استفاده از الگوهای طراحی Genai برای ساختن یک برنامه تجزیه و تحلیل مالی نسل بعدی

AI تولید کننده (Genai) با ایجاد دستگاه ها برای ایجاد محتوای مانند انسان در متن ، تصاویر و فراتر از آن ، صنایع را تغییر می دهد. این فناوری انقلابی نه تنها از برنامه های نوآورانه در زمینه های خلاق استفاده می کند بلکه باعث می شود تا به دامنه هایی مانند امور مالی ، مراقبت های بهداشتی و خدمات به مشتری نیز دسترسی پیدا کند. با استفاده از Genai ، سازمان ها می توانند مدلهای پیشرفته ای را ایجاد کنند که خروجی های غنی از متن را ایجاد می کنند ، روش های بازیابی داده های سنتی را تقویت می کنند و بینش های شخصی را ارائه می دهند ، و اساساً نحوه تعامل ما با اطلاعات و تصمیم گیری را تغییر می دهند.

تکیه بر مجموعه داده های عادی یا ضعیف برای آموزش LLMS خطرات قابل توجهی را به همراه دارد. بدون پایه محکم از داده های دقیق و نماینده ، این مدل ها ممکن است خروجی هایی تولید کنند که هم در واقع نادرست و هم گمراه کننده هستند – پدیده ای که به عنوان توهم شناخته می شود. توهم هنگامی اتفاق می افتد که مدل جزئیات را اختراع می کند یا با اطمینان اطلاعات نادرست را که در داده های آموزشی آن پایه گذاری نشده است ، ارائه می دهد. چنین نادرستی می تواند تصمیم گیری ضعیف را به ویژه در زمینه های پرخاشگر مانند امور مالی ، مراقبت های بهداشتی یا خدمات حقوقی انجام دهد ، جایی که دقت و اعتماد بسیار مهم است. بنابراین ، حفظ یکپارچگی مجموعه داده ها برای کاهش این خطرات و ایجاد سیستم های AI قابل اعتماد ضروری است.

کاهش خطرات با الگوهای Genai: برای جلوگیری از توهم و اطمینان از خروجی های قابل اعتماد ، از تعبیه ، پارچه و تغییر پرس و جو استفاده می شود

کاهش خطرات در سیستم های Genai با استفاده از الگوهای طراحی کلیدی که به چالش های ذاتی آموزش در مورد داده های غیرقابل اعتماد می پردازد ، قابل دستیابی است. با استفاده از نسل، متن مالی خام به بازنمایی های بردار معنی دار تبدیل می شود و اطمینان می دهد که تفاوت های معنایی داده ها به طور دقیق ضبط می شوند. به طور موازی ، بازیابی نسل افزوده (RAG) غنی سازی LLM با زمینه بازیابی شده از یک فروشگاه بردار ، از این طریق شکاف در پایگاه های دانش استاتیک و کاهش احتمال توهم را نشان می دهد. علاوه بر این ، تحول پرس و جوهای کاربر را برای هماهنگی یکپارچه با تعبیه های سند اساسی اصلاح می کند و بازیابی اطلاعات مربوطه را تقویت می کند. با هم ، این الگوهای به طور هم افزایی برای جلوگیری از تولید خروجی های گمراه کننده و اطمینان از تحویل پاسخهای قابل اعتماد و آگاهانه کار می کنند.

تعبیه: از داده های خام گرفته تا بردارهای معنی دار

یکی از الگوهای بنیادی مورد بحث فاولر استفاده از تعبیه ها است. وی در مقاله خود توضیح می دهد که تعبیه ها بلوک های داده بزرگی (اعم از متن یا تصاویر) را به بردارهای عددی در یک فضای با ابعاد بالا تبدیل می کنند تا مواردی با معنای معنایی مشابه در نزدیکی یکدیگر قرار بگیرند. در کاربرد ما ، این مفهوم برای فعال کردن جستجوی شباهت در اسناد مالی و اخبار بسیار مهم است.

اجرای تعبیه شده با Springai

نشانه سازی و تقسیم
روش SaveVectordB با استفاده از یک tokentextsplitter برای تجزیه لیستی از رشته های محتوا به تکه های کوچکتر آغاز می شود و هر یک را به یک نمونه سند تبدیل می کند:

List documentList = textSplitter.apply(   contentList.stream().map(Document::new).collect(Collectors.toList());

این با ایده جمع کردن اسناد بزرگ به قطعات قابل کنترل – یک روش معمول برای حفظ جزئیات متنی در تعبیه ها مطابقت دارد.

نسل

برای هر سند ، روش فراخوانی می کند:

embeddingModel.embed(document);

این دعوت متن سند را به یک بردار تعبیه تبدیل می کند. وکتور سپس برای جستجوی شباهت بعدی در فروشگاه وکتور ذخیره می شود. این مرحله نشان دهنده هدف اصلی تعبیه در معماری Genai ما است.

انجمن ابرداده

فراتر از تولید تعبیه ، این روش به ابرداده های اضافی متصل می شود:

document.getMetadata().put("metadata", metadata);

این قسمت به جای ذخیره مجدد تعبیه در ابرداده ، برای ذخیره اطلاعات کمکی (مانند نوع سند یا زمان بندی نمایه سازی) که می تواند برای فیلتر یا نمایش نتایج بعداً استفاده شود ، استفاده می شود. بحث فاولر در مورد ساختار دانش دانش بر اهمیت جداسازی داده ها (تعبیه) از اطلاعات متنی (ابرداده) تأکید می کند.

بازیابی نسل افزوده (RAG): غنی سازی با زمینه مربوطه

مقاله مارتین فاولر RAG را راهی برای غلبه بر محدودیت های LLM ها با تقویت درخواست های کاربر با قطعات مربوط به اسناد مربوطه که از یک پایگاه دانش خارجی بازیابی می شود ، توصیف می کند. این رویکرد به LLM کمک می کند تا پاسخ هایی را که در واقع مبتنی و متناسب هستند ، تولید کند.

اجرای پارچه با Springai

ایجاد یک درخواست توصیه شده

روش retrieverelevantdocument با استفاده از پرس و جو کاربر و یک مدل چت پیکربندی شده ، یک توصیه شده را ایجاد می کند:

AdvisedRequest request = AdvisedRequest.builder()
        .chatModel(chatModel)
        .userText(query)
        .build();

این درخواست به عنوان ورودی برای روند تقویت بازیابی عمل می کند.

با استفاده از RetrievalAugmentationAdisor

درخواست سپس به مشاور منتقل می شود:

AdvisedRequest advisedRequest = retrievalAugmentationAdvisor.before(request);

در زیر کاپوت ، این مشاور مجموعه ای از عملیات را تنظیم می کند:

مشاور از یک بازنویسی بازنویسی (ایجاد شده در روش خصوصی CreatequeryTransformers ()) برای اصلاح یا استفاده مجدد پرس و جو استفاده می کند. این تحول برای غلبه بر مشکل “پرس و جو کاربر مینیمالیستی” که توسط فاولر مورد بحث قرار گرفته است ، بسیار مهم است.

یک VectorStoredocumentRetriever (ساخته شده در CreateOcumentRetriever ()) با استفاده از تعبیه پرس و جو تصفیه شده ، فروشگاه بردار را جستجو می کند. این یک آستانه شباهت (تنظیم شده در 0.65 در اجرای ما) است و تعداد اسناد بازیابی شده را به 5 نفر برتر محدود می کند.

سرانجام ، یک ContextualQueryAugmenter (از CreatequeryAugmenter ()) پرس و جو اصلی را با زمینه بازیابی شده از فروشگاه بردار تکمیل می کند. در اجرای ما ، Augmenter با AllowEmpTyContext (درست) پیکربندی شده است ، به این معنی که حتی اگر هیچ اسناد به اندازه کافی مشابه تلقی نشود ، پرس و جو اصلی به جای اینکه توسط یک پیام برگشتی نادیده گرفته شود ، حفظ می شود.

• استخراج اسناد بازیابی شده:

بعد از اینکه مشاور درخواست را پردازش کرد ، این روش اسناد بازیابی شده را از متن استخراج می کند:

Object contextValue = advisedRequest.adviseContext().get(RetrievalAugmentationAdvisor.DOCUMENT_CONTEXT);
if (contextValue instanceof List> documents) {
    return (List) documents;
}
return List.of();

این مرحله آخر به طور مستقیم الگوی RAG را پیاده سازی می کند: غنی سازی پرس و جو با زمینه بازیابی شده قبل از انتقال آن به LLM برای تولید پاسخ.

Retriever هیبریدی و تحول پرس و جو: افزایش کارآیی جستجو

بحث Fowler در مورد الگوی Retriever Hybrid تأکید می کند که در حالی که تعبیه های متراکم قدرتمند هستند ، می توان آنها را با کلمات کلیدی سنتی یا جستجوهای BM25 برای غلبه بر محدودیت های آنها تکمیل کرد. اگرچه اجرای ما در AifinancialRepository در حال حاضر بر بازیابی مبتنی بر بردار متمرکز است ، ادغام یک ترانسفورماتور پرس و جو از ترکیب استراتژی های بازیابی متعدد قدردانی می کند.

ترانسفورماتور

روش خصوصی createquerytransformers () با استفاده از یک چتکلیک یک بازنویسی بازنویسی می کند. این ترانسفورماتور نمایش داده های کاربر را تطبیق می دهد تا بهتر با بازنمایی اسناد موجود در فروشگاه بردار مطابقت داشته باشد:

private QueryTransformer createQueryTransformers() {
    ChatClient chatClient = ChatClient.builder(chatModel).build();
    return RewriteQueryTransformer.builder()
            .chatClientBuilder(chatClient.mutate())
            .build();
}

این سیستم با بازنویسی پرس و جو ، به ابهامات می پردازد و ورودی جستجو را اصلاح می کند و شانس بازیابی اسناد مربوطه را افزایش می دهد.

مستندتر بردار

این روش ایجاد شده است که یک رکوردور سندی را ایجاد می کند که فروشگاه بردار را با استفاده از آستانه های شباهت جستجو می کند:

private VectorStoreDocumentRetriever createDocumentRetriever() {
    return VectorStoreDocumentRetriever.builder()
            .vectorStore(vectorStore)
            .similarityThreshold(0.65)
            .topK(5)
            .build();
}

این مؤلفه هسته اصلی استراتژی بازیابی ترکیبی را با اطمینان از بازگرداندن تنها قطعات شبیه به اسناد مشابه ، پیاده سازی می کند.

در سفر ما برای توسعه یک تحلیلگر مالی قوی هوش مصنوعی ، ما با دو پیاده سازی مجزا آزمایش کردیم که از مدل های مختلف AI تولید کننده و الگوریتم های تعبیه شده استفاده می کنند. در این بخش این دو رویکرد با توجه به الگوهای Genai مارتین فاولر و اهداف معماری ما مقایسه شده است.

نسخه 1: GPT4O Openai با متن-ام تعبیه-ADA-002

نسخه اول برنامه ما در اطراف ساخته شده است اوپای gpt4o مدل-یک مدل زبان بزرگ با هدف کلی که برای طیف گسترده ای از کارهای زبان طبیعی طراحی شده است. GPT4O در تولید پاسخهای منسجم و غنی از نظر متنی در حوزه های مختلف برتری دارد. قدرت آن در تطبیق پذیری آن و توانایی رسیدگی به سؤالات متنوع نهفته است ، و آن را به عنوان کاندیدای قوی برای برنامه های مشتری مداری که دانش و سازگاری گسترده در آن بسیار مهم است ، قرار می دهد.

برای تکمیل GPT4O ، ما Openai را استخدام کردیم Text-Emberding-ADA-002 الگوریتم برای تولید تعبیه. این الگوریتم متن مالی خام را به بردارهای متراکم و با ابعاد بالا تبدیل می کند که معنای معنایی را به خود جلب می کنند. Text-Emberding-ADA-002 به دلیل راندمان هزینه ، عملکرد قوی و کاربرد عمومی در کارهایی مانند جستجوی شباهت ، خوشه بندی و مقایسه معنایی شناخته شده است. با این حال ، در حالی که در تولید تعبیه برای بازیابی با هدف عمومی بسیار تحسین برانگیز است ، طراحی آن به صراحت برای استدلال های عمیق یا تفاوت های خاص دامنه بهینه نشده است.

نسخه 2: Deepseek R1 با متن نامگذاری شده در Ollama

دومین حرکت با استفاده از یک راه حل محلی میزبانی شده با استفاده از Deepseek R1 مدلی متناسب با قابلیت های استدلال پیشرفته. Deepseek R1 در حال اجرا بر روی سکوی Ollama ، برای سناریوهایی انتخاب شد که استدلال دقیق و خاص دامنه از جمله تجزیه و تحلیل مالی دقیق است. بر خلاف GPT4O با هدف عمومی تر ، Deepseek R1 است با ریز تنظیم شده برای پردازش نمایش داده های پیچیده و ارائه پاسخ های استدلال که از نزدیک با الزامات پیچیده تجزیه و تحلیل مالی مطابقت دارد.

برای تعبیه تولید در این نسخه ، ما از متن نامگذاری شده الگوریتم این الگوریتم تعبیه شده برای تکمیل نقاط قوت استدلال Deepseek R1 ، با تمرکز بر استخراج روابط ظریف در متون مالی طراحی شده است. در حالی که Text-Embending-ADA-002 بازنمایی معنایی گسترده ای را ارائه می دهد ، متن نامگذاری شده برای سناریوهایی که استدلال متنی ضروری است بهینه می شود ، و اطمینان می دهد که تعبیه های حاصل ، جزئیات معنایی ظریف را برای تصمیم گیری آگاهانه حفظ می کنند.

• کلیت در مقابل تخصص

GPT4O یک مدل با هدف کلی است که برای طیف گسترده ای از کارها مناسب است و آن را برای برنامه های مختلف متنوع می کند. در مقابل ، Deepseek R1 برای استدلال تخصص دارد و عملکرد پیشرفته ای را در سناریوهایی ارائه می دهد که نیاز به سطح بالاتری از عمق تحلیلی دارند.

Text-Embedding-ADA-002 تعبیه های قوی و مقرون به صرفه را فراهم می کند که برای کارهای شباهت معنایی عمومی به خوبی کار می کنند. از طرف دیگر ، متن نامگذاری شده نامگذاری شده برای پشتیبانی از توانایی های استدلال Deepseek R1 ، به طور بالقوه بازنمودهای غنی تری را در تجزیه و تحلیل مالی خاص در زمینه ارائه می دهد.

اسمی دکتر

• ملاحظات استقرار

اجرای مبتنی بر GPT4O از خدمات مبتنی بر ابر و مدیریت شده از OpenAI استفاده می کند ، که می تواند مقیاس بندی و نگهداری را ساده کند. راه حل Deepseek R1 ، که به صورت محلی از طریق Ollama اجرا می شود ، کنترل بیشتری بر داده ها و تنظیم مدل ارائه می دهد ، که برای سازمانهایی که نیاز به حفظ حریم خصوصی دارند یا نیاز به تنظیم دقیق مدل برای کارهای خاص دامنه دارند ، مفید است.

هر دو پیاده سازی از PGVECTOR به عنوان پایگاه داده بردار اساسی استفاده می کنند اما در پارامترهای کلیدی پیکربندی تفاوت دارند که مستقیماً بر اثربخشی فرآیند بازیابی تأثیر می گذارد.

• نوع فاصله (cosine_distance)

این تنظیمات نشان می دهد که شباهت بین بردارها با استفاده از فاصله کسین اندازه گیری می شود ، که سسین زاویه بین دو بردار را ارزیابی می کند. این یک متریک به طور گسترده ای در جاسازی فضاها است زیرا بر شباهت جهت به جای بزرگی بردارها تأکید می کند.

نوع فهرست (HNSW)

الگوریتم جهانی کوچک قابل پیمایش (HNSW) برای نمایه سازی استفاده می شود. HNSW نزدیکترین روش جستجوی همسایه تقریبی است که برای فضاهای با ابعاد بالا بهینه شده است. این بازیابی سریع و مقیاس پذیر را فراهم می کند و آن را برای برنامه هایی که نیاز به جستجوی شباهت کارآمد در بین هزاران یا میلیون ها بردار دارند ، ایده آل می کند.

یک تفاوت اساسی بین دو نسخه ، ابعاد تعبیه ها است.

• اجرای Deepseek R1 از Demensions (1024) استفاده می کند ، و این نشان می دهد که الگوریتم تعبیه شده متن نامگذاری شده ، بردارهای 1024 بعدی را تولید می کند.

• در مقابل ، اجرای GPT4O از Demensions (1536) استفاده می کند ، زیرا الگوریتم متن-داده-ADA-002 باعث تعبیه بالاتر (1536) می شود.

این تفاوت بر دانه بندی و ظرفیت تعبیه ها برای گرفتن تفاوت های معنایی تأثیر می گذارد ، با این که بعد بالاتر به طور بالقوه جزئیات بیشتری را رمزگذاری می کند اما همچنین خواستار معیارهای شباهت سختگیرانه تر است.

پیکربندی Document Retriever نیز بین دو پیاده سازی متفاوت است:

• برای Deepseek R1 ، آستانه شباهت در .SimilarityThreshold (0.65) تنظیم شده است ، که به اسناد با شباهت کسین بالاتر از 0.65 اجازه می دهد تا مرتبط باشد.

• برای GPT4O ، آستانه در .SimilarityThreshold (0.82) بیشتر است و خواستار مسابقه نزدیکتر بین تعبیه پرس و جو و تعبیه های ذخیره شده است.

این آستانه سختگیرانه تر در GPT4O احتمالاً تعبیه های ثروتمندتر و دقیق تر 1536 بعدی را جبران می کند ، و اطمینان می دهد که فقط اسناد بسیار مرتبط بازیابی می شوند.

بعد از اینکه اخبار و احساسات مربوط به داده های مربوط به Bitcoin را انجام دادیم ، این سؤال را انجام دادیم.

{
    "question": "What the sentiment and price expectations for Bitcoin in the next days. Make a deep analysis."
}

پاسخ برای GPT4O

Analysis Type: Market Trend and Sentiment Analysis for Bitcoin

Key Metric/Insight: The primary focus is on Bitcoin's price movement, trading volume, and market sentiment indicators. Key metrics include recent price changes, trading volume fluctuations, and sentiment scores derived from social media and news sources.

Source & Reliability: Data is sourced from cryptocurrency exchanges for price and volume, and sentiment data is aggregated from social media platforms and news articles. The reliability of price and volume data is high due to real-time updates, while sentiment data is moderately reliable, subject to rapid changes in public opinion.

Reasoning/Impact: Bitcoin's price is highly sensitive to market sentiment, which can drive significant volatility. Positive sentiment often leads to increased buying pressure, potentially driving prices up, while negative sentiment can result in selling pressure and price declines. Understanding sentiment helps anticipate short-term price movements.

Data Comparisons: Recent data shows Bitcoin's price has been fluctuating within a specific range, with a slight upward trend over the past week. Trading volume has been consistent, indicating steady interest. Sentiment analysis reveals a neutral to slightly positive sentiment, with increased mentions of Bitcoin in the context of potential regulatory developments.

Historical Context/Comparative Insight: Historically, Bitcoin's price tends to experience increased volatility during periods of heightened regulatory discussions or macroeconomic changes. Comparatively, the current sentiment is more positive than during previous regulatory scares, suggesting a potential for price stability or moderate growth.

Final Opinion: Based on the current metrics and sentiment analysis, the short-term outlook for Bitcoin appears cautiously optimistic. If sentiment remains stable or improves, there is potential for a modest price increase. However, investors should remain vigilant for any sudden changes in sentiment or regulatory news. Recommendation: Hold, with a watchful eye on sentiment shifts and regulatory announcements.

Data Patterns & Observations: A recurring pattern is the correlation between sentiment spikes and short-term price movements. Positive news or sentiment often precedes price increases, while negative sentiment can lead to declines. Monitoring sentiment trends can provide early indicators of potential price changes.

Additional Considerations: Keep an eye on liquidity metrics, as they can impact price volatility. Additionally, consider macroeconomic factors such as interest rates and inflation, which can influence investor behavior in the cryptocurrency market.

پاسخ برای Deepseek R1
همه چیز در داخل این بود که Deepseek استدلال می کند که جواب را می دهد:

Alright, so I need to figure out how to analyze Bitcoin's sentiment and price expectations for the next few days. Hmm, where do I start? Well, first off, I know that Bitcoin's price is influenced by various factors like market trends, news, regulations, and even macroeconomic indicators. But since the question is about sentiment and price expectations in the next day or two, maybe looking at technical analysis would be helpful.

I remember hearing about things like moving averages, RSI (Relative Strength Index), and Volume as part of technical indicators. If Bitcoin's price crosses above a significant moving average, that might indicate positive sentiment because it could signal strength in the market. Conversely, failing to do so might mean negative sentiment.

RSI is another one I'm somewhat familiar with. It measures how overbought or oversold an asset is. An RSI below 30 usually suggests buying pressure, while above 70 indicates selling pressure. If Bitcoin's RSI is rising, that could be a good sign for price movement in the coming days.

Volume also plays a role. High trading volume can indicate strong interest and confidence in the market. If Bitcoin sees a surge in volume alongside positive indicators like moving averages or buying signals, it might signal bullish momentum.

I should consider looking at historical data too—maybe see how Bitcoin's price has moved when these indicators were signaling positive or negative trends. This could give me some patterns to predict future movements.

Wait, but sentiment analysis can also involve news events. Recent major news about regulations in countries like the U.S. or Europe regarding Bitcoin could impact its price and sentiment. If there are upcoming significant events, that's something I should monitor.

I'm a bit unsure about how reliable these indicators are on their own. Sometimes technical indicators can give false signals, so relying solely on them might not be enough. Maybe combining them with other factors like market news or geopolitical events would provide a more accurate picture.

Also, the behavioral aspect—how retail investors behave in the markets—could influence short-term price movements. If there's a lot of buying activity due to fear or excitement, it could drive prices up or down regardless of technical signals.

Looking at specific timeframes might help too. For instance, if Bitcoin shows bullish patterns during certain times of the day, that could predict its behavior in the coming hours.

I think I need to check some sources for reliable data—maybe websites like CoinMarketCap, CoinDesk, or financial news sites that track Bitcoin trends. Also, looking into Twitter sentiment for retail investors might provide real-time insights on market-moving news.

Wait, but sentiment analysis can be subjective. How do you quantify something as intangible as market sentiment? Maybe using sentiment scores from social media posts or news articles could give a gauge of overall feelings towards Bitcoin in the market.

I should also consider the correlation between Bitcoin's price and other assets like Ethereum or traditional cryptocurrencies such as gold, silver, or Bitcoin itself through time-series analysis. This might help identify if there are any patterns or dependencies that can predict future moves.

Another point is to look at the correlation with macroeconomic indicators—like inflation rates or interest rates—if they have an impact on Bitcoin's price due to its status as a hedge against inflation.

But I'm not entirely sure how all these pieces fit together. Maybe starting with a simple moving average analysis would be a good first step, then incorporating RSI and volume data for more depth. Combining that with recent news or geopolitical developments could provide a comprehensive outlook.

I think I'll outline the steps: First, check Bitcoin's current price and key technical indicators like MA (moving averages), RSI, and volume. Then, look at any upcoming significant events that might affect its market. Analyze how sentiment is shaping up on social media or news feeds. Finally, see if there are patterns in historical data correlating these factors with future price movements.

So, putting it all together, I can predict whether Bitcoin's price is expected to go up or down based on the combination of these indicators and current market sentiments.

پاسخ:

**Bitcoin Sentiment and Price Expectations Analysis (Next 7 Days)**

**1. Technical Indicators:**
   - **Moving Averages:** Bitcoin has recently crossed above a significant moving average, indicating bullish sentiment due to potential strength in market sentiment.
   - **RSI (Relative Strength Index):** The RSI is currently below 30, signaling buying pressure and positive sentiment among investors.
   - **Volume:** High trading volume indicates strong market interest and confidence, supporting the bullish trend.

**2. News and Events:**
   - Monitor recent news from major countries like the U.S., U.K., and European Union regarding Bitcoin regulations, as these could impact sentiment and price movements.

**3. Behavioral Analysis:**
   - Consider retail investor behavior—patterns of buying during specific times of the day that might influence short-term price actions.

**4. Sentiment Sources:**
   - Analyze social media sentiment, particularly from platforms like Twitter where retail investors often share market-moving news.

**5. Correlation with Other Assets and Indicators:**
   - Examine correlations between Bitcoin's price and other assets (Ethereum, gold) or macroeconomic indicators (inflation rates) for potential predictive patterns.

**6. Historical Context:**
   - Review historical data to identify patterns where these indicators coincided with future price movements, enhancing the reliability of predictions.

**Conclusion:**
Combining these factors—positive technical signals, bullish sentiment, and supportive news—it is recommended that Bitcoin's price may experience an upward trend in the next 7 days. However, this analysis should be closely monitored as market dynamics can change rapidly due to external shocks or shifts in investor behavior.

بررسی نهایی

پس از جمع آوری پاسخ از هر سیستم هوش مصنوعی ، من همین سؤال را برای Openai O3-Mini ، Deepseek R1 و Gemini از Google مطرح کردم. من جواب را از Openai برای سیستم Openai O3-Mini انتخاب کردم ، و برای Deepseek R1 و Gemini ، من برای پاسخ Deepseek تصمیم گرفتم. در واقع ، این منجر به اولویت 2 به 1 به نفع Deepseek می شود.

مشاهده

از آنجا که مدل Deepseek R1 به صورت محلی از طریق Ollama در حال اجرا است ، هر دو روند تبدیل داده ها به بردارهای جاسازی شده و روند بازیابی ، تأخیر بالاتری را در مقایسه با راه حل های مبتنی بر ابر مانند اجرای GPT4O OpenAi تجربه کرده است.

مخزن تحلیلگر مالی هوش مصنوعی

بهار شما دکتر دارید