Utilizar Knowledge en Agentforce para Service
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Comprender cómo Agentforce para Service utiliza la biblioteca de datos de Agentforce.
- Explicar las diferencias clave entre el conocimiento de Agentforce Knowledge y Einstein Bots
Trailcast
Si quiere escuchar una grabación de audio de este módulo, use el reproductor a continuación. Cuando haya terminado de escuchar esta grabación, recuerde volver a cada unidad, consultar los recursos y completar las evaluaciones asociadas.
Agentforce está fundamentado (en datos)
Imagine dar a un agente la capacidad de responder preguntas en tiempo real mediante la recuperación de información desde su base de datos de Knowledge. Eso es precisamente lo que hace Agentforce, sin esfuerzo.
Biblioteca de datos de Agentforce frente a respuestas de artículos (Einstein Bots)
Agregar una biblioteca de datos de Agentforce mejora la precisión y genera la confianza del cliente en las respuestas proporcionadas. La biblioteca de datos admite tanto artículos de Knowledge (registros y campos) como archivos cargados, búsqueda web y recuperadores personalizados. ¿Por qué esto es una mejora tan importante?
Antes, Einstein Bots dependía de datos con gran estructura mediante respuestas de artículos, lo que requería de procesamiento de lenguaje natural (NLP) para entrenar a los bots a fin de que pudieran comprender la intención y recuperar información de los artículos de Knowledge. La asignación manual era necesaria para vincular preguntas (que también debían crearse con distintas variaciones) a campos específicos en cada artículo. Solo los artículos publicados con campos completos se podían indexar y buscar, lo cual limitaba las respuestas a tales campos asignados. Como resultado, los bots solo podían responder preguntas específicas y predefinidas, pero no podían ir más allá de eso. Según el tamaño de la base de datos de Knowledge, una compilación podía llevar hasta 30 minutos o más. Era similar a platicar con alguien que solo podía responder preguntas para las que recibió capacitación y que se debían redactar de maneras muy particulares.
El poder de los datos no estructurados
Agentforce aprovecha la potencia de los modelos de lenguaje grandes (LLM) para procesar los datos no estructurados, con el respaldo de la Biblioteca de datos de Agentforce. Los datos no estructurados suelen incluir transcripciones de chat, PDF, archivos de audio y video, documentos legales y archivos de texto grandes, como libros. En Salesforce, este tipo de datos pueden obtenerse de artículos de Knowledge o adjuntos en PDF cuando se integra una Biblioteca de datos de Agentforce.
Si bien los datos no estructurados no tienen un formato uniforme, los LLM (como el que usa Agentforce) pueden procesar y buscar sin inconvenientes este tipo de información. Esto significa que un artículo o PDF se puede cargar en la biblioteca de datos de Agentforce. No es necesario asignar campos específicos para la recuperación de datos, actualizar artículos de Knowledge ni esperar una compilación. Y lo que es más importante, Agentforce no necesita entrenarse sobre cómo responder preguntas específicas, ya que está diseñado para comprender de forma natural las interacciones con los humanos.
La biblioteca de datos usa fundamentación con generación aumentada de recuperación (RAG) para indexar los adjuntos y artículos de Knowledge, lo que garantiza la recuperación de la información más relevante y actualizada. Cuando se agrega una biblioteca de datos en Agentforce, Salesforce crea automáticamente una solución impulsada por RAG para recuperar datos no estructurados (y estructurados) desde PDF y artículos de Knowledge. Con estos datos indexados, Einstein puede hacer una comprobación rápida de las respuestas en relación con la información y las políticas específicas. Por lo que no solo se trata de “adivinar” el camino hacia la respuesta correcta. En pocas palabras, cuando un cliente hace una pregunta, Agentforce accede a la información relevante desde la biblioteca de datos y brinda una respuesta que se siente natural y conversacional.
En el Generador de Agentforce, los usuarios pueden elegir usar una Biblioteca de datos de Agentforce existente o crear una nueva. Solo un aviso: Data Cloud debe activarse antes de configurar una Biblioteca de datos. Una vez hecho eso, los usuarios pueden cargar archivos adjuntos o crear vínculos a artículos de Knowledge existentes; y eso es todo lo que se necesita para que Agentforce comience a hacer funcionar su magia. Es así de sencillo.
En resumen
Agentforce para Service tiene como objetivo mejorar la productividad y la efectividad de los agentes de servicio con el uso de la IA para gestionar los datos no estructurados de forma más inteligente e interactuar con ellos. Al agregar tareas, acciones e instrucciones, las tareas se definen con claridad en las pautas que indican a los agentes cuándo y cómo implicarse con los clientes, y cuándo no hacerlo. Ahora que comprende cómo funciona Agentforce para Service, eche un vistazo a Inicio rápido: Crear un agente de servicio con Agentforce para pasar a la práctica.