Kennenlernen der Grundlagen von Kontextbildung
Lernziele
Nachdem Sie diese Lektion abgeschlossen haben, sind Sie in der Lage, die folgenden Aufgaben auszuführen:
- Verstehen des Konzepts, einen Agenten in einer Datenbasis zu verankern und warum es funktioniert
- Erläutern des Zusammenhangs von Verankerung in Daten und abruferweiterter Generierung (Retrieval Augmented Generation, RAG)
- Beschreiben der Arten von Daten, die als Datenquellen für Agentforce dienen können
Bevor Sie loslegen
Wir wissen, dass Sie unbedingt mehr über Agenten und ihre Verankerung in Daten erfahren möchten, während wir neue Tools mit generativer künstlicher Intelligenz (KI) einführen. Bevor Sie beginnen, sollten Sie diese empfohlenen Inhalte vollständig durcharbeiten.
Das Einstein Generative AI – Glossar enthält ebenfalls viele der in diesem Badge verwendeten Begriffe wie große Sprachmodelle (Large Language Models, LLMs), Prompts, Kontextbildung, Halluzinationen, toxische Sprache etc. Mehr über LLMs erfahren Sie im Trailhead-Modul Große Sprachmodelle (LLMs).
Was ist Kontextbildung?
Allgemein ausgedrückt, ist Kontextbildung das Konzept, einen LLM-Prompt mit den Informationen anzureichern, die das LLM beim Verarbeiten eines Prompts berücksichtigen soll. Datenquellen für die Kontextbildung oder Verankerung können strukturierte Daten, wie Excel-Tabellen und CRM-Daten, sowie unstrukturierte Daten, wie PDFs, Chatprotokolle, E-Mail-Nachrichten und Blogposts, umfassen.
Das Ziel der Kontextbildung besteht darin die Genauigkeit und Relevanz der LLM-Antworten zu verbessern. LLMs, die häufig in Agenten eingesetzt werden, werden im Hinblick auf allgemeines Wissen statt auf kontextspezifisches Wissen oder proprietäre Informationen trainiert. Das Einbeziehen von relevantem, domänenspezifischem Wissen und Kontextinformationen aus zuverlässigen Datenquellen verbessert die LLM-Ergebnisse und erhöht das Vertrauen in KI-Lösungen.
Die Kontextbildung für Agenten aus überprüfbaren Datenquellen führt zu besseren Entscheidungen und effektiveren Aktionen. Agenten sind erfolgreicher, wenn sie mit den aktuellsten, genauesten und relevantesten Informationen versorgt werden. Kontextbildung ist zwar nicht für jeden Agenten zwingend erforderlich, sie wird aber für alle Agenten empfohlen, die LLMs zur Erledigung ihrer Arbeit einsetzen.
Strukturierte und unstrukturierte Daten
Die Informationen, die für die Kontextbildung (Verankerung) von Agenten und LLMs verwendet werden, können aus strukturierten und unstrukturierten Daten stammen.
Strukturierte Daten sind in einem vordefinierten Format mit bekannten Metadaten organisiert. Das Durchsuchen, Analysieren und Integrieren von stukturierten Daten in Agents ist einfach. Zu den Beispielen gehören Daten aus Salesforce-Objekten, wie Accounts, Kontakten und Kundenvorgängen oder Datenmodellobjekten (DMOs).
Unstrukturierte Daten fehlt ein vordefiniertes Format, und sie weisen unbekannte Metadaten auf. Zu den Beispielen gehören E-Mail-Nachrichten, Chatprotokolle, Beiträge in sozialen Medien oder Dokumente. Sie sind zwar schwieriger zu verarbeiten, aber unstrukturierte Daten können wertvolle Erkenntnisse liefern. Unstrukturierte Daten erfordern eine Vorverarbeitung, um das Wissen für den Abruf vorzubereiten und zu optimieren. Um diese Daten mit Agentforce zu verbinden, können Sie Tools zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) oder Datenextraktionsdienste verwenden, um sie in ein strukturiertes Format zu konvertieren.
Kontextbildung mit abruferweiterter Generierung (Retrieval Augmented Generation, RAG)
RAG ist eine Form der Kontextbildung, die Wissen aus unstrukturierten Datenquellen abruft. Bei diesem Ansatz wird der LLM-Prompt mit relevanten, aktuellen Informationen aus einer vertrauenswürdigen Quelle, beispielsweise einer Sammlung von Dokumenten, angereichert. Wenn ein Kunde beispielsweise nach einem Produktfeature fragt, ruft RAG die neuesten Funktionsdetails aus Ihrer Wissensdatenbank ab und fügt sie zum Prompt hinzu, aus dem das LLM eine Antwort generiert.
Damit Sie die Kontextbildung mit Daten praktisch und effektiv gestalten können, müssen Sie einige der Möglichkeiten kennen, sie in Agentforce zu nutzen. Diese zwei Ideen lernen Sie als Nächstes kennen.
Ressourcen
- Blog: Kontextbildung für KI verringert Halluzinationen bei generativer KI (englischsprachig)
- Trailhead: Datengrundlagen für die KI-Nutzung
- Trailhead: Abruferweiterte Generierung: Schnelleinstieg
- Salesforce-Hilfe: Aufrechterhalten des Vertrauens bei Agentforce-Aktionen (englischsprachig)
- Salesforce-Hilfe: Entwerfen und Implementieren von Agenten