Verwenden von Knowledge in Agentforce für den Service
Lernziele
Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:
- Erläutern, wie Agentforce für den Service die Agentforce-Datenbibliothek nutzt
- Erklären der wichtigsten Unterschiede zwischen der Knowledge-Nutzung bei Agentforce und Einstein Bots
Trailcast
Wenn Sie sich eine Audioaufzeichnung dieses Moduls anhören möchten, nutzen Sie den nachstehenden Player. Denken Sie nach dem Anhören dieser Aufzeichnung daran, zur jeweiligen Lektion zurückzukehren, sich die Ressourcen anzusehen und die zugehörigen Aufgaben zu absolvieren.
Agentforce nutzt Daten für die Kontextbildung
Stellen Sie sich vor, Sie geben einem Agenten die Möglichkeit, Fragen in Echtzeit zu beantworten, indem Sie Informationen aus Ihrer Knowledge Base abrufen. Genau das ist es, was Agentforce ganz mühelos tut.
Agentforce-Datenbibliothek im Vergleich zu Artikelantworten (Einstein Bots)
Das Hinzufügen einer Agentforce-Datenbibliothek erhöht die Genauigkeit und stärkt das Vertrauen der Kunden in die Antworten. Die Datenbibliothek unterstützt sowohl Knowledge-Artikel (Datensätze und Felder) als auch hochgeladene Dateien, Internetsuchen und benutzerdefinierte Abrufer. Warum ist dies eine so bedeutende Verbesserung?
Bisher setzte Einstein Bots auf stark strukturierte Daten und verwendete Artikelantworten. Dies machte die Verarbeitung natürlicher Sprache (NLP) erforderlich, um die Bots zu trainieren, damit sie den Intent verstehen und Informationen aus Knowledge-Artikeln abrufen konnten. Es waren manuelle Zuordnungen notwendig, um Fragen (die ebenfalls mit verschiedenen Variationen erstellt werden mussten) mit bestimmten Feldern in jedem Artikel zu verknüpfen. Nur veröffentlichte Artikel mit ausgefüllten Feldern konnten indiziert und durchsucht werden, wodurch die Antworten auf diese zugeordneten Felder beschränkt waren. Als Folge davon konnten die Bots nur auf bestimmte, vordefinierte Fragen antworten und nicht über diesen Bereich hinausgehen. Je nach Größe der Knowledge Base konnte ein Build-Vorgang 30 Minuten oder mehr dauern. Es war so, als ob man sich mit jemandem unterhält, der nur Fragen beantworten kann, für die er speziell trainiert wurde, wobei die Fragen zudem auf ganz bestimmte Weise formuliert werden mussten.
Die Kraft unstrukturierter Daten
Agentforce nutzt die Leistungsfähigkeit großer Sprachmodelle (Large Language Models, LLMs) bei der Verarbeitung unstrukturierter Daten und wird dabei von der Agentforce-Datenbibliothek unterstützt. Zu unstrukturierten Daten gehören oftmals Chat-Abschriften, PDF-Dateien, Audio- und Videodateien, juristische Dokumente und große Textdateien wie Bücher. In Salesforce können diese Art von Daten Knowledge-Artikeln oder PDF-Anhängen entnommen werden, wenn eine Agentforce-Datenbibliothek integriert wird.
Unstrukturierte Daten haben zwar kein einheitliches Format, doch LLMs, wie das von Agentforce verwendete, können diese Art von Informationen mühelos verarbeiten und durchsuchen. Das bedeutet, dass ein Artikel oder eine PDF-Datei in die Agentforce-Datenbibliothek hochgeladen werden kann. Es besteht keine Notwendigkeit, bestimmte Felder für den Datenabruf zuzuordnen, Knowledge-Artikel zu aktualisieren oder einen Build-Vorgang abzuwarten. Am wichtigsten ist jedoch, dass Agentforce nicht darauf trainiert werden muss, wie bestimmte Fragen zu beantworten sind, da es so aufgebaut ist, dass es menschliche Interaktionen natürlich versteht.
Die Datenbibliothek verwendet die Kontextbildung mit Retrieving-Augmented Generator (RAG), um Knowledge-Artikel und Anhänge zu indizieren, und so sicherzustellen, dass sie die relevantesten und aktuellsten Informationen abruft. Wenn eine Datenbibliothek in Agentforce hinzugefügt wird, baut Salesforce automatisch eine RAG-gestützte Lösung auf, um unstrukturierte (und strukturierte) Daten aus Knowledge-Artikeln und PDF-Dateien abzurufen. Mit diesen indizierten Daten kann Einstein Antworten schnell anhand bestimmter Richtlinien und Informationen überprüfen. Die richtige Antwort wird also nicht einfach "erraten". Das heißt, wenn ein Kunde eine Frage stellt, greift Agentforce auf die relevanten Informationen aus der Datenbibliothek zu und liefert eine Antwort, die sich natürlich anfühlt und wie ein Gespräch wirkt.
In Agentforce Builder können Benutzer wählen, ob sie eine vorhandene Agentforce-Datenbibliothek verwenden oder eine neue erstellen möchten. Kurze Vorwarnung: Data Cloud muss vor dem Einrichten einer Datenbibliothek aktiviert werden. Sobald dies geschehen ist, können Benutzer Anhänge hochladen oder mit bestehenden Knowledge-Artikeln verknüpfen – und das ist alles, was Agentforce braucht, um seine Zauberkräfte wirken zu lassen. So einfach ist das.
Zusammenfassung
Agentforce für den Service zielt darauf ab, die Produktivität und Effektivität von Serviceagenten zu verbessern, indem KI eingesetzt wird, um unstrukturierte Daten effizienter zu verwalten und mit ihnen zu interagieren. Durch das Hinzufügen von Themen, Aktionen und Anweisungen werden Aufgaben klar definiert, mit Richtlinien, die Agenten vorgeben, wann und wie sie mit Kunden interagieren sollen - und wann nicht. Da Sie nun wissen, wie Agentforce für den Service funktioniert, sollten Sie sich das Modul Schnelleinstieg: Erstellen eines Serviceagenten mit Agentforce ansehen, um praktische Erfahrung zu sammeln.