Bagaimana Membina Sistem Agentik Multi-Modal Untuk Wawasan Saham?

Sistem agenik multimodal mewakili kemajuan revolusioner dalam bidang kecerdasan buatan, dengan lancar menggabungkan pelbagai jenis data -seperti teks, imej, audio, dan video -ke dalam sistem bersatu yang meningkatkan keupayaan teknologi pintar. Sistem -sistem ini bergantung kepada ejen pintar autonomi yang boleh memproses, menganalisis, dan mensintesis maklumat secara bebas dari pelbagai sumber, memudahkan pemahaman yang lebih mendalam dan lebih nuanced mengenai situasi yang kompleks.

Dengan menggabungkan input multimodal dengan fungsi agentik, sistem ini secara dinamik boleh menyesuaikan diri dalam masa nyata untuk mengubah persekitaran dan interaksi pengguna, yang menawarkan pengalaman yang lebih responsif dan pintar. Gabungan ini bukan sahaja meningkatkan kecekapan operasi di pelbagai industri tetapi juga meningkatkan interaksi manusia-komputer, menjadikannya lebih cair, intuitif, dan sedar secara kontekstual. Akibatnya, rangka kerja aggenik multimodal ditetapkan untuk membentuk semula cara kita berinteraksi dan menggunakan teknologi, memacu inovasi dalam aplikasi yang tidak terkira banyaknya di seluruh sektor.

Objektif Pembelajaran

Manfaat sistem AI agentik dengan analisis imej lanjutan
bagaimana alat penglihatan krew AI meningkatkan keupayaan AI AI?
Gambaran keseluruhan model DeepSeek-R1-Distill-Qwen-7b dan ciri-cirinya
Tutorial Python Tutorial Mengintegrasikan Alat Visi dengan DeepSeek R1
Membina sistem multi-modal, multi-agentic untuk analisis stok
menganalisis dan membandingkan tingkah laku stok menggunakan carta stok
Artikel ini diterbitkan sebagai sebahagian daripada Blogathon Sains Data

Jadual Kandungan Sistem AI Agentik dengan keupayaan analisis imej Membina sistem agenik multi-modal untuk menerangkan tingkah laku stok dari carta stok

Insights

KESIMPULAN
Soalan -soalan yang sering ditanya
• sistem AI AI dengan keupayaan analisis imej
• sistem AI AIS, yang diperkuat dengan keupayaan analisis imej yang canggih, mengubah industri dengan membolehkan fungsi yang sangat diperlukan.
• Pemprosesan data visual serta -merta: Sistem canggih ini mempunyai keupayaan untuk menganalisis jumlah maklumat visual yang besar dalam masa nyata, secara dramatik meningkatkan kecekapan operasi merentasi pelbagai sektor, termasuk penjagaan kesihatan, pembuatan, dan runcit. Pemprosesan pesat ini memudahkan pengambilan keputusan dan tindak balas segera terhadap keadaan dinamik.
• Ketepatan unggul dalam Pengiktirafan Imej: Kadar ketepatan pengiktirafan yang melampaui 95%, agensi AI secara substansial mengurangkan kejadian positif palsu dalam tugas pengiktirafan imej. Tahap ketepatan yang tinggi ini diterjemahkan kepada hasil yang lebih boleh dipercayai dan boleh dipercayai, penting untuk aplikasi di mana ketepatan adalah yang paling utama.
• Pelaksanaan tugas autonomi: Dengan menggabungkan analisis imej dengan lancar ke dalam kerangka operasi mereka, sistem pintar ini dapat secara autonomi melaksanakan tugas -tugas yang rumit, seperti menyediakan diagnosis perubatan atau menjalankan operasi pengawasan, semua tanpa keperluan untuk pengawasan manusia langsung. Automasi ini bukan sahaja menyelaraskan aliran kerja tetapi juga meminimumkan potensi kesilapan manusia, membuka jalan bagi peningkatan produktiviti dan kebolehpercayaan.

Crew AI Vision Tool

Crewai adalah rangka kerja sumber terbuka yang direka untuk mengatur agen AI autonomi ke dalam pasukan yang kohesif, membolehkan mereka menangani tugas-tugas yang kompleks. Di dalam Crewai, setiap ejen diberikan peranan khusus, dilengkapi dengan alat yang ditetapkan, dan didorong oleh matlamat yang jelas, mencerminkan struktur krew kerja dunia sebenar.

Alat penglihatan memperluaskan keupayaan Crewai, membolehkan ejen memproses dan memahami data teks berasaskan imej, dengan itu mengintegrasikan maklumat visual ke dalam proses membuat keputusan mereka. Ejen boleh memanfaatkan alat penglihatan untuk mengekstrak teks dari imej dengan hanya menyediakan URL atau laluan fail, meningkatkan keupayaan mereka untuk mengumpulkan maklumat dari pelbagai sumber. Selepas teks diekstrak, ejen kemudian boleh menggunakan maklumat ini untuk menjana tindak balas yang komprehensif atau laporan terperinci, lebih lanjut mengautomasikan aliran kerja dan meningkatkan kecekapan keseluruhan. Untuk menggunakan alat penglihatan secara berkesan, perlu menetapkan kunci API OpenAI dalam pembolehubah persekitaran, memastikan integrasi lancar dengan model bahasa.

Membina sistem agenik multi-modal untuk menerangkan tingkah laku saham dari carta stok

Kami akan membina sistem agenik yang canggih dan multi-modal yang akan memanfaatkan alat penglihatan dari Crewai yang direka untuk menafsirkan dan menganalisis carta saham (dibentangkan sebagai imej) daripada dua syarikat. Sistem ini kemudian akan memanfaatkan kuasa model DeepSeek-R1-Distill-Qwen-7B untuk memberikan penjelasan terperinci tentang tingkah laku saham syarikat ini, yang menawarkan pandangan yang baik ke dalam prestasi dua syarikat dan membandingkan tingkah laku mereka. Pendekatan ini membolehkan pemahaman yang komprehensif dan perbandingan trend pasaran dengan menggabungkan analisis data visual dengan model bahasa canggih, membolehkan pengambilan keputusan yang bermaklumat.



DeepSeek-R1-Distill-Qwen-7b
Untuk menyesuaikan kebolehan pemikiran maju DeepSeek R1 untuk digunakan dalam model bahasa yang lebih padat, pencipta menyusun dataset sebanyak 800,000 contoh yang dihasilkan oleh DeepSeek R1 sendiri. Contoh-contoh ini kemudiannya digunakan untuk menyempurnakan model sedia ada seperti Qwen dan Llama. Hasilnya menunjukkan bahawa kaedah penyulingan pengetahuan yang agak mudah ini secara berkesan memindahkan keupayaan penalaran R1 yang canggih kepada model -model lain
Model DeepSeek-R1-Distill-Qwen-7b adalah salah satu model Deepseek R1 yang disuling. Ia adalah versi sulingan seni bina DeepSeek-R1 yang lebih besar, yang direka untuk menawarkan kecekapan yang dipertingkatkan sambil mengekalkan prestasi yang mantap. Berikut adalah beberapa ciri utama:
Model cemerlang dalam tugas matematik, mencapai skor yang mengagumkan

92.8% pada penanda aras Math-500, menunjukkan keupayaannya untuk mengendalikan penalaran matematik yang kompleks dengan berkesan. Sebagai tambahan kepada kehebatan matematiknya, DeepSeek-R1-Distill-Qwen-7b melakukan dengan baik pada tugas-tugas yang membantah faktual, pemarkahan

49.1% pada GPQA Diamond,

kami akan memanfaatkan model ini untuk menerangkan dan mencari alasan di sebalik tingkah laku stok syarikat menyiarkan pengekstrakan maklumat dari imej carta saham.

pelaksanaan python tangan menggunakan Ollama di Google Colab

Kami akan menggunakan Ollama untuk menarik model LLM dan menggunakan T4 GPU di Google Colab untuk membina sistem agenik multi-modal ini.

Langkah 1. Pasang perpustakaan yang diperlukan

!pip install crewai crewai_tools
!sudo apt update
!sudo apt install -y pciutils
!pip install langchain-ollama
!curl -fsSL https://ollama.com/install.sh | sh
!pip install ollama==0.4.2

Langkah 2. Pengenaan threading untuk menyiapkan pelayan Ollama

import threading
import subprocess
import time

def run_ollama_serve():
  subprocess.Popen(["ollama", "serve"])

thread = threading.Thread(target=run_ollama_serve)
thread.start()
time.sleep(5)

Langkah 3. Menarik Model Ollama

!ollama pull deepseek-r1

Langkah 4. Mendefinisikan Kunci API Terbuka dan Model LLM

import os
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import LlamaIndexTool
from langchain_openai import ChatOpenAI
from crewai_tools import VisionTool
vision_tool = VisionTool()

os.environ['OPENAI_API_KEY'] =''
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"

llm = LLM(
    
    model="ollama/deepseek-r1",
)

Langkah 5. Menentukan ejen, tugas di krew

def create_crew(image_url,image_url1):

  #Agent For EXTRACTNG INFORMATION FROM STOCK CHART
  stockchartexpert= Agent(
        role="STOCK CHART EXPERT",
        goal="Your goal is to EXTRACT INFORMATION FROM THE TWO GIVEN %s & %s stock charts correctly """%(image_url, image_url1),
        backstory="""You are a STOCK CHART expert""",
        verbose=True,tools=[vision_tool],
        allow_delegation=False

    )

  #Agent For RESEARCH WHY THE STOCK BEHAVED IN A SPECIFIC WAY
  stockmarketexpert= Agent(
        role="STOCK BEHAVIOUR EXPERT",
        goal="""BASED ON THE PREVIOUSLY EXTRACTED INFORMATION ,RESEARCH ABOUT THE RECENT UPDATES OF THE TWO COMPANIES and EXPLAIN AND COMPARE IN SPECIFIC POINTS WHY THE STOCK BEHAVED THIS WAY . """,
        backstory="""You are a STOCK BEHAVIOUR EXPERT""",
        verbose=True,

        allow_delegation=False,llm = llm
         )

  #Task For EXTRACTING INFORMATION FROM A STOCK CHART
  task1 = Task(
      description="""Your goal is to EXTRACT INFORMATION FROM THE GIVEN %s & %s stock chart correctly """%((image_url,image_url1)),
      expected_output="information in text format",
      agent=stockchartexpert,
  )

  #Task For EXPLAINING WITH ENOUGH REASONINGS WHY THE STOCK BEHAVED IN A SPECIFIC WAY
  task2 = Task(
      description="""BASED ON THE PREVIOUSLY EXTRACTED INFORMATION ,RESEARCH ABOUT THE RECENT UPDATES OF THE TWO COMPANIES and EXPLAIN AND COMPARE IN SPECIFIC POINTS WHY THE STOCK BEHAVED THIS WAY.""",
      expected_output="Reasons behind stock behavior in BULLET POINTS",
      agent=stockmarketexpert
  )
 
  #Define the crew based on the defined agents and tasks
  crew = Crew(
      agents=[stockchartexpert,stockmarketexpert],
      tasks=[task1,task2],
      verbose=True,  # You can set it to 1 or 2 to different logging levels
  )

  result = crew.kickoff()
  return result

Langkah 6. Menjalankan Krew

Di bawah dua carta stok diberikan sebagai input kepada krew

text = create_crew("https://www.eqimg.com/images/2024/11182024-chart6-equitymaster.gif","https://www.eqimg.com/images/2024/03262024-chart4-equitymaster.gif")
pprint(text)

output akhir

Seperti yang dilihat dari output akhir, sistem agentik telah memberikan analisis yang baik dan perbandingan tingkah laku harga saham dari carta saham dengan pemikiran yang mencukupi seperti kemunculan ke bandar, dan pengembangan dalam operasi perniagaan di belakang trend kenaikan harga saham zomato.

Satu lagi contoh sistem agenik multi-modal untuk pandangan saham

Mamaearth's stock exhibited volatility during the year due to internal<br> challenges that led to significant price changes. These included unexpected<br> product launches and market controversies which caused both peaks and<br> troughs in the share price, resulting in an overall fluctuating trend.<br><br>On the other hand, Zomato demonstrated a generally upward trend in its share<br> price over the same period. This upward movement can be attributed to<br> expanding business operations, particularly with successful forays into<br> cities like Bengaluru and Pune, enhancing their market presence. However,<br> near the end of 2024, external factors such as a major scandal or regulatory<br> issues might have contributed to a temporary decline in share price despite<br> the overall positive trend.<br><br>In summary, Mamaearth's stock volatility stems from internal inconsistencies<br> and external controversies, while Zomato's upward trajectory is driven by<br> successful market expansion with minor setbacks due to external events.

Mari kita periksa dan bandingkan tingkah laku harga saham dari carta saham untuk dua lagi syarikat - Jubilant Food Works & Bikaji Foods International Ltd. untuk tahun 2024.

output akhir

text = create_crew("https://s3.tradingview.com/p/PuKVGTNm_mid.png","https://images.cnbctv18.com/uploads/2024/12/bikaji-dec12-2024-12-b639f48761fab044197b144a2f9be099.jpg?im=Resize,width=360,aspect=fit,type=normal")
print(text)

Seperti yang dilihat dari output akhir, sistem agentik telah memberikan analisis yang baik dan perbandingan tingkah laku harga saham dari carta saham dengan penjelasan yang rumit mengenai trend yang dilihat seperti prestasi Bikaji yang mampan berbanding dengan corak kenaikan harga makanan yang gembira. KESIMPULAN Kesimpulannya, rangka kerja agenik multimodal menandakan peralihan transformatif dalam AI dengan menggabungkan pelbagai jenis data untuk membuat keputusan masa nyata. Sistem ini meningkatkan kecerdasan adaptif dengan mengintegrasikan analisis imej lanjutan dan keupayaan agensi. Akibatnya, mereka mengoptimumkan kecekapan dan ketepatan di pelbagai sektor. Alat Visi AI Crew dan Model DeepSeek R1 menunjukkan bagaimana rangka kerja tersebut membolehkan aplikasi yang canggih, seperti menganalisis tingkah laku saham. Kemajuan ini menyoroti peranan AI yang semakin meningkat dalam memacu inovasi dan meningkatkan pengambilan keputusan.

Takeaways Key

Rangka Kerja Agentik Multimodal:
1. Kerangka ini mengintegrasikan teks, imej, audio, dan video ke dalam sistem AI bersatu, meningkatkan keupayaan kecerdasan buatan. Ejen pintar dalam sistem ini secara bebas memproses, menganalisis, dan mensintesis maklumat dari pelbagai sumber. Keupayaan ini membolehkan mereka membangunkan pemahaman yang jelas tentang situasi yang kompleks, menjadikan AI lebih mudah disesuaikan dan responsif.
Penyesuaian masa nyata:
2. Dengan menggabungkan input multimodal dengan fungsi agentik, sistem ini menyesuaikan secara dinamik ke persekitaran yang berubah-ubah. Kesesuaian ini membolehkan interaksi pengguna yang lebih responsif dan pintar. Penyepaduan pelbagai jenis data meningkatkan kecekapan operasi di pelbagai sektor, termasuk penjagaan kesihatan, pembuatan, dan runcit. Ia meningkatkan kelajuan dan ketepatan membuat keputusan, yang membawa kepada hasil yang lebih baik
Keupayaan Analisis Imej:
3. Sistem AI AI dengan Pengiktirafan Imej Lanjutan dapat memproses jumlah data visual yang besar dalam masa nyata, memberikan hasil yang tepat untuk aplikasi di mana ketepatan adalah kritikal. Sistem ini secara autonomi melaksanakan tugas -tugas yang rumit, seperti diagnosis perubatan dan pengawasan, mengurangkan kesilapan manusia dan meningkatkan produktiviti.
Alat Vision AI Visi:
4. Alat ini membolehkan ejen autonomi dalam Crewai untuk mengekstrak dan memproses teks dari imej, meningkatkan keupayaan membuat keputusan mereka dan meningkatkan kecekapan aliran kerja keseluruhan. Model DeepSeek-R1-Distill-Qwen-7B: Model sulingan ini memberikan prestasi yang mantap sambil menjadi lebih padat, cemerlang dalam tugas-tugas seperti penalaran matematik dan menjawab soalan faktual, menjadikannya sesuai untuk menganalisis tingkah laku saham.
5. Media yang ditunjukkan dalam artikel ini tidak dimiliki oleh Analytics Vidhya dan digunakan pada budi bicara penulis.

Soalan Lazim

Q1. Apakah rangka kerja aggenik multimodal dalam ai? Ans. Rangka kerja agenik multimodal menggabungkan pelbagai jenis data seperti teks, imej, audio, dan video ke dalam sistem AI bersatu. Integrasi ini membolehkan ejen pintar menganalisis dan memproses pelbagai bentuk data untuk membuat keputusan yang lebih bernuansa dan cekap.

Q2. Apa itu Crew Ai?

Ans. Crew AI adalah rangka kerja sumber terbuka yang direka untuk menyelaraskan agen AI autonomi ke dalam pasukan yang kohesif yang bekerjasama untuk menyelesaikan tugas-tugas yang kompleks. Setiap ejen dalam sistem ini diberikan peranan khusus, dilengkapi dengan alat yang ditetapkan, dan didorong oleh matlamat yang jelas, meniru struktur dan fungsi kru kerja dunia sebenar. Q3. Bagaimanakah alat Vision Vision AI meningkatkan sistem multimodal?

Ans. Alat Visi AI Crew membolehkan ejen mengekstrak dan memproses teks dari imej. Keupayaan ini membolehkan sistem memahami data visual dan mengintegrasikannya ke dalam proses membuat keputusan, meningkatkan kecekapan aliran kerja.

Q4. Industri apa yang boleh mendapat manfaat daripada sistem AIS AI dengan keupayaan analisis imej?

Ans. Sistem ini sangat bermanfaat dalam industri seperti penjagaan kesihatan, pembuatan, dan runcit, di mana analisis masa nyata dan ketepatan dalam pengiktirafan imej adalah penting untuk tugas-tugas seperti diagnosis perubatan dan kawalan kualiti. Apakah model sulingan DeepSeek R1?

Ans. Model sulingan DeepSeek-R1 adalah versi yang lebih kecil dan lebih cekap dari model DeepSeek-R1 yang lebih besar, yang dibuat menggunakan proses yang dipanggil penyulingan, yang mengekalkan banyak kuasa penalaran model asal sambil mengurangkan tuntutan pengiraan. Model-model sulingan ini disesuaikan dengan data yang dihasilkan oleh DeepSeek-R1. Beberapa contoh model sulingan ini ialah DeepSeek-R1-Distill-Qwen-1.5b, DeepSeek-R1-Distill-Qwen-7b, DeepSeek-R1-Distill-Qwen-14b, Deepseek-R1-Distill-Llama-8b antara lain.

Atas ialah kandungan terperinci Bagaimana Membina Sistem Agentik Multi-Modal Untuk Wawasan Saham?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!