Урок из полного доступа, первые уроки курса бесплатно Официальный курс Cohere LLM University на русском
Урок 22 · Текст · ~5 мин

Финансовые данные из CSV на встроенных инструментах Cohere

Урок 22 из 114 курса «Cohere: LLM University»: официальный курс Cohere LLM University (Кохир) на русском языке. Урок входит в платный доступ; первые уроки курса бесплатно.

О чём урок

Рассуждения о табличных данных продолжают оставаться захватывающим применением Agents, особенно в финансовой сфере, где для определения правильного ответа может потребоваться несколько шагов рассуждения. Например, финансовый аналитик, работающий с финансовой отчетностью, может быть заинтересован в вычислении различных финансовых коэффициентов с помощью запросов на естественном языке.

Некоторые примеры могут включать:

  • ROE (Рентабельность собственного капитала) = Чистая прибыль / Собственный капитал акционеров
  • Net Profit Margin (Рентабельность чистой прибыли) = Чистая прибыль / Выручка
  • Asset Turnover (Оборачиваемость активов) = Выручка / Средние общие активы
  • Financial Leverage (Финансовый рычаг) = Средние общие активы / Собственный капитал акционеров

Наличие Agent, способного корректно вычислять эти и другие коэффициенты, было бы большим подспорьем для любого аналитика в области финансов.

В этом блокноте мы рассмотрим, как настроить Cohere Agent для ответов на вопросы по таблицам в форме Apple SEC10K 2020 года. financial_csv_publication.ipynb уже показал, как использовать langchain для запросов к вашим данным. Этот блокнот продемонстрирует, как вы можете создать того же agent, используя нативный API Cohere с python tool langchain. Мы также рассмотрим, как сделать ваш agent более устойчивым к ошибкам.

  • Настройка
  • Определение Python Tool
  • Создание Cohere Agent
  • Вопросы и ответы по одной таблице
  • Вопросы и ответы по нескольким таблицам
  • Устойчивость к ошибкам Добавление инструмента просмотра

Здесь мы определяем python tool, используя PythonREPL langchain. Мы также определяем functions_map, который позже будет использоваться Cohere Agent для правильного сопоставления имени функции с фактической функцией. Наконец, мы определяем tools, которые будут переданы в Cohere API.

Как показывает Vanilla_Multi_Step_Tool_Use.ipynb, у вас есть большая гибкость в настройке и взаимодействии с cohere agent. Здесь я создаю обертку, чтобы она автоматически определяла, когда прекращать вызов tools и выводить окончательный ответ. Она будет выполнять максимум 15 шагов.

В приведенном ниже примере мы показываем, как python tool может быть использован для загрузки dataframe и извлечения из него информации. Для успешного выполнения этого нам необходимо:

  1. передать имя файла…

План урока

  1. Мотивация
  2. Цель
  3. Оглавление
  4. API Key
  5. Загрузка данных
  6. Добавление инструмента просмотра

Урок входит в полный доступ. Полный текст и видео открываются после оплаты. Первые уроки каждого курса бесплатны.

Откройте полный доступ

Вы прошли бесплатные уроки. Выберите тариф, чтобы продолжить обучение.

Курсы Cohere 1 490 ₽ Разовый платёж, навсегда
  • Все курсы от Cohere (1 шт.)
  • Именной сертификат по каждому пройденному курсу
Оплатить
Полный доступ 4 900 ₽ Разовый платёж, навсегда
  • Все 77 курсов от 11 AI-провайдеров
  • Библиотека промптов и новые курсы
Оплатить

Безопасная оплата через Robokassa: СБП, карты, электронные кошельки. Доступ откроется в этом браузере и придёт письмом. Уже оплатили? Восстановить доступ

Полезные гиды