pasa la respuesta al LLM dentro del agente.
- El agente compila la información y los cálculos requeridos utilizando el LLM y responde al analista financiero a través de la interfaz de usuario en inglés.
El analista financiero formula la siguiente pregunta:
“¿Cuáles son los precios de cierre de las acciones de AAAA, WWW, DDD en el año 2018? ¿Puede construir una cartera optimizada utilizando estas tres acciones?”
El siguiente código muestra los pasos identificados por el planificador del agente multimodal:
steps=[Step(value='Utilizar la herramienta de consulta de acciones para encontrar los precios de cierre de las acciones de AAAA, WWW y DDD en el año 2018.'),
Step(value='Utilizar la herramienta de optimización de carteras para construir una cartera optimizada utilizando las tres acciones.'),
Step(value='Proporcionar los precios de cierre y la asignación de cartera optimizada.')]El agente tradujo la pregunta en la siguiente consulta SQL:
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 DESCEl siguiente código muestra la respuesta final del agente multimodal basada en la pregunta:
Los precios de cierre de las acciones AAAA, WWW y DDD en 2018 son:
AAAA: $172.44
WWW: $85.91
DDD: $9.82
La asignación de la cartera optimizada para las acciones AAAA, WWW y DDD es:
AAAA: 55%
WWW: 45%
DDD: 0%'Escenario 2: Preguntas formuladas por analistas financieros relacionadas con datos no estructurados
En este escenario, un analista financiero realiza varias preguntas sobre la salud financiera de la empresa al agente multimodal. El agente invoca dos agentes de herramientas, Amazon Kendra con datos no estructurados y una herramienta de cálculo en Python, para recopilar información y realizar los cálculos necesarios. Luego, el agente compila la información de las herramientas utilizando su modelo de lenguaje y proporciona la respuesta completa al analista. La clave de este escenario es que el agente puede recordar las preguntas y respuestas de las preguntas anteriores e incorporar el contexto en la conversación. El siguiente diagrama ilustra el flujo de trabajo, que consta de los siguientes pasos:
- El analista financiero formula una pregunta financiera en inglés a través de la interfaz de usuario al agente multimodal.
- El agente identifica que necesita la herramienta Amazon Kendra para responder la pregunta e invoca la herramienta del agente Amazon Kendra.
- Amazon Kendra busca en el corpus de datos no estructurados en Amazon S3 y recupera el documento relevante que contiene la respuesta.
- Utilizando Retrieval Augmented Generation (RAG), Amazon Kendra pasa la respuesta del documento relevante al LLM dentro del agente.
- El agente identifica que necesita una segunda herramienta para responder la segunda parte de la pregunta. Pasa información de la primera herramienta a la herramienta de cálculo en Python.
- La herramienta de Python calcula la proporción requerida y pasa la respuesta al LLM dentro del agente.
- El agente compila la información y los cálculos requeridos utilizando el LLM y responde al analista financiero a través de la interfaz de usuario.
A continuación se presentan preguntas y respuestas entre el analista y el agente multimodal.
El agente responde a la pregunta “¿Cuál es la pérdida neta de Amazon para el año fiscal que termina en diciembre de 2022?” con “Amazon informó ventas netas totales de $514.0 mil millones y una pérdida neta de $2.7 mil millones para el año fiscal 2022.” La fuente es el informe 10K de Amazon para el año fiscal que termina en diciembre de 2022, recuperado utilizando la herramienta Retrive_Kendra.
Para la pregunta “¿Cuál es la pérdida neta para el mismo año?”, el agente responde “$2.7 mil millones”. La fuente es el informe 10K de Amazon para el año fiscal que termina en diciembre de 2022, recuperado utilizando la herramienta Retrive_Kendra. Tenga en cuenta que aunque la pregunta es similar a la segunda pregunta, esta pregunta no especificó el nombre de la empresa ni el número de año. Sin embargo, el agente pudo utilizar el nombre correcto de la empresa y el año basándose en el contexto en la memoria de la conversación.
Para la pregunta “¿Cuál es la fórmula para la tasa de margen de beneficio neto, que es un tipo de ratio de rentabilidad?”, el agente responde “Amazon informó ventas netas totales de $514.0 mil millones y una pérdida neta de $2.7 mil millones para el año fiscal 2022. La tasa de margen de beneficio neto para Amazon para el año fiscal 2022 es -0.5%.” La fuente es Retrieve_Kendra y PythonREPLTool().
Profundice en la solución
Para profundizar en la solución y en el código mostrado en esta publicación, consulte el repositorio de GitHub.
En el repositorio de GitHub, podrá encontrar un cuaderno de Python que tiene la solución de principio a fin, una plantilla de AWS CloudFormation para aprovisionar la infraestructura, datos no estructurados (archivos PDF de informes de ganancias, archivos de audio de llamadas de ganancias) y datos estructurados (series temporales de acciones).
En el apéndice al final, se ha tabulado diferentes preguntas formuladas por el analista financiero, herramientas del agente invocadas y la respuesta del agente multimodal.
Limpieza
Después de ejecutar el agente multimodal, asegúrese de limpiar cualquier recurso que no se vaya a utilizar. Cierre y elimine las bases de datos utilizadas (Athena). Además, elimine los datos en Amazon S3 y detenga cualquier instancia de notebook de SageMaker Studio para no incurrir en cargos adicionales. Elimine las funciones de Lambda y las tablas de DynamoDB que no se utilizan como parte de la memoria a largo plazo. Si utilizó SageMaker JumpStart para implementar un LLM como un punto de enlace en tiempo real de SageMaker, elimine el punto de enlace a través de la consola de SageMaker o SageMaker Studio.
Conclusión
Esta publicación demostró la amplia gama de servicios de almacenamiento, IA/ML y computación de AWS que se pueden utilizar para construir una solución avanzada de IA multimodal junto con el marco LangChain y la IA generativa. Al integrar tecnologías de procesamiento del lenguaje natural, reconocimiento del habla y ML, el agente multimodal desarrollado en este escenario puede analizar diversas modalidades de datos financieros (estructurados y no estructurados) y responder a indicaciones en lenguaje natural (inglés). Esto aumenta la productividad y eficiencia de los analistas financieros, permitiéndoles centrarse en trabajos estratégicos de alto valor. Las soluciones de IA multimodal impulsadas por AWS tienen el potencial de transformar los mercados financieros al automatizar tareas repetitivas, mejorar las capacidades humanas y generar información basada en datos de manera eficiente. Para datos estructurados, se puede incorporar una arquitectura de datos moderna con múltiples bases de datos junto con IA generativa y LLM. Para obtener más detalles, consulte Reinventando la experiencia de datos: Use IA generativa y una arquitectura de datos moderna para desbloquear información. Además, consulte Amazon Bedrock para casos de uso sobre IA generativa, modelos base y modelos de lenguaje grandes.
Apéndice
La siguiente tabla contiene preguntas de ejemplo formuladas por un analista financiero para hacer al agente multimodal basado en datos estructurados y no estructurados.
| Propósito de la pregunta | Pregunta formulada por analistas financieros a través de la interfaz de usuario | Herramientas del agente invocadas | Servicios principales de AWS utilizados por las herramientas del agente | Respuesta del agente multimodal |
| Indicar al agente LangChain que preprocese y extraiga información de los datos recopilados | Convertir los archivos 10k y 10q de los últimos trimestres de Amazon al formato de texto |
1. Herramienta de extracción de texto |
Textract 2. AWS Lambda 3. Amazon S3 |
Los archivos de texto que contienen los informes financieros de Amazon han sido limpiados y están listos para su análisis. |
| Indicar al agente LangChain que transcriba las grabaciones de audio a texto | ¿Puedes transcribir la grabación de audio trimestral más reciente de la llamada de ganancias a formato de texto? |
|
Transcribe 2. AWS Lambda 3. Amazon S3 |
Tengo las transcripciones de la llamada de ganancias, ahora puedo extraer frases clave. |
| Indicar al agente LangChain que analice la salud financiera y el rendimiento de la empresa | Analiza la salud financiera de Amazon basándote en el informe 10k. Calcula ratios financieros importantes. Limita tu respuesta a 5 frases. |
Herramienta de búsqueda de información 2. Python Herramienta de cálculo |
|
Aquí tienes un resumen de la salud financiera de Amazon en 5 frases: Amazon tiene un margen de beneficio bajo, lo que indica una rentabilidad baja en relación a los ingresos. Sin embargo, Amazon tiene un alto retorno de activos, lo que indica un uso eficiente de los activos para generar beneficios. Amazon tiene una baja relación de deuda a patrimonio, lo que indica un bajo apalancamiento financiero y riesgo. Amazon tiene una alta proporción de liquidez actual, lo que indica una buena posición de liquidez a corto plazo y capacidad para pagar obligaciones a corto plazo. En general, Amazon parece estar en una buena posición financiera con operaciones eficientes y bajo riesgo. |
| Indicar al agente LangChain que analice el rendimiento financiero de la empresa a partir de los informes de ganancias de la empresa | ¿Cuáles fueron los principales impulsores del crecimiento de los ingresos de la empresa en el trimestre? Limita tus respuestas a 5 frases. |
Herramienta de búsqueda de información |
Comprehend 2. Amazon Kendra 3. AWS Lambda 4. Amazon S3 |
Aquí tienes un resumen de los principales impulsores del crecimiento de los ingresos en 5 frases: Los ingresos de Amazon aumentaron debido a un aumento en los ingresos por suscripción y soporte de nuevos clientes. También hubo un crecimiento de las cuentas de clientes existentes, lo que contribuyó al crecimiento de los ingresos. Ventas netas más altas impulsaron el aumento de los ingresos para la empresa. Aunque no pude calcular el porcentaje exacto de crecimiento de los ingresos, las frases clave y la información extraída apuntan a que el crecimiento de los ingresos está impulsado principalmente por nuevas suscripciones, expansión de clientes existentes y mayores ventas netas. |
| Indicar al agente LangChain que analice el equipo directivo de la empresa y sus planes para el futuro a partir de los informes de ganancias de la empresa | ¿Cuáles son las principales prioridades de la empresa para el próximo año? ¿Cuáles son los mayores riesgos a los que se enfrenta la empresa? Limita tus respuestas a 5 frases. |
Herramienta de búsqueda de información |
Comprehend 2. Amazon Kendra 3. AWS Lambda 4. Amazon S3 |
Aquí tienes un resumen de la respuesta en 5 frases: Las prioridades de Amazon son invertir en crecimiento y expandirse a nuevos mercados. Sin embargo, existen riesgos como los cambios en la demanda del consumidor y la competencia que amenazan su negocio. Al analizar las frases clave en los informes financieros, se destacan su enfoque en el cumplimiento, la tecnología y nuevos productos, así como los riesgos relacionados con proveedores, tipos de cambio y competencia minorista. A pesar de enfrentar presiones, Amazon tiene como objetivo innovar, mejorar la experiencia del cliente y fortalecer su posición. El progreso continuo en precio, velocidad y selección impulsará su ventaja competitiva. |
| Indicar al agente LangChain que analice la estrategia de la empresa a partir de los informes de ganancias de la empresa | ¿Cuáles son los objetivos financieros y comerciales de la empresa para el próximo año/trimestre? Limita tus respuestas a 5 frases. |
Herramienta de búsqueda de información 2. Herramienta de detección de frases |
Comprehend 2. Amazon Kendra 3. AWS Lambda 4. Amazon S3 |
Aquí tienes un resumen de los principales objetivos de Amazon en 5 frases: Amazon busca crecer mejorando la infraestructura e ingresando a nuevos mercados. Invertirán en cumplimiento y tecnología para permitir la expansión. Al diversificarse en comestibles, atención médica y entretenimiento, Amazon puede ampliar su oferta. Centrarse en el cliente a través de precios competitivos, selección e innovación es clave. Si Amazon
|
Sovik Kumar Nath es un arquitecto de soluciones de IA/ML en AWS. Tiene una amplia experiencia en el diseño de soluciones de aprendizaje automático y análisis empresarial de principio a fin en finanzas, operaciones, marketing, salud, gestión de la cadena de suministro e IoT. Sovik ha publicado artículos y tiene una patente en el monitoreo de modelos de ML. Tiene dos maestrías de la Universidad del Sur de Florida, Universidad de Friburgo, Suiza, y una licenciatura del Instituto Indio de Tecnología, Kharagpur. Fuera del trabajo, Sovik disfruta viajar, hacer paseos en ferry y ver películas.
Mohan Musti es un Gerente Técnico de Cuentas Senior con sede en Dallas. Mohan ayuda a los clientes a diseñar y optimizar aplicaciones en AWS. Mohan tiene una licenciatura en Ciencias de la Computación e Ingeniería de la Universidad JNT, India. En su tiempo libre, disfruta pasar tiempo con su familia y acampar.
Jia (Vivian) Li es una Arquitecta de Soluciones Senior en AWS, especializada en IA/ML. Actualmente apoya a los clientes en la industria financiera. Antes de unirse a AWS en 2022, tenía 7 años de experiencia apoyando a clientes empresariales a utilizar IA/ML en la nube para impulsar resultados comerciales. Vivian tiene una licenciatura de la Universidad de Pekín y un doctorado de la Universidad del Sur de California. En su tiempo libre, disfruta de todas las actividades acuáticas y hacer senderismo en las hermosas montañas de su estado natal, Colorado.
Uchenna Egbe es un Arquitecto de Soluciones de AIML que disfruta construyendo soluciones de AIML reutilizables. Uchenna tiene una maestría de la Universidad de Alaska Fairbanks. Dedica su tiempo libre a investigar hierbas, tés, superalimentos y cómo incorporarlos a su dieta diaria.
Navneet Tuteja es una Especialista de Datos en Amazon Web Services. Antes de unirse a AWS, Navneet trabajó como facilitadora para organizaciones que buscan modernizar sus arquitecturas de datos e implementar soluciones integrales de IA/ML. Tiene una licenciatura en ingeniería de la Universidad Thapar, así como una maestría en estadística de la Universidad de Texas A&M.
Praful Kava es un Arquitecto de Soluciones Especializado en AWS. Guía a los clientes en el diseño y la ingeniería de canalizaciones de análisis a escala en la nube de AWS. Fuera del trabajo, disfruta viajar con su familia y explorar nuevas rutas de senderismo.
