En la industria de servicios financieros, los analistas enfrentan desafíos significativos al manejar diversos tipos de datos que requieren enfoques analíticos distintos y herramientas especializadas. Información estructurada, como precios históricos, y no estructurada, como informes de la SEC, junto con contenido audiovisual de llamadas de ganancias, deben ser procesados de manera eficiente para evitar la pérdida de oportunidades en un mercado con condiciones cambiantes.
La inteligencia artificial (IA) está incrementando la productividad al automatizar la recopilación y procesamiento de datos, permitiendo a los analistas enfocarse en actividades de mayor valor. Sin embargo, un solo agente de IA no puede gestionar flujos de trabajo de investigación en inversiones que son complejos y especializados. Aquí es donde entra la colaboración entre múltiples agentes de IA, una solución avanzada que permite desglosar consultas complejas en subtareas manejadas por subagentes especializados bajo la supervisión de un agente principal.
Amazon Bedrock Agents ha desarrollado un sistema de colaboración entre múltiples agentes que utiliza el razonamiento de modelos fundacionales, APIs y datos para completar tareas de manera eficiente. Con Amazon Bedrock, es posible construir agentes de IA que colaboren en tareas complejas utilizando datos multimodales no estructurados. Esta capacidad se ha materializado en un asistente de investigación en inversiones compuesto por un agente supervisor y subagentes especializados que analizan noticias, evalúan rendimientos de acciones y optimizan carteras.
Estos subagentes trabajan de manera coordinada mediante un arquitecto técnico que los construye y gestiona efectivamente. Por ejemplo, el agente de análisis cuantitativo se enfoca en datos históricos de acciones, el agente de noticias recopila información financiera relevante, y el agente resumen inteligente sintetiza la información para proporcionar perspectivas de inversión.
El proceso comienza con una solicitud del usuario que el agente supervisor desglosa en subtareas. Estas son manejadas por los subagentes, cuyas salidas son consolidadas y luego pasadas a un modelo de lenguaje para generar las perspectivas finales. Este enfoque aprovecha las fortalezas individuales de cada agente, lo que resulta en una orquestación inteligente y mejora la eficiencia analítica.
La implementación de esta solución en servicios de AWS no solo ofrece escalabilidad sino que también permite integrar bases de conocimiento que aportan contexto a las respuestas, facilitando el trabajo de los profesionales financieros en la evaluación de riesgos y cumplimiento normativo. La colaboración entre múltiples agentes se perfila como una herramienta potente en el complejo entorno financiero actual.
