Multimodale data zijn een waardevol onderdeel van de financiële sector en omvatten markt-, economische, klant-, nieuws- en sociale media- en risicodata. Financiële organisaties genereren, verzamelen en gebruiken deze gegevens om inzicht te krijgen in financiële activiteiten, betere beslissingen te nemen en de prestaties te verbeteren. Er zijn echter uitdagingen verbonden aan multimodale data vanwege de complexiteit en het gebrek aan standaardisatie in financiële systemen en dataformaten en -kwaliteit, evenals de gefragmenteerde en ongestructureerde aard van de data. Financiële klanten hebben vaak de operationele overhead beschreven die gepaard gaat met het verkrijgen van financiële inzichten uit multimodale gegevens, wat complexe extractie- en transformatielogica noodzakelijk maakt, wat leidt tot opgeblazen inspanningen en kosten. Technische uitdagingen met multimodale gegevens omvatten verder de complexiteit van het integreren en modelleren van verschillende gegevenstypen, de moeilijkheid van het combineren van gegevens uit meerdere modaliteiten (tekst, afbeeldingen, audio, video) en de behoefte aan geavanceerde computerwetenschappelijke vaardigheden en geavanceerde analysehulpmiddelen.

Een van de manieren om met multimodale gegevens om te gaan die aan populariteit wint, is het gebruik van multimodale agenten. Multimodale agenten zijn AI-systemen die gegevens in meerdere modaliteiten kunnen begrijpen en analyseren met behulp van de juiste tools in hun toolkit. Ze zijn in staat inzichten uit deze verschillende gegevenstypen met elkaar te verbinden om een ​​uitgebreider inzicht te krijgen en passende antwoorden te genereren. Multimodale agenten vinden, in combinatie met generatieve AI, een wijdverspreide toepassing op de financiële markten. Hieronder volgen enkele populaire gebruiksscenario's:

• Slimme rapportage en marktinformatie – AI kan verschillende bronnen van financiële informatie analyseren om marktinformatierapporten te genereren, waardoor analisten, investeerders en bedrijven op de hoogte blijven van trends. Multimodale agenten kunnen lange financiële rapporten snel samenvatten, waardoor analisten veel tijd en moeite besparen.
• Kwantitatieve modellering en voorspelling – Generatieve modellen kunnen grote hoeveelheden financiële gegevens synthetiseren om machine learning-modellen (ML) te trainen voor toepassingen zoals het voorspellen van aandelenkoersen, portefeuilleoptimalisatie, risicomodellering en meer. Multimodale modellen die diverse gegevensbronnen begrijpen, kunnen robuustere voorspellingen opleveren.
• Compliance en fraudedetectie – Deze oplossing kan worden uitgebreid met monitoringtools die communicatiekanalen zoals oproepen, e-mails, chats, toegangslogboeken en meer analyseren om potentiële handel met voorkennis of marktmanipulatie te identificeren. Het detecteren van frauduleuze collusie tussen gegevenstypen vereist multimodale analyse.

Een multimodale agent met generatieve AI verhoogt de productiviteit van een financieel analist door repetitieve en routinematige taken te automatiseren, waardoor analisten tijd vrijmaken om zich te concentreren op hoogwaardig werk. Multimodale agenten kunnen het vermogen van een analist om inzichten te verwerven vergroten door te helpen bij onderzoek en analyse. Multimodale agenten kunnen ook verbeterde kwantitatieve analyses en financiële modellen genereren, waardoor analisten sneller en met grotere nauwkeurigheid kunnen werken.

Het implementeren van een multimodale agent met AWS consolideert belangrijke inzichten uit diverse gestructureerde en ongestructureerde gegevens op grote schaal. Multimodale agenten kunnen eenvoudig de kracht van generatieve AI-aanbiedingen combineren Amazonebodem en Amazon SageMaker JumpStart met de gegevensverwerkingsmogelijkheden van AWS Analytics en AI/ML-services om flexibele oplossingen te bieden waarmee financiële analisten op een veilige en schaalbare manier binnen AWS op efficiënte wijze inzichten kunnen analyseren en verzamelen uit multimodale gegevens. Amazon biedt een reeks AI-services die natuurlijke taalverwerking (NLP), spraakherkenning, tekstextractie en zoeken mogelijk maken:

• Amazon begrijpt het is een NLP-service die tekst op sleutelzinnen kan analyseren en sentiment kan analyseren
• Amazon T-extract is een intelligente documentverwerkingsservice die tekst en gegevens nauwkeurig uit documenten kan extraheren
• Amazon Transcribe is een automatische spraakherkenningsservice die spraak naar tekst kan omzetten
• Amazon Kendra is een enterprise search-service die wordt aangedreven door ML om informatie te vinden in verschillende gegevensbronnen, waaronder documenten en kennisbanken

In dit bericht laten we een scenario zien waarin een financieel analist interactie heeft met de multimodale gegevens van de organisatie, die zich bevinden in speciaal gebouwde datastores, om financiële inzichten te verzamelen. In de interactie laten we zien hoe multimodale agenten de gebruikersquery plannen en uitvoeren en de resultaten uit de relevante gegevensbronnen ophalen. Dit alles wordt bereikt met behulp van AWS-services, waardoor de efficiëntie van de financiële analist wordt vergroot om multimodale financiële gegevens (tekst-, spraak- en tabelgegevens) holistisch te analyseren.

De volgende schermafbeelding toont een voorbeeld van de gebruikersinterface.

Overzicht oplossingen

Het volgende diagram illustreert de conceptuele architectuur voor het gebruik van generatieve AI met multimodale gegevens met behulp van agenten. De betrokken stappen zijn als volgt:

1. De financieel analist stelt vragen via een platform zoals chatbots.
2. Het platform gebruikt een raamwerk om te bepalen wat de meest geschikte multimodale agenttool is om de vraag te beantwoorden.
3. Eenmaal geïdentificeerd, voert het platform de code uit die is gekoppeld aan de eerder geïdentificeerde tool.
4. De tool genereert een analyse van de financiële gegevens zoals gevraagd door de financieel analist.
5. Bij het samenvatten van de resultaten worden grote taalmodellen opgehaald en gerapporteerd aan de financieel analist.

Technische architectuur

De multimodale agent orkestreert verschillende tools op basis van natuurlijke taalvragen van zakelijke gebruikers om inzichten te genereren. Voor ongestructureerde gegevens gebruikt de agent AWS Lambda werkt met AI-services zoals Amazon Textract voor documentanalyse, Amazon Transcribe voor spraakherkenning, Amazon Comprehend voor NLP en Amazon Kendra voor intelligent zoeken. Voor gestructureerde gegevens gebruikt de agent de SQL Connector en SQLAlchemy om databases te analyseren, waaronder Amazone Athene. De agent maakt ook gebruik van Python in Lambda en de Amazon Sage Maker SDK voor berekeningen en kwantitatieve modellering. De agent beschikt ook over een langetermijngeheugen waarin aanwijzingen en resultaten kunnen worden opgeslagen Amazon DynamoDB. De multimodale agent bevindt zich in een SageMaker-notebook en coördineert deze tools op basis van Engelse aanwijzingen van zakelijke gebruikers in een Streamlit-gebruikersinterface.

De belangrijkste componenten van de technische architectuur zijn als volgt:

• Gegevensopslag en analyse – De driemaandelijkse financiële inkomstenopnamen als audiobestanden, financiële jaarverslagen als PDF-bestanden en S&P-aandelengegevens als CSV-bestanden worden gehost op Amazon eenvoudige opslagservice (Amazone S3). Gegevensverkenning op voorraadgegevens wordt gedaan met behulp van Athena.
• Grote taalmodellen – De grote taalmodellen (LLM's) zijn beschikbaar via Amazon Bedrock, SageMaker JumpStart of een API.
• Ontmoet het team – We gebruiken de agenten van LangChain voor een niet-vooraf bepaalde reeks oproepen als gebruikersinvoer voor LLM's en andere tools. In dit soort ketens is er een agent die toegang heeft tot een reeks tools. Elke tool is gebouwd voor een specifieke taak. Afhankelijk van de gebruikersinvoer bepaalt de agent welke tool of een combinatie van tools hij moet aanroepen om de vraag te beantwoorden. We hebben de volgende speciaal gebouwde agenttools voor ons scenario gemaakt:
  • Hulpprogramma voor het opvragen van aandelen – Om S&P-aandelengegevens op te vragen met behulp van Athena en SQLAlchemy.
  • Portfolio-optimalisatietool – Een portefeuille opbouwen op basis van de gekozen aandelen.
  • Hulpprogramma voor het opzoeken van financiële informatie – Zoeken naar informatie over financiële inkomsten die is opgeslagen in PDF-bestanden van meerdere pagina's met behulp van Amazon Kendra.
  • Python-rekenhulpmiddel – Te gebruiken voor wiskundige berekeningen.
  • Tool voor sentimentanalyse – Om sentimenten over een onderwerp te identificeren en te scoren met behulp van Amazon Comprehend.
  • Hulpmiddel Zinnen detecteren – Om sleutelzinnen te vinden in recente kwartaalrapporten met behulp van Amazon Comprehend.
  • Hulpmiddel voor tekstextractie – Om de PDF-versies van kwartaalrapportages naar tekstbestanden te converteren met Amazon Textract.
  • Audiotool transcriberen – Om audio-opnamen naar tekstbestanden te converteren met Amazon Transcribe.

Het agentgeheugen dat de keten van gebruikersinteracties met de agent bevat, wordt opgeslagen in DynamoDB.

In de volgende secties worden enkele van de belangrijkste stappen met bijbehorende code uitgelegd. Om dieper in de oplossing en code voor alle hier getoonde stappen te duiken, raadpleegt u de GitHub repo.

Voorwaarden

Om deze oplossing uit te voeren, moet je een API-sleutel hebben voor een LLM zoals Anthropic Claude v2, of toegang hebben tot Amazon Bedrock Foundation-modellen.

Om antwoorden te genereren op basis van gestructureerde en ongestructureerde gegevens met behulp van LLM's en LangChain, hebt u toegang tot LLM's nodig via Amazon Bedrock, SageMaker JumpStart of API-sleutels, en moet u databases gebruiken die compatibel zijn met SQLAlchemy. AWS Identiteits- en toegangsbeheer (IAM)-beleid is ook vereist, de details die u kunt vinden in de GitHub-repository.

Belangrijke componenten van een multimodale agent

Er zijn een paar belangrijke componenten van de multimodale agent:

• Functies gedefinieerd voor tools van de multimodale agent
• Tools gedefinieerd voor de multimodale agent
• Langetermijngeheugen voor de multimodale agent
• Op planner en uitvoerder gebaseerde multimodale agent (gedefinieerd met tools, LLM's en geheugen)

In deze sectie illustreren we de belangrijkste componenten met bijbehorende codefragmenten.

Functies gedefinieerd voor tools van de multimodale agent

De multimodale agent moet verschillende AI-services gebruiken om verschillende soorten gegevens te verwerken: tekst, spraak, afbeeldingen en meer. Sommige van deze functies moeten mogelijk AWS AI-services aanroepen, zoals Amazon Comprehend om tekst te analyseren, Amazon Textract om afbeeldingen en documenten te analyseren, en Amazon Transcribe om spraak naar tekst om te zetten. Deze functies kunnen lokaal binnen de agent worden aangeroepen of worden ingezet als Lambda-functies die de agent kan aanroepen. De Lambda-functies bellen intern de relevante AWS AI-diensten en sturen de resultaten terug naar de agent. Deze aanpak modulariseert de logica en maakt de agent beter onderhoudbaar en uitbreidbaar.

De volgende functie definieert hoe de geoptimaliseerde portefeuille moet worden berekend op basis van de gekozen aandelen. Eén manier om een ​​op Python gebaseerde functie naar een LLM-tool te converteren, is door de BasisTool wikkel.

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
...

Het volgende is de code voor Lambda die de AWS AI-service (Amazon Comprehend, Amazon Textract, Amazon Transcribe) API's aanroept:

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

Tools gedefinieerd voor de multimodale agent

De multimodale agent heeft toegang tot verschillende tools om zijn functionaliteit mogelijk te maken. Het kan een aandelendatabase doorzoeken om vragen over aandelen te beantwoorden. Het kan een portefeuille optimaliseren met behulp van een speciale tool. Het kan informatie ophalen van Amazon Kendra, de zakelijke zoekservice van Amazon. Met een Python REPL-tool kan de agent Python-code uitvoeren. Een voorbeeld van de structuur van de tools, inclusief hun namen en beschrijvingen, wordt weergegeven in de volgende code. De eigenlijke gereedschapskist van dit bericht bevat acht hulpmiddelen: Hulpprogramma voor het opvragen van aandelen, Hulpmiddel voor portfolio-optimalisatie, Hulpmiddel voor het opzoeken van financiële informatie, Berekeningshulpmiddel voor Python, Hulpmiddel voor sentimentanalyse, Hulpmiddel voor het detecteren van zinnen, Hulpmiddel voor tekstextractie en Hulpmiddel voor het transcriberen van 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. """
),
...
]

Langetermijngeheugen voor de multimodale agent

De volgende code illustreert de configuratie van het langetermijngeheugen voor de multimodale agent. In deze code wordt de DynamoDB-tabel toegevoegd als geheugen om aanwijzingen en antwoorden op te slaan voor toekomstig gebruik.

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)

Op planner-uitvoerder gebaseerde multimodale agent

De planner-uitvoerder gebaseerde multimodale agentarchitectuur bestaat uit twee hoofdcomponenten: een planner en een uitvoerder. De planner genereert een plan op hoog niveau met de stappen die nodig zijn om de promptvraag uit te voeren en te beantwoorden. De uitvoerder voert dit plan vervolgens uit door voor elke planstap de juiste systeemreacties te genereren met behulp van het taalmodel met de benodigde hulpmiddelen. Zie de volgende code:

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)

Voorbeeldscenario's op basis van vragen van financieel analisten

In deze sectie verkennen we twee voorbeeldscenario's om de end-to-end stappen te illustreren die door de multimodale agent worden uitgevoerd op basis van vragen van een financieel analist.

Scenario 1: Vragen van financieel analisten met betrekking tot gestructureerde data

In dit scenario stelt de financieel analist een vraag in het Engels met betrekking tot de aandelen van bedrijven aan de multimodale agent. De multimodale LangChain-agent bedenkt een meerstappenplan en beslist welke tools hij voor elke stap moet gebruiken. Het volgende diagram illustreert een voorbeeldworkflow met de volgende stappen:

1. De financieel analist stelt via de gebruikersinterface een financiële vraag in het Engels aan de multimodale agent.
2. De agent geeft aan dat de databasetool nodig is om de vraag te beantwoorden. Het genereert een SQL-query met behulp van een LLM op basis van de vraag en doorzoekt de Athena-database.
3. Athena voert de SQL-query uit, haalt het relevante resultaat op (tijdreeksen van de aandelenkoersen van de vijf bedrijven) en geeft het resultaat met relevante gegevens door aan de agent.
4. De agent geeft aan dat er een tweede hulpmiddel nodig is om de vraag te beantwoorden. Het geeft de opgehaalde gegevens door aan de Python-tool voor portfolio-optimalisatie.
5. De Python-tool berekent de benodigde optimale portefeuille, inclusief gewichten, en geeft het antwoord door aan de LLM binnen de agent.
6. De agent verzamelt de benodigde informatie en berekeningen met behulp van de LLM en beantwoordt de financiële analyse via de gebruikersinterface in het Engels.

De financieel analist stelt de volgende vraag:

"Wat zijn de slotkoersen van aandelen AAAA, WWW, DDD in het jaar 2018? Kun je een geoptimaliseerde portefeuille opbouwen met deze drie aandelen?"

De volgende code toont de stappen die zijn geïdentificeerd door de planner van de multimodale agent:

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.')]

De agent vertaalde de vraagprompt in de volgende SQL-query:

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

De volgende code toont het uiteindelijke antwoord van de multimodale agent op basis van de vraag:

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%'

Scenario 2: Vragen van financieel analisten met betrekking tot ongestructureerde data

In dit scenario stelt een financieel analist meerdere vragen over de financiële gezondheid van het bedrijf aan de multimodale agent. De agent doet een beroep op twee toolagents, Amazon Kendra met ongestructureerde gegevens en een Python-rekentool, om informatie te verzamelen en de nodige berekeningen uit te voeren. De agent verzamelt vervolgens de informatie uit de tools met behulp van zijn taalmodel en geeft het volledige antwoord aan de analist. De sleutel van dit scenario is dat de agent de vragen en antwoorden van de voorgaande vragen kan onthouden en de context in het gesprek kan opnemen. Het volgende diagram illustreert de workflow, die uit de volgende stappen bestaat:

1. De financieel analist stelt via de gebruikersinterface een financiële vraag in het Engels aan de multimodale agent.
2. De agent stelt vast dat de Amazon Kendra-tool nodig is om de vraag te beantwoorden en roept de Amazon Kendra-agenttool aan.
3. Amazon Kendra doorzoekt het ongestructureerde datacorpus in Amazon S3 en haalt het relevante document op met het antwoord.
4. Met behulp van Retrieval Augmented Generation (RAG) geeft Amazon Kendra het antwoord van het relevante document door aan de LLM binnen de agent.
5. De agent geeft aan dat er een tweede hulpmiddel nodig is om het tweede deel van de vraag te beantwoorden. Het geeft informatie van de eerste tool door aan de Python-rekentool.
6. De Python-tool berekent de vereiste verhouding en geeft het antwoord door aan de LLM binnen de agent.
7. De agent verzamelt de benodigde informatie en berekeningen met behulp van de LLM en beantwoordt de financieel analist via de UI.

Hieronder volgen vragen en antwoorden tussen de analist en de multimodale agent.

De agent beantwoordt de vraag “Wat is het nettoverlies van Amazon voor het fiscale jaar eindigend in december 2022?' met 'Amazon rapporteerde een totale netto-omzet van $514.0 miljard en een nettoverlies van $2.7 miljard voor het fiscale jaar 2022.' De bron is het Amazon 10K-rapport voor het fiscale jaar eindigend in december 2022, opgehaald met behulp van de Retrive_Kendra Tool.

Voor de vraag “Wat is het nettoverlies voor hetzelfde jaar?' antwoordt de agent '2.7 miljard dollar'. De bron is het Amazon 10K-rapport voor het fiscale jaar eindigend in december 2022, opgehaald met behulp van de Retrive_Kendra Hulpmiddel. Merk op dat, hoewel de vraag vergelijkbaar is met de tweede vraag, deze vraag niet de bedrijfsnaam of het jaarnummer specificeerde. De agent kon echter de juiste bedrijfsnaam en het jaartal gebruiken op basis van de context in het gespreksgeheugen.

Voor de vraag “Wat is de formule voor de nettowinstmargeratio, een soort winstgevendheidsratio?' antwoordt de agent: 'Amazon rapporteerde een totale netto-omzet van $ 514.0 miljard en een nettoverlies van $ 2.7 miljard voor het fiscale jaar 2022. De nettowinstmarge voor Amazon voor het fiscale jaar 2022 is -0.5%.' De bron is Retrieve_Kendra en PythonREPLTool().

Duik dieper in de oplossing

Om dieper in de oplossing en de code in dit bericht te duiken, bekijk de GitHub repo.

In de GitHub-repository kun je een Python-notebook vinden met de end-to-end-oplossing, een AWS CloudFormatie sjabloon voor het inrichten van de infrastructuur, ongestructureerde gegevens (inkomstenrapporten pdf-bestanden, audiobestanden voor inkomstenoproepen) en gestructureerde gegevens (tijdreeksen van aandelen).

In de bijlage aan het einde zijn verschillende vragen van de financieel analist, de hulpprogramma's van agenten en het antwoord van de multimodale agent in tabelvorm weergegeven.

Opruimen

Nadat u de multimodale agent hebt uitgevoerd, moet u ervoor zorgen dat u alle bronnen opruimt die niet worden gebruikt. Sluit en verwijder de gebruikte databases (Athena). Verwijder bovendien de gegevens in Amazon S3 en stop alle SageMaker Studio-notebookinstanties om geen verdere kosten te maken. Verwijder de Lambda-functies en DynamoDB-tabellen als onderdeel van het langetermijngeheugen die niet worden gebruikt. Als u SageMaker JumpStart hebt gebruikt om een ​​LLM te implementeren als een realtime SageMaker-eindpunt, verwijdert u het eindpunt via de SageMaker-console of SageMaker Studio.

Conclusie

Dit bericht demonstreerde het brede scala aan AWS-opslag-, AI/ML- en computerservices die u kunt gebruiken om een ​​geavanceerde multimodale AI-oplossing te bouwen, samen met het LangChain-framework en generatieve AI. Door NLP-, spraakherkenning- en ML-technologieën te integreren, kan de multimodale agent die in dit scenario is ontwikkeld, diverse financiële gegevensmodaliteiten (gestructureerd en ongestructureerd) analyseren en reageren op aanwijzingen in natuurlijke taal (Engels). Dit verhoogt de productiviteit en efficiëntie van financiële analisten, waardoor ze zich kunnen concentreren op hoogwaardig, strategisch werk. Multimodale AI-oplossingen aangedreven door AWS hebben het potentieel om financiële markten te transformeren door repetitieve taken te automatiseren, menselijke capaciteiten te verbeteren en op efficiënte wijze datagestuurde inzichten te genereren. Voor gestructureerde data kan een moderne data-architectuur met meerdere databases worden geïntegreerd met generatieve AI en LLM. Voor meer details, zie De data-ervaring opnieuw uitvinden: gebruik generatieve AI en moderne data-architectuur om inzichten te ontsluiten. Zie ook Amazonebodem voor gebruiksscenario's voor generatieve AI, basismodellen en grote taalmodellen.

Bijlage

De volgende tabel bevat voorbeeldvragen die een financieel analist aan de multimodale agent kan stellen op basis van gestructureerde en ongestructureerde gegevens.

Over de auteurs

Sovik Kumar Nath is een AI/ML-oplossingsarchitect met AWS. Hij heeft uitgebreide ervaring met het ontwerpen van end-to-end oplossingen voor machine learning en bedrijfsanalyse op het gebied van financiën, bedrijfsvoering, marketing, gezondheidszorg, supply chain management en IoT. Sovik heeft artikelen gepubliceerd en heeft een patent op ML-modelbewaking. Hij heeft dubbele masters van de University of South Florida, University of Fribourg, Zwitserland, en een bachelors degree van het Indian Institute of Technology, Kharagpur. Buiten zijn werk houdt Sovik van reizen, veerboottochten maken en films kijken.

Mohan Musti is Senior Technical Account Manager, gevestigd in Dallas. Mohan helpt klanten bij het ontwerpen en optimaliseren van applicaties op AWS. Mohan heeft computerwetenschappen en techniek gestudeerd aan de JNT Universiteit, India. In zijn vrije tijd brengt hij graag tijd door met zijn gezin en gaat hij graag kamperen.

Jia (Vivian) Li is een Senior Solutions Architect in AWS, met specialisatie in AI/ML. Momenteel ondersteunt ze klanten in de financiële sector. Voordat ze in 2022 bij AWS kwam, had ze 7 jaar ervaring met het ondersteunen van zakelijke klanten bij het gebruik van AI/ML in de cloud om bedrijfsresultaten te verbeteren. Vivian heeft een bachelordiploma van de Universiteit van Peking en een doctoraat van de University of Southern California. In haar vrije tijd geniet ze van alle wateractiviteiten en wandelt ze in de prachtige bergen van haar thuisstaat Colorado.

Uchenna Egbe is een AIML Solutions Architect die graag herbruikbare AIML-oplossingen bouwt. Uchenna heeft een MS van de University of Alaska Fairbanks. Hij besteedt zijn vrije tijd aan onderzoek naar kruiden, thee en superfoods, en hoe hij deze in zijn dagelijkse voeding kan opnemen.

Navneet tuteja is dataspecialist bij Amazon Web Services. Voordat hij bij AWS kwam, werkte Navneet als facilitator voor organisaties die hun data-architecturen wilden moderniseren en uitgebreide AI/ML-oplossingen wilden implementeren. Ze heeft een ingenieursdiploma van de Thapar University en een master in statistiek van de Texas A&M University.

Praful Kava is een Sr. Specialist Solutions Architect bij AWS. Hij begeleidt klanten bij het ontwerpen en engineeren van Analytics-pijplijnen op cloudschaal op AWS. Buiten zijn werk houdt hij ervan om met zijn gezin te reizen en nieuwe wandelpaden te verkennen.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://aws.amazon.com/blogs/machine-learning/generative-ai-and-multi-modal-agents-in-aws-the-key-to-unlocking-new-value-in-financial-markets/