Aprender los aspectos básicos de la fundamentación
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Comprender el concepto de fundamentación de un agente y por qué resulta útil.
- Aclarar cómo se relacionan la fundamentación y la generación aumentada de recuperación (RAG).
- Describir los tipos de datos que se pueden utilizar como fuentes de datos para Agentforce.
Antes de comenzar
Sabemos que le interesa obtener información sobre los agentes y su fundamentación con datos a medida que implementamos nuevas herramientas de Inteligencia artificial (IA) generativa. Antes de comenzar, considere completar el siguiente contenido recomendado.
El Glosario de términos de IA generativa de Einstein también abarca muchos de los términos utilizados en esta insignia, como los modelos de lenguaje grandes (LLM, por sus siglas en inglés), las solicitudes, la fundamentación, las alucinaciones, el lenguaje tóxico y mucho más. Obtenga más información sobre los LLM en el módulo de Trailhead Modelos de lenguaje grandes.
¿Qué es la fundamentación?
En general, la fundamentación es la idea de infundir en una solicitud de LLM la información que desea que el LLM tenga en cuenta al momento de procesar una solicitud. Las fuentes de datos de fundamentación pueden incluir datos estructurados, como hojas de cálculo de Excel y datos de CRM, además de datos no estructurados, como archivos PDF, registros de chat, mensajes de email y publicaciones de blog.
El objetivo de la fundamentación es mejorar la precisión y la relevancia de las respuestas de los LLM. Los LLM, que a menudo se utilizan con agentes, se entrenan en función de conocimientos generales, en lugar de específicos del contexto o información de propiedad. Agregar conocimientos pertinentes y específicos del dominio e información contextual de fuentes de datos confiables mejora los resultados de los LLM y aumenta la confianza en las soluciones de IA.
La fundamentación de agentes con fuentes de datos verificables genera una mejor toma de decisiones y acciones más eficaces. Los agentes logran mejor sus objetivos cuando se les proporciona la información precisa y relevante más actualizada. Si bien la fundamentación no es completamente obligatoria para todos los agentes, se recomienda para todos los que utilicen LLM con el fin de ayudar a cumplir con su trabajo.
Datos estructurados y no estructurados
La información que se utiliza para fundamentar agentes y LLM puede provenir de datos estructurados y no estructurados.
Los datos estructurados se organizan en un formato predefinido con metadatos conocidos. Resulta sencillo realizar búsquedas en ellos, analizarlos e integrar los datos estructurados mediante los agentes. Algunos ejemplos son los datos de objetos de Salesforce, como Accounts (Cuentas), Contacts (Contactos) y Cases (Casos), u objetos de modelo de datos (DMO, por sus siglas en inglés).
A los datos no estructurados les falta un formato predefinido con metadatos desconocidos. Entre los ejemplos, se incluyen emails, registros de chat, publicaciones de redes sociales o documentos. Si bien resulta más complejo procesarlos, los datos no estructurados pueden ofrecer perspectivas valiosas. Los datos no estructurados requieren un procesamiento previo para preparar y optimizar los conocimientos que se desean recuperar. Para conectar estos datos a Agentforce, puede utilizar herramientas de procesamiento de lenguaje natural (NLP, por sus siglas en inglés) o servicios de extracción de datos para convertirlos a un formato estructurado.
Fundamentación mediante la generación aumentada de recuperación (RAG)
La RAG es una forma de fundamentación que recupera conocimientos de fuentes de datos no estructurados. En este enfoque, se enriquece la solicitud de LLM con información actual y relevante de una fuente de confianza, como una recopilación de documentos. Por ejemplo, si un cliente realiza una pregunta sobre una función de un producto, la RAG obtiene los detalles más recientes de la función de su base de conocimientos y los agrega a la solicitud a partir de la cual el LLM genera una respuesta.
Para que la fundamentación mediante datos sea práctica y eficaz, necesita comprender algunas formas de utilizarla en Agentforce. Explorará estas dos ideas a continuación.
Recursos
- Blog: La fundamentación de la IA reduce las alucinaciones generativas
- Trailhead: Fundamentos de datos para la IA
- Trailhead: Generación aumentada de recuperación: Vistazo rápido
- Ayuda de Salesforce: Mantener la confianza con acciones de Agentforce
- Ayuda de Salesforce: Diseño e implementación de agentes