അസറ്റ് മാനേജ്‌മെൻ്റിൽ, പോർട്ട്‌ഫോളിയോ മാനേജർമാർ അവരുടെ നിക്ഷേപ പ്രപഞ്ചത്തിലെ കമ്പനികളെ അപകടസാധ്യതകളും അവസരങ്ങളും തിരിച്ചറിയുന്നതിനും നിക്ഷേപ തീരുമാനങ്ങൾ നയിക്കുന്നതിനും സൂക്ഷ്മമായി നിരീക്ഷിക്കേണ്ടതുണ്ട്. വരുമാന റിപ്പോർട്ടുകൾ അല്ലെങ്കിൽ ക്രെഡിറ്റ് തരംതാഴ്ത്തലുകൾ പോലുള്ള നേരിട്ടുള്ള ഇവൻ്റുകൾ ട്രാക്കുചെയ്യുന്നത് നേരായ കാര്യമാണ് - കമ്പനിയുടെ പേരുകൾ അടങ്ങിയ വാർത്തകൾ മാനേജർമാരെ അറിയിക്കുന്നതിന് നിങ്ങൾക്ക് അലേർട്ടുകൾ സജ്ജീകരിക്കാം. എന്നിരുന്നാലും, ഒരു കമ്പനിയുടെ ആവാസവ്യവസ്ഥയിലെ വിതരണക്കാർ, ഉപഭോക്താക്കൾ, പങ്കാളികൾ അല്ലെങ്കിൽ മറ്റ് സ്ഥാപനങ്ങൾ എന്നിവയിൽ നിന്നുള്ള സംഭവങ്ങളിൽ നിന്ന് ഉണ്ടാകുന്ന രണ്ടാമത്തെയും മൂന്നാമത്തെയും ഓർഡറുകൾ കണ്ടെത്തുന്നത് വെല്ലുവിളിയാണ്.

ഉദാഹരണത്തിന്, ഒരു പ്രധാന വെണ്ടറിൽ ഒരു വിതരണ ശൃംഖല തടസ്സപ്പെടുന്നത് ഡൗൺസ്ട്രീം നിർമ്മാതാക്കളെ പ്രതികൂലമായി ബാധിക്കും. അല്ലെങ്കിൽ ഒരു പ്രധാന ഉപഭോക്താവിന് ഒരു പ്രധാന ഉപഭോക്താവിൻ്റെ നഷ്ടം വിതരണക്കാരന് ഡിമാൻഡ് റിസ്ക് ഉണ്ടാക്കുന്നു. മിക്കപ്പോഴും, അത്തരം ഇവൻ്റുകൾ നേരിട്ട് സ്വാധീനം ചെലുത്തുന്ന കമ്പനിയെ ഫീച്ചർ ചെയ്യുന്ന തലക്കെട്ടുകൾ സൃഷ്ടിക്കുന്നതിൽ പരാജയപ്പെടുന്നു, പക്ഷേ ഇപ്പോഴും ശ്രദ്ധിക്കേണ്ടത് പ്രധാനമാണ്. ഈ പോസ്റ്റിൽ, വിജ്ഞാന ഗ്രാഫുകൾ സംയോജിപ്പിച്ച് ഞങ്ങൾ ഒരു ഓട്ടോമേറ്റഡ് സൊല്യൂഷൻ പ്രദർശിപ്പിക്കുന്നു ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (AI) തത്സമയ വാർത്തകൾക്കൊപ്പം ക്രോസ്-റഫറൻസ് റിലേഷൻഷിപ്പ് മാപ്പിലൂടെ അത്തരം അപകടസാധ്യതകൾ ഉയർത്താൻ.

വിശാലമായി, ഇത് രണ്ട് ഘട്ടങ്ങൾ ഉൾക്കൊള്ളുന്നു: ആദ്യം, കമ്പനികൾ (ഉപഭോക്താക്കൾ, വിതരണക്കാർ, ഡയറക്ടർമാർ) തമ്മിലുള്ള സങ്കീർണ്ണമായ ബന്ധങ്ങൾ ഒരു വിജ്ഞാന ഗ്രാഫിലേക്ക് നിർമ്മിക്കുക. രണ്ടാമതായി, വാർത്താ ഇവൻ്റുകളിൽ നിന്നുള്ള രണ്ടാമത്തെയും മൂന്നാമത്തെയും-ഓർഡർ ആഘാതങ്ങൾ കണ്ടെത്തുന്നതിന് ജനറേറ്റീവ് AI-യ്‌ക്കൊപ്പം ഈ ഗ്രാഫ് ഡാറ്റാബേസ് ഉപയോഗിക്കുന്നു. ഉദാഹരണത്തിന്, ഒരു പാർട്സ് വിതരണക്കാരൻ്റെ കാലതാമസം ഒരു പോർട്ട്‌ഫോളിയോയിലെ ഡൗൺസ്ട്രീം ഓട്ടോ നിർമ്മാതാക്കളുടെ ഉൽപ്പാദനത്തെ തടസ്സപ്പെടുത്തിയേക്കാം എന്ന് ഈ പരിഹാരം എടുത്തുകാണിക്കുന്നു, എന്നിരുന്നാലും അവയൊന്നും നേരിട്ട് പരാമർശിച്ചിട്ടില്ല.

AWS ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഈ പരിഹാരം സെർവർലെസ്, സ്കേലബിൾ, പൂർണ്ണമായും ഇവൻ്റ്-ഡ്രൈവ് ആർക്കിടെക്ചറിൽ വിന്യസിക്കാൻ കഴിയും. ഗ്രാഫ് വിജ്ഞാന പ്രാതിനിധ്യത്തിനും സ്വാഭാവിക ഭാഷാ പ്രോസസ്സിംഗിനും അനുയോജ്യമായ രണ്ട് പ്രധാന AWS സേവനങ്ങളിൽ നിർമ്മിച്ച ആശയത്തിൻ്റെ തെളിവ് ഈ പോസ്റ്റ് കാണിക്കുന്നു: ആമസോൺ നെപ്റ്റ്യൂൺ ഒപ്പം ആമസോൺ ബെഡ്റോക്ക്. നെപ്ട്യൂൺ വേഗതയേറിയതും വിശ്വസനീയവും പൂർണ്ണമായി കൈകാര്യം ചെയ്യപ്പെടുന്നതുമായ ഗ്രാഫ് ഡാറ്റാബേസ് സേവനമാണ്, അത് വളരെ ബന്ധിപ്പിച്ച ഡാറ്റാസെറ്റുകൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കുന്നതും പ്രവർത്തിപ്പിക്കുന്നതും ലളിതമാക്കുന്നു. AI21 Labs, Anthropic, Cohere, Meta, Stability AI, Amazon തുടങ്ങിയ മുൻനിര AI കമ്പനികളിൽ നിന്നുള്ള ഉയർന്ന പ്രവർത്തനക്ഷമതയുള്ള ഫൗണ്ടേഷൻ മോഡലുകളുടെ (FM-കൾ) ഒരു API മുഖേന ഒരൊറ്റ API മുഖേന, വിശാലമായ ഒരു സെറ്റിനൊപ്പം തിരഞ്ഞെടുക്കുന്ന ഒരു സമ്പൂർണ്ണ മാനേജ്‌മെൻ്റ് സേവനമാണ് Amazon Bedrock. സുരക്ഷ, സ്വകാര്യത, ഉത്തരവാദിത്ത AI എന്നിവ ഉപയോഗിച്ച് ജനറേറ്റീവ് AI ആപ്ലിക്കേഷനുകൾ നിർമ്മിക്കാനുള്ള കഴിവുകൾ.

മൊത്തത്തിൽ, ഈ പ്രോട്ടോടൈപ്പ് വിജ്ഞാന ഗ്രാഫുകളും ജനറേറ്റീവ് AI-ഉം ഉപയോഗിച്ച് സാധ്യമായ കല പ്രകടമാക്കുന്നു-വ്യത്യസ്ത ഡോട്ടുകൾ ബന്ധിപ്പിച്ച് സിഗ്നലുകൾ ലഭിക്കുന്നു. ശബ്‌ദം ഒഴിവാക്കിക്കൊണ്ട് സിഗ്നലിനോട് ചേർന്നുള്ള സംഭവവികാസങ്ങളുടെ മുകളിൽ തുടരാനുള്ള കഴിവാണ് നിക്ഷേപ പ്രൊഫഷണലുകൾക്കുള്ള ടേക്ക്അവേ.

വിജ്ഞാന ഗ്രാഫ് നിർമ്മിക്കുക

ഈ പരിഹാരത്തിൻ്റെ ആദ്യ പടി ഒരു വിജ്ഞാന ഗ്രാഫ് നിർമ്മിക്കുക എന്നതാണ്, കൂടാതെ വിജ്ഞാന ഗ്രാഫുകൾക്കായുള്ള മൂല്യവത്തായതും എന്നാൽ പലപ്പോഴും അവഗണിക്കപ്പെടുന്നതുമായ ഡാറ്റാ ഉറവിടം കമ്പനി വാർഷിക റിപ്പോർട്ടുകളാണ്. ഔദ്യോഗിക കോർപ്പറേറ്റ് പ്രസിദ്ധീകരണങ്ങൾ റിലീസിന് മുമ്പ് സൂക്ഷ്മപരിശോധനയ്ക്ക് വിധേയമാകുന്നതിനാൽ, അവയിൽ അടങ്ങിയിരിക്കുന്ന വിവരങ്ങൾ കൃത്യവും വിശ്വസനീയവുമായിരിക്കും. എന്നിരുന്നാലും, വാർഷിക റിപ്പോർട്ടുകൾ മെഷീൻ ഉപഭോഗത്തേക്കാൾ മനുഷ്യ വായനയ്ക്കായി ഉദ്ദേശിച്ചുള്ള ഘടനയില്ലാത്ത ഫോർമാറ്റിലാണ് എഴുതിയിരിക്കുന്നത്. അവരുടെ സാധ്യതകൾ അൺലോക്ക് ചെയ്യുന്നതിന്, അവയിൽ അടങ്ങിയിരിക്കുന്ന വസ്‌തുതകളുടെയും ബന്ധങ്ങളുടെയും സമ്പത്ത് വ്യവസ്ഥാപിതമായി വേർതിരിച്ചെടുക്കാനും രൂപപ്പെടുത്താനുമുള്ള ഒരു മാർഗം നിങ്ങൾക്ക് ആവശ്യമാണ്.

ആമസോൺ ബെഡ്‌റോക്ക് പോലെയുള്ള ജനറേറ്റീവ് AI സേവനങ്ങൾ ഉപയോഗിച്ച്, നിങ്ങൾക്ക് ഇപ്പോൾ ഈ പ്രക്രിയ ഓട്ടോമേറ്റ് ചെയ്യാനുള്ള കഴിവുണ്ട്. നിങ്ങൾക്ക് ഒരു വാർഷിക റിപ്പോർട്ട് എടുത്ത് റിപ്പോർട്ട് ഉൾക്കൊള്ളാൻ ഒരു പ്രോസസ്സിംഗ് പൈപ്പ് ലൈൻ പ്രവർത്തനക്ഷമമാക്കാം, അതിനെ ചെറിയ കഷ്ണങ്ങളാക്കി വിഭജിക്കുക, പ്രധാനപ്പെട്ട എൻ്റിറ്റികളും ബന്ധങ്ങളും പുറത്തെടുക്കാൻ സ്വാഭാവിക ഭാഷാ ധാരണ പ്രയോഗിക്കുക.

ഉദാഹരണത്തിന്, “[കമ്പനി എ] അതിൻ്റെ യൂറോപ്യൻ ഇലക്ട്രിക് ഡെലിവറി ഫ്ലീറ്റ് [കമ്പനി ബി] യിൽ നിന്ന് 1,800 ഇലക്ട്രിക് വാനുകൾക്കുള്ള ഓർഡർ നൽകി വിപുലീകരിച്ചു” എന്ന് പ്രസ്താവിക്കുന്ന ഒരു വാചകം ഇനിപ്പറയുന്നവ തിരിച്ചറിയാൻ ആമസോൺ ബെഡ്‌റോക്കിനെ അനുവദിക്കും:

• ഒരു ഉപഭോക്താവെന്ന നിലയിൽ [കമ്പനി എ]
• ഒരു വിതരണക്കാരനായി [കമ്പനി ബി]
• [കമ്പനി എ], [കമ്പനി ബി] എന്നിവ തമ്മിലുള്ള ഒരു വിതരണ ബന്ധം
• "ഇലക്‌ട്രിക് ഡെലിവറി വാനുകളുടെ വിതരണക്കാരൻ്റെ" ബന്ധത്തിൻ്റെ വിശദാംശങ്ങൾ

ഘടനാരഹിതമായ ഡോക്യുമെൻ്റുകളിൽ നിന്ന് അത്തരം ഘടനാപരമായ ഡാറ്റ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യുന്നതിന്, വലിയ ഭാഷാ മോഡലുകൾക്ക് (എൽഎൽഎം) ശ്രദ്ധാപൂർവം തയ്യാറാക്കിയ നിർദ്ദേശങ്ങൾ നൽകേണ്ടതുണ്ട്, അതുവഴി കമ്പനികളും ആളുകളും പോലെയുള്ള എൻ്റിറ്റികളും ഉപഭോക്താക്കൾ, വിതരണക്കാർ എന്നിവരും അതിലേറെയും പോലുള്ള ബന്ധങ്ങൾ പുറത്തെടുക്കാൻ ടെക്‌സ്‌റ്റ് വിശകലനം ചെയ്യാൻ അവർക്ക് കഴിയും. പ്രോംപ്റ്റുകളിൽ എന്താണ് ശ്രദ്ധിക്കേണ്ടതെന്നും ഡാറ്റ തിരികെ നൽകുന്നതിനുള്ള ഘടനയെക്കുറിച്ചും വ്യക്തമായ നിർദ്ദേശങ്ങൾ അടങ്ങിയിരിക്കുന്നു. മുഴുവൻ വാർഷിക റിപ്പോർട്ടിലും ഈ പ്രക്രിയ ആവർത്തിക്കുന്നതിലൂടെ, സമ്പന്നമായ ഒരു വിജ്ഞാന ഗ്രാഫ് നിർമ്മിക്കുന്നതിന് നിങ്ങൾക്ക് പ്രസക്തമായ എൻ്റിറ്റികളും ബന്ധങ്ങളും എക്‌സ്‌ട്രാക്റ്റുചെയ്യാനാകും.

എന്നിരുന്നാലും, എക്‌സ്‌ട്രാക്‌റ്റുചെയ്‌ത വിവരങ്ങൾ വിജ്ഞാന ഗ്രാഫിലേക്ക് സമർപ്പിക്കുന്നതിന് മുമ്പ്, നിങ്ങൾ ആദ്യം എൻ്റിറ്റികളെ അവ്യക്തമാക്കേണ്ടതുണ്ട്. ഉദാഹരണത്തിന്, വിജ്ഞാന ഗ്രാഫിൽ ഇതിനകം തന്നെ മറ്റൊരു '[കമ്പനി എ]' എൻ്റിറ്റി ഉണ്ടായിരിക്കാം, എന്നാൽ അത് അതേ പേരിൽ മറ്റൊരു സ്ഥാപനത്തെ പ്രതിനിധീകരിക്കാം. ആമസോൺ ബെഡ്‌റോക്കിന് ബിസിനസ് ഫോക്കസ് ഏരിയ, വ്യവസായം, വരുമാനം സൃഷ്ടിക്കുന്ന വ്യവസായങ്ങൾ, മറ്റ് സ്ഥാപനങ്ങളുമായുള്ള ബന്ധം എന്നിവ പോലുള്ള ആട്രിബ്യൂട്ടുകൾ താരതമ്യം ചെയ്യാനും രണ്ട് എൻ്റിറ്റികളും യഥാർത്ഥത്തിൽ വ്യത്യസ്തമാണോ എന്ന് നിർണ്ണയിക്കാനും കഴിയും. ഇത് തെറ്റായി ബന്ധമില്ലാത്ത കമ്പനികളെ ഒരൊറ്റ സ്ഥാപനത്തിലേക്ക് ലയിപ്പിക്കുന്നത് തടയുന്നു.

അവ്യക്തത പൂർത്തിയായ ശേഷം, നിങ്ങളുടെ നെപ്ട്യൂൺ നോളജ് ഗ്രാഫിലേക്ക് വിശ്വസനീയമായി പുതിയ എൻ്റിറ്റികളും ബന്ധങ്ങളും ചേർക്കാൻ കഴിയും, വാർഷിക റിപ്പോർട്ടുകളിൽ നിന്ന് വേർതിരിച്ചെടുത്ത വസ്തുതകൾ കൊണ്ട് അതിനെ സമ്പന്നമാക്കും. കാലക്രമേണ, വിശ്വസനീയമായ ഡാറ്റയുടെ ഉൾപ്പെടുത്തലും കൂടുതൽ വിശ്വസനീയമായ ഡാറ്റാ സ്രോതസ്സുകളുടെ സംയോജനവും ഗ്രാഫ് അന്വേഷണങ്ങളിലൂടെയും വിശകലനങ്ങളിലൂടെയും ഉൾക്കാഴ്ചകൾ വെളിപ്പെടുത്തുന്നതിനെ പിന്തുണയ്ക്കാൻ കഴിയുന്ന ഒരു സമഗ്ര വിജ്ഞാന ഗ്രാഫ് നിർമ്മിക്കാൻ സഹായിക്കും.

ജനറേറ്റീവ് AI പ്രാപ്‌തമാക്കിയ ഈ ഓട്ടോമേഷൻ ആയിരക്കണക്കിന് വാർഷിക റിപ്പോർട്ടുകൾ പ്രോസസ്സ് ചെയ്യുന്നത് സാധ്യമാക്കുന്നു, കൂടാതെ വിജ്ഞാന ഗ്രാഫ് ക്യൂറേഷനായി അമൂല്യമായ ഒരു അസറ്റ് അൺലോക്ക് ചെയ്യുന്നു, അത് ഉയർന്ന മാനുവൽ പരിശ്രമം കാരണം ഉപയോഗിക്കപ്പെടാതെ പോകും.

ഇനിപ്പറയുന്ന സ്ക്രീൻഷോട്ട് നെപ്ട്യൂൺ ഗ്രാഫ് ഡാറ്റാബേസിൽ സാധ്യമായ ദൃശ്യ പര്യവേക്ഷണത്തിൻ്റെ ഒരു ഉദാഹരണം കാണിക്കുന്നു ഗ്രാഫ് എക്സ്പ്ലോറർ ഉപകരണം.

വാർത്താ ലേഖനങ്ങൾ പ്രോസസ്സ് ചെയ്യുക

പോർട്ട്‌ഫോളിയോ മാനേജർമാരുടെ വാർത്താ ഫീഡുകൾ സ്വയമേവ സമ്പുഷ്ടമാക്കുകയും അവരുടെ താൽപ്പര്യങ്ങൾക്കും നിക്ഷേപങ്ങൾക്കും പ്രസക്തമായ ലേഖനങ്ങൾ ഹൈലൈറ്റ് ചെയ്യുകയും ചെയ്യുക എന്നതാണ് പരിഹാരത്തിൻ്റെ അടുത്ത ഘട്ടം. വാർത്താ ഫീഡിനായി, പോർട്ട്‌ഫോളിയോ മാനേജർമാർക്ക് ഏത് മൂന്നാം കക്ഷി വാർത്താ ദാതാവിനെയും സബ്‌സ്‌ക്രൈബുചെയ്യാനാകും AWS ഡാറ്റാ എക്സ്ചേഞ്ച് അല്ലെങ്കിൽ അവർ തിരഞ്ഞെടുത്ത മറ്റൊരു വാർത്താ API.

ഒരു വാർത്താ ലേഖനം സിസ്റ്റത്തിൽ പ്രവേശിക്കുമ്പോൾ, ഉള്ളടക്കം പ്രോസസ്സ് ചെയ്യുന്നതിന് ഒരു ഇൻജഷൻ പൈപ്പ്ലൈൻ അഭ്യർത്ഥിക്കുന്നു. വാർഷിക റിപ്പോർട്ടുകളുടെ പ്രോസസ്സിംഗിന് സമാനമായ സാങ്കേതിക വിദ്യകൾ ഉപയോഗിച്ച്, വാർത്താ ലേഖനത്തിൽ നിന്ന് എൻ്റിറ്റികൾ, ആട്രിബ്യൂട്ടുകൾ, ബന്ധങ്ങൾ എന്നിവ വേർതിരിച്ചെടുക്കാൻ ആമസോൺ ബെഡ്‌റോക്ക് ഉപയോഗിക്കുന്നു, അത് വിജ്ഞാന ഗ്രാഫിലെ അനുബന്ധ എൻ്റിറ്റിയെ തിരിച്ചറിയാൻ വിജ്ഞാന ഗ്രാഫിനെതിരെ അവ്യക്തമാക്കാൻ ഉപയോഗിക്കുന്നു.

വിജ്ഞാന ഗ്രാഫിൽ കമ്പനികളും ആളുകളും തമ്മിലുള്ള കണക്ഷനുകൾ അടങ്ങിയിരിക്കുന്നു, കൂടാതെ നിലവിലുള്ള നോഡുകളിലേക്ക് ആർട്ടിക്കിൾ എൻ്റിറ്റികളെ ലിങ്ക് ചെയ്യുന്നതിലൂടെ, ഏതെങ്കിലും വിഷയങ്ങൾ പോർട്ട്‌ഫോളിയോ മാനേജർ നിക്ഷേപിച്ചിട്ടുള്ളതോ താൽപ്പര്യമുള്ളതോ ആയ കമ്പനികളുടെ രണ്ട് ഹോപ്പിനുള്ളിലാണോ എന്ന് നിങ്ങൾക്ക് തിരിച്ചറിയാൻ കഴിയും. അത്തരമൊരു കണക്ഷൻ കണ്ടെത്തുന്നത് സൂചിപ്പിക്കുന്നത് പോർട്ട്‌ഫോളിയോ മാനേജർക്ക് ലേഖനം പ്രസക്തമാകാം, കൂടാതെ അടിസ്ഥാന ഡാറ്റ ഒരു വിജ്ഞാന ഗ്രാഫിൽ പ്രതിനിധീകരിക്കുന്നതിനാൽ, ഈ സന്ദർഭം എന്തുകൊണ്ട്, എങ്ങനെ പ്രസക്തമാണെന്ന് മനസ്സിലാക്കാൻ പോർട്ട്‌ഫോളിയോ മാനേജരെ സഹായിക്കുന്നതിന് ഇത് ദൃശ്യവൽക്കരിക്കാൻ കഴിയും. പോർട്ട്‌ഫോളിയോയിലേക്കുള്ള കണക്ഷനുകൾ തിരിച്ചറിയുന്നതിനു പുറമേ, പരാമർശിച്ചിരിക്കുന്ന എൻ്റിറ്റികളിൽ വികാര വിശകലനം നടത്താൻ നിങ്ങൾക്ക് Amazon Bedrock ഉപയോഗിക്കാനും കഴിയും.

പോർട്ട്‌ഫോളിയോ മാനേജറുടെ താൽപ്പര്യ മേഖലകളെയും നിക്ഷേപങ്ങളെയും സ്വാധീനിക്കാൻ സാധ്യതയുള്ള ലേഖനങ്ങളുടെ സമ്പുഷ്ടമായ വാർത്താ ഫീഡ് ആണ് അന്തിമ ഔട്ട്‌പുട്ട്.

പരിഹാര അവലോകനം

പരിഹാരത്തിൻ്റെ മൊത്തത്തിലുള്ള ആർക്കിടെക്ചർ ഇനിപ്പറയുന്ന ഡയഗ്രം പോലെ കാണപ്പെടുന്നു.

വർക്ക്ഫ്ലോ ഇനിപ്പറയുന്ന ഘട്ടങ്ങൾ ഉൾക്കൊള്ളുന്നു:

1. ഒരു ഉപയോക്താവ് ഔദ്യോഗിക റിപ്പോർട്ടുകൾ അപ്‌ലോഡ് ചെയ്യുന്നു (PDF ഫോർമാറ്റിൽ). ആമസോൺ ലളിതമായ സംഭരണ ​​സേവനം (Amazon S3) ബക്കറ്റ്. നിങ്ങളുടെ വിജ്ഞാന ഗ്രാഫിൽ (വാർത്തകൾക്കും ടാബ്ലോയിഡുകൾക്കും വിരുദ്ധമായി) കൃത്യമല്ലാത്ത ഡാറ്റ ഉൾപ്പെടുത്തുന്നത് കുറയ്ക്കുന്നതിന് റിപ്പോർട്ടുകൾ ഔദ്യോഗികമായി പ്രസിദ്ധീകരിക്കുന്ന റിപ്പോർട്ടുകൾ ആയിരിക്കണം.
2. S3 ഇവൻ്റ് അറിയിപ്പ് ഒരു അഭ്യർത്ഥിക്കുന്നു AWS Lambda ഫംഗ്‌ഷൻ, അത് S3 ബക്കറ്റും ഫയലിൻ്റെ പേരും an-ലേക്ക് അയയ്ക്കുന്നു ആമസോൺ ലളിതമായ ക്യൂ സേവനം (Amazon SQS) ക്യൂ. ഫസ്റ്റ്-ഇൻ-ഫസ്റ്റ്-ഔട്ട് (FIFO) ക്യൂ, നിങ്ങളുടെ വിജ്ഞാന ഗ്രാഫിലേക്ക് ഡ്യൂപ്ലിക്കേറ്റ് ഡാറ്റ അവതരിപ്പിക്കുന്നതിനുള്ള സാധ്യത കുറയ്ക്കുന്നതിന് റിപ്പോർട്ട് ഉൾപ്പെടുത്തൽ പ്രക്രിയ തുടർച്ചയായി നടക്കുന്നുണ്ടെന്ന് ഉറപ്പാക്കുന്നു.
3. An ആമസോൺ ഇവന്റ്ബ്രിഡ്ജ് സമയാധിഷ്‌ഠിത ഇവൻ്റ് ഒരു ഓട്ടം ആരംഭിക്കാൻ ഓരോ മിനിറ്റിലും പ്രവർത്തിക്കുന്നു AWS സ്റ്റെപ്പ് ഫംഗ്ഷനുകൾ സംസ്ഥാന യന്ത്രം അസമന്വിതമായി.
4. പ്രധാന വിവരങ്ങൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്‌ത് നിങ്ങളുടെ വിജ്ഞാന ഗ്രാഫിലേക്ക് തിരുകിക്കൊണ്ട് അപ്‌ലോഡ് ചെയ്‌ത പ്രമാണം പ്രോസസ്സ് ചെയ്യുന്നതിനായി സ്റ്റെപ്പ് ഫംഗ്‌ഷൻസ് സ്റ്റേറ്റ് മെഷീൻ നിരവധി ടാസ്‌ക്കുകളിലൂടെ പ്രവർത്തിക്കുന്നു:
   1. Amazon SQS-ൽ നിന്ന് ക്യൂ സന്ദേശം സ്വീകരിക്കുക.
   2. ആമസോൺ S3-ൽ നിന്ന് PDF റിപ്പോർട്ട് ഫയൽ ഡൗൺലോഡ് ചെയ്യുക, പ്രോസസ്സിംഗിനായി അതിനെ ഒന്നിലധികം ചെറിയ ടെക്‌സ്‌റ്റ് ഭാഗങ്ങളായി (ഏകദേശം 1,000 വാക്കുകൾ) വിഭജിക്കുക, തുടർന്ന് ടെക്‌സ്‌റ്റ് ഭാഗങ്ങൾ സംഭരിക്കുക ആമസോൺ ഡൈനാമോഡിബി.
   3. പ്രസക്തമായ ആട്രിബ്യൂട്ടുകൾക്കൊപ്പം (ഇൻഡസ്ട്രി പോലുള്ളവ) റിപ്പോർട്ട് പരാമർശിക്കുന്ന പ്രധാന എൻ്റിറ്റിയെ നിർണ്ണയിക്കാൻ ആദ്യത്തെ കുറച്ച് ടെക്സ്റ്റ് ചങ്കുകൾ പ്രോസസ്സ് ചെയ്യുന്നതിന് Amazon Bedrock-ൽ Anthropic's Claude v3 Sonnet ഉപയോഗിക്കുക.
   4. DynamoDB-യിൽ നിന്ന് ടെക്‌സ്‌റ്റ് ചങ്കുകൾ വീണ്ടെടുക്കുക, ഓരോ ടെക്‌സ്‌റ്റ് ചങ്കിനും, ആമസോൺ ബെഡ്‌റോക്ക് ഉപയോഗിക്കുന്ന പ്രധാന സ്ഥാപനവുമായുള്ള എൻ്റിറ്റികളും (കമ്പനി അല്ലെങ്കിൽ വ്യക്തി പോലുള്ളവ), അതിൻ്റെ ബന്ധവും (ഉപഭോക്താവ്, വിതരണക്കാരൻ, പങ്കാളി, എതിരാളി അല്ലെങ്കിൽ ഡയറക്ടർ) എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാൻ ഒരു ലാംഡ ഫംഗ്‌ഷൻ ആവശ്യപ്പെടുക. .
   5. വേർതിരിച്ചെടുത്ത എല്ലാ വിവരങ്ങളും ഏകീകരിക്കുക.
   6. ആമസോൺ ബെഡ്‌റോക്ക് ഉപയോഗിച്ച് ശബ്ദവും അപ്രസക്തമായ എൻ്റിറ്റികളും (ഉദാഹരണത്തിന്, “ഉപഭോക്താക്കൾ” പോലുള്ള പൊതുവായ പദങ്ങൾ) ഫിൽട്ടർ ചെയ്യുക.
   7. വിജ്ഞാന ഗ്രാഫിൽ നിന്നുള്ള സമാന എൻ്റിറ്റികളുടെ ലിസ്‌റ്റിൽ നിന്ന് വേർതിരിച്ചെടുത്ത വിവരങ്ങൾ ഉപയോഗിച്ച് ന്യായവാദം ചെയ്‌ത് അവ്യക്തത വരുത്താൻ Amazon Bedrock ഉപയോഗിക്കുക. എൻ്റിറ്റി നിലവിലില്ലെങ്കിൽ, അത് തിരുകുക. അല്ലെങ്കിൽ, വിജ്ഞാന ഗ്രാഫിൽ ഇതിനകം നിലവിലുള്ള എൻ്റിറ്റി ഉപയോഗിക്കുക. വേർതിരിച്ചെടുത്ത എല്ലാ ബന്ധങ്ങളും ചേർക്കുക.
   8. SQS ക്യൂ സന്ദേശവും S3 ഫയലും ഇല്ലാതാക്കി വൃത്തിയാക്കുക.
5. എൻ്റിറ്റി, വികാരം, കണക്ഷൻ പാത്ത് വിവരങ്ങൾ എന്നിവയ്‌ക്കൊപ്പം അനുബന്ധമായ വാർത്താ ലേഖനങ്ങൾ കാണുന്നതിന് ഒരു ഉപയോക്താവ് ഒരു പ്രതികരണ-അടിസ്ഥാന വെബ് ആപ്ലിക്കേഷൻ ആക്‌സസ് ചെയ്യുന്നു.
6. വെബ് ആപ്ലിക്കേഷൻ ഉപയോഗിച്ച്, മോണിറ്റർ ചെയ്യാനുള്ള കണക്ഷൻ പാതയിലെ ഹോപ്പുകളുടെ എണ്ണം (സ്ഥിര N=2) ഉപയോക്താവ് വ്യക്തമാക്കുന്നു.
7. വെബ് ആപ്ലിക്കേഷൻ ഉപയോഗിച്ച്, ട്രാക്ക് ചെയ്യേണ്ട എൻ്റിറ്റികളുടെ ലിസ്റ്റ് ഉപയോക്താവ് വ്യക്തമാക്കുന്നു.
8. സാങ്കൽപ്പിക വാർത്തകൾ സൃഷ്ടിക്കാൻ, ഉപയോക്താവ് തിരഞ്ഞെടുക്കുന്നു സാമ്പിൾ വാർത്തകൾ സൃഷ്ടിക്കുക ക്രമരഹിതമായ ഉള്ളടക്കമുള്ള 10 സാമ്പിൾ സാമ്പത്തിക വാർത്താ ലേഖനങ്ങൾ സൃഷ്ടിക്കുന്നതിന്, വാർത്താ ഉൾപ്പെടുത്തൽ പ്രക്രിയയിൽ ഉൾപ്പെടുത്തണം. ആമസോൺ ബെഡ്‌റോക്ക് ഉപയോഗിച്ചാണ് ഉള്ളടക്കം സൃഷ്‌ടിച്ചത്, ഇത് തികച്ചും സാങ്കൽപ്പികമാണ്.
9. യഥാർത്ഥ വാർത്തകൾ ഡൗൺലോഡ് ചെയ്യാൻ, ഉപയോക്താവ് തിരഞ്ഞെടുക്കുന്നു ഏറ്റവും പുതിയ വാർത്തകൾ ഡൗൺലോഡ് ചെയ്യുക ഇന്ന് നടക്കുന്ന പ്രധാന വാർത്തകൾ ഡൗൺലോഡ് ചെയ്യാൻ (NewsAPI.org നൽകുന്നതാണ്).
10. വാർത്താ ഫയൽ (TXT ഫോർമാറ്റ്) ഒരു S3 ബക്കറ്റിലേക്ക് അപ്‌ലോഡ് ചെയ്‌തു. ഘട്ടങ്ങൾ 8 ഉം 9 ഉം S3 ബക്കറ്റിലേക്ക് വാർത്തകൾ സ്വയമേവ അപ്‌ലോഡ് ചെയ്യുക, എന്നാൽ S3 ബക്കറ്റിലേക്ക് വാർത്താ ലേഖനങ്ങൾ ഫയലുകളായി ഡ്രോപ്പ് ചെയ്യുന്നതിന് AWS ഡാറ്റാ എക്‌സ്‌ചേഞ്ച് അല്ലെങ്കിൽ ഏതെങ്കിലും മൂന്നാം കക്ഷി വാർത്താ ദാതാവ് പോലെയുള്ള നിങ്ങളുടെ ഇഷ്‌ടമുള്ള വാർത്താ ദാതാവുമായി നിങ്ങൾക്ക് സംയോജനം നിർമ്മിക്കാനും കഴിയും. വാർത്താ ഡാറ്റ ഫയൽ ഉള്ളടക്കം ഫോർമാറ്റ് ചെയ്യണം <date>{dd mmm yyyy}</date><title>{title}</title><text>{news content}</text>.
11. S3 ഇവൻ്റ് അറിയിപ്പ് S3 ബക്കറ്റ് അല്ലെങ്കിൽ ഫയൽ നാമം Amazon SQS (സ്റ്റാൻഡേർഡ്) ലേക്ക് അയയ്‌ക്കുന്നു, ഇത് വാർത്താ ഡാറ്റ സമാന്തരമായി പ്രോസസ്സ് ചെയ്യുന്നതിന് ഒന്നിലധികം ലാംഡ ഫംഗ്ഷനുകൾ ആവശ്യപ്പെടുന്നു:
    1. പരാമർശിച്ചിരിക്കുന്ന സ്ഥാപനത്തിൻ്റെ ഏതെങ്കിലും ബന്ധപ്പെട്ട വിവരങ്ങൾ, ബന്ധങ്ങൾ, വികാരങ്ങൾ എന്നിവയ്‌ക്കൊപ്പം വാർത്തയിൽ പരാമർശിച്ചിരിക്കുന്ന എൻ്റിറ്റികൾ എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യാൻ Amazon Bedrock ഉപയോഗിക്കുക.
    2. വിജ്ഞാന ഗ്രാഫിൽ നിന്ന് പരിശോധിച്ച്, വാർത്തകളിൽ നിന്നും വിജ്ഞാന ഗ്രാഫിനുള്ളിൽ നിന്നും ലഭ്യമായ വിവരങ്ങൾ ഉപയോഗിച്ച് ന്യായവാദം നടത്തി വ്യവഹാരം നടത്താൻ Amazon Bedrock ഉപയോഗിക്കുക.
    3. എൻ്റിറ്റി കണ്ടെത്തിയതിന് ശേഷം, അടയാളപ്പെടുത്തിയിരിക്കുന്ന എൻ്റിറ്റികളുമായി ബന്ധിപ്പിക്കുന്ന ഏതെങ്കിലും കണക്ഷൻ പാതകൾ തിരയുകയും തിരികെ നൽകുകയും ചെയ്യുക INTERESTED=YES N=2 ഹോപ്‌സ് അകലെയുള്ള വിജ്ഞാന ഗ്രാഫിൽ.
12. വെബ് ആപ്ലിക്കേഷനിൽ പ്രദർശിപ്പിക്കുന്നതിന് പ്രോസസ്സ് ചെയ്ത വാർത്തകളുടെ ഏറ്റവും പുതിയ സെറ്റ് പുറത്തെടുക്കാൻ ഓരോ സെക്കൻഡിലും വെബ് ആപ്ലിക്കേഷൻ സ്വയമേവ പുതുക്കുന്നു.

പ്രോട്ടോടൈപ്പ് വിന്യസിക്കുക

നിങ്ങൾക്ക് പ്രോട്ടോടൈപ്പ് പരിഹാരം വിന്യസിക്കാനും സ്വയം പരീക്ഷണം ആരംഭിക്കാനും കഴിയും. എന്നതിൽ നിന്ന് പ്രോട്ടോടൈപ്പ് ലഭ്യമാണ് സാമൂഹികം കൂടാതെ ഇനിപ്പറയുന്നവയെക്കുറിച്ചുള്ള വിശദാംശങ്ങൾ ഉൾപ്പെടുന്നു:

• വിന്യാസ മുൻവ്യവസ്ഥകൾ
• വിന്യാസ നടപടികൾ
• വൃത്തിയാക്കൽ ഘട്ടങ്ങൾ

ചുരുക്കം

അവർ ട്രാക്ക് ചെയ്യുന്ന കമ്പനികളെ നേരിട്ട് പരാമർശിക്കാതെ, വാർത്താ ഇവൻ്റുകളിൽ നിന്നുള്ള രണ്ടാമത്തെയും മൂന്നാമത്തെയും ഓർഡർ അപകടസാധ്യതകൾ കണ്ടെത്താൻ പോർട്ട്‌ഫോളിയോ മാനേജർമാരെ സഹായിക്കുന്നതിന് ഈ പോസ്റ്റ് കൺസെപ്റ്റ് സൊല്യൂഷൻ്റെ ഒരു തെളിവ് പ്രദർശിപ്പിച്ചു. ജനറേറ്റീവ് AI ഉപയോഗിച്ച് തത്സമയ വാർത്താ വിശകലനവുമായി സങ്കീർണ്ണമായ കമ്പനി ബന്ധങ്ങളുടെ ഒരു നോളജ് ഗ്രാഫ് സംയോജിപ്പിക്കുന്നതിലൂടെ, വിതരണക്കാരുടെ തടസ്സങ്ങളിൽ നിന്നുള്ള ഉൽപ്പാദന കാലതാമസം പോലുള്ള ഡൗൺസ്ട്രീം ആഘാതങ്ങൾ ഹൈലൈറ്റ് ചെയ്യാൻ കഴിയും.

ഇതൊരു പ്രോട്ടോടൈപ്പ് മാത്രമാണെങ്കിലും, ഡോട്ടുകൾ ബന്ധിപ്പിക്കുന്നതിനും ശബ്ദത്തിൽ നിന്ന് സിഗ്നലുകൾ നേടുന്നതിനുമുള്ള വിജ്ഞാന ഗ്രാഫുകളുടെയും ഭാഷാ മോഡലുകളുടെയും വാഗ്ദാനം ഈ പരിഹാരം കാണിക്കുന്നു. റിലേഷൻഷിപ്പ് മാപ്പിംഗിലൂടെയും ന്യായവാദത്തിലൂടെയും അപകടസാധ്യതകൾ വേഗത്തിൽ വെളിപ്പെടുത്തി നിക്ഷേപ പ്രൊഫഷണലുകളെ ഈ സാങ്കേതികവിദ്യകൾക്ക് സഹായിക്കാനാകും. മൊത്തത്തിൽ, ഇത് ഗ്രാഫ് ഡാറ്റാബേസുകളുടെയും AIയുടെയും വാഗ്ദാനമായ ആപ്ലിക്കേഷനാണ്, ഇത് നിക്ഷേപ വിശകലനവും തീരുമാനമെടുക്കലും വർദ്ധിപ്പിക്കുന്നതിന് പര്യവേക്ഷണം ആവശ്യമാണ്.

സാമ്പത്തിക സേവനങ്ങളിലെ ജനറേറ്റീവ് AI യുടെ ഈ ഉദാഹരണം നിങ്ങളുടെ ബിസിനസ്സിന് താൽപ്പര്യമുണ്ടെങ്കിൽ, അല്ലെങ്കിൽ നിങ്ങൾക്ക് സമാനമായ ആശയം ഉണ്ടെങ്കിൽ, നിങ്ങളുടെ AWS അക്കൗണ്ട് മാനേജരെ സമീപിക്കുക, നിങ്ങളോടൊപ്പം കൂടുതൽ പര്യവേക്ഷണം ചെയ്യുന്നതിൽ ഞങ്ങൾക്ക് സന്തോഷമുണ്ട്.

---

എഴുത്തുകാരനെ കുറിച്ച്

സാൻ ഹുവാങ് AWS ഉള്ള ഒരു സീനിയർ സൊല്യൂഷൻ ആർക്കിടെക്റ്റാണ്, സിംഗപ്പൂർ ആസ്ഥാനമാക്കി. ക്ലൗഡിൽ സുരക്ഷിതവും അളക്കാവുന്നതും ഉയർന്ന തോതിൽ ലഭ്യമായതുമായ സൊല്യൂഷനുകൾ രൂപകൽപ്പന ചെയ്യുന്നതിനും നിർമ്മിക്കുന്നതിനുമായി അദ്ദേഹം പ്രധാന ധനകാര്യ സ്ഥാപനങ്ങളുമായി പ്രവർത്തിക്കുന്നു. ജോലിക്ക് പുറത്ത്, സാൻ തൻ്റെ ഒഴിവുസമയങ്ങളിൽ ഭൂരിഭാഗവും കുടുംബത്തോടൊപ്പം ചെലവഴിക്കുകയും 3 വയസ്സുള്ള തൻ്റെ മകളെ ചുറ്റിപ്പറ്റിയാണ്. നിങ്ങൾക്ക് Xan-ൽ കണ്ടെത്താം ലിങ്ക്ഡ്.

• SEO പവർ ചെയ്ത ഉള്ളടക്കവും PR വിതരണവും. ഇന്ന് ആംപ്ലിഫൈഡ് നേടുക.
• PlatoData.Network ലംബ ജനറേറ്റീവ് Ai. സ്വയം ശാക്തീകരിക്കുക. ഇവിടെ പ്രവേശിക്കുക.
• PlatoAiStream. Web3 ഇന്റലിജൻസ്. വിജ്ഞാനം വർധിപ്പിച്ചു. ഇവിടെ പ്രവേശിക്കുക.
• പ്ലേറ്റോഇഎസ്ജി. കാർബൺ, ക്ലീൻ ടെക്, ഊർജ്ജം, പരിസ്ഥിതി, സോളാർ, മാലിന്യ സംസ്കരണം. ഇവിടെ പ്രവേശിക്കുക.
• പ്ലേറ്റോ ഹെൽത്ത്. ബയോടെക് ആൻഡ് ക്ലിനിക്കൽ ട്രയൽസ് ഇന്റലിജൻസ്. ഇവിടെ പ്രവേശിക്കുക.
• അവലംബം: https://aws.amazon.com/blogs/machine-learning/uncover-hidden-connections-in-unstructured-financial-data-with-amazon-bedrock-and-amazon-neptune/