Seguir el recorrido de la solicitud

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

• Explicar cómo la capa de confianza gestiona sus datos de forma segura.
  
• Describir cómo el anclaje dinámico mejora el contexto de una solicitud.
  
• Describir cómo los mensajes de la Capa de confianza protegen sus datos.
  

El recorrido de la solicitud

Acaba de aprender un poco sobre la Capa de confianza; ahora veamos cómo se adapta al panorama general de la IA generativa en Salesforce. En esta unidad, aprenderá cómo una solicitud recorre la Capa de confianza de Einstein para llegar al modelo de lenguaje grande (Large Language Model, LLM).

En esta unidad, se abordan algunas de las funcionalidades futuras de la Capa de confianza de Einstein. Los servicios y las funciones no publicados a los que se hace referencia en este documento no están disponibles en la actualidad y es posible que no lo estén en el momento previsto o nunca. En consecuencia, los clientes deben tomar sus decisiones de compra según las funciones disponibles en este momento.

Puede proteger la solicitud en el Generador de solicitudes mediante la API de Connect de la plantilla de solicitud y la acción invocable de la plantilla de solicitud.

La potencia de las solicitudes

En el módulo de Trailhead Nociones básicas de las solicitudes, aprenderá que las solicitudes impulsan las aplicaciones de IA generativa. También aprenderá que las instrucciones claras, la información sobre el contexto y las restricciones permiten crear una buena solicitud que genera una excelente respuesta por parte del LLM. Para que a nuestros clientes les resulte fácil y coherente, disponemos de plantillas de solicitud preconstruidas para todo tipo de casos de uso de negocio, como emails de ventas o respuestas del servicio de atención al cliente. Cuando se realiza una solicitud a la Capa de confianza desde una de nuestras aplicaciones de Salesforce, la capa solicita la plantilla de solicitud adecuada.

Analicemos un caso de servicio de atención al cliente para detallar el recorrido de la solicitud. Verá la plantilla de solicitud, cómo se completa con los datos del cliente y los recursos importantes, y cómo la Capa de confianza de Einstein protege los datos antes de que pasen a un LLM externo para generar una respuesta relevante para la solicitud.

Conozca a Jessica

Jessica es agente del servicio de atención al cliente en una compañía de tarjetas de crédito de consumo. La compañía acaba de implementar Respuestas de servicio, una función de Einstein que genera respuestas sugeridas para los agentes del servicio de atención al cliente cuando chatean con los clientes. Jessica aceptó ser una de las primeras agentes en probarlo. Es conocida por su trato personal con los clientes, por lo que la pone un poco nerviosa que las respuestas generadas por la IA no se adapten a su estilo. Sin embargo, desea agregar algo de experiencia en IA generativa a su currículum y tiene curiosidad por saber si Respuestas de servicio podría permitirle ayudar a más clientes.

Jessica empieza a chatear con su primer cliente del día, que necesita ayuda para actualizar su tarjeta de crédito. Respuestas de servicio empieza a sugerir respuestas directamente en la Consola de servicio. Las respuestas se actualizan cada vez que el cliente envía un mensaje nuevo, de modo que tengan sentido en el contexto de la plática. También están personalizadas para el cliente en función de los datos almacenados en Salesforce. Cada respuesta sugerida se genera a partir de una plantilla de solicitud. La plantilla de solicitud contiene instrucciones y marcadores de posición que se completan con datos de negocio; en este caso, los datos relacionados con el cliente de Jessica y su caso de asistencia, así como datos y flujos relevantes de la organización de Jessica. La plantilla de solicitud se encuentra detrás de la Capa de confianza de Salesforce, y Jessica, como usuario final en la Consola de servicio, no puede verla.

Veamos detalladamente cómo se mueven estos datos a través de la Capa de confianza para ofrecer respuestas relevantes y de alta calidad, y, al mismo tiempo, mantener los datos de los clientes seguros y protegidos.

Anclaje dinámico

Para que las respuestas sean relevantes y de calidad, los datos de entrada deben ser relevantes y de calidad. Cuando el cliente de Jessica ingresa a la plática, Respuestas de servicio vincula la conversación a una plantilla de solicitud y empieza a sustituir los campos de marcadores de posición por contexto de página, campos de combinación y artículos de Knowledge relevantes del registro del cliente. Este proceso se denomina anclaje dinámico. En general, cuanto mayor sea el anclaje de una solicitud, más precisa y adecuada será la respuesta. El anclaje dinámico es lo que permite que las plantillas de solicitud se puedan reutilizar, de modo que toda una organización pueda acceder a ellas.

El proceso de anclaje dinámico comienza con la recuperación segura de datos, que identifica los datos importantes sobre el cliente de Jessica procedentes de su organización. Lo más importante es que la recuperación segura de datos respeta todos los permisos de Salesforce vigentes en su organización que restrinjan el acceso a datos específicos sobre objetos, campos, etc. De este modo, Jessica solo podrá obtener la información a la que esté autorizada a acceder. Los datos que se recuperan no contienen información privada, así como tampoco información que requiera permisos especiales.

El anclaje dinámico extrae datos de su organización, por lo que es importante asegurarse de la actualización, precisión e integridad de los mismos. Para saber cómo mantener sus datos en buen estado, visite el módulo de Trailhead Calidad de los datos.

Recuperación semántica (aún no disponible de manera general)

En el caso de Jessica, los datos del cliente son suficientes para personalizar la plática. Sin embargo, no basta con ayudar a Jessica a resolver el problema del cliente de forma rápida y eficaz. Jessica necesita información de otras fuentes de datos, como artículos de Knowledge e historiales de clientes, para responder preguntas y encontrar soluciones. La recuperación semántica utiliza el aprendizaje automático y métodos de búsqueda para encontrar información relevante en otras fuentes de datos que se puedan incluir de manera automática en la solicitud. Esto significa que Jessica no tiene que buscar las fuentes de manera manual, lo que le ahorra tiempo y esfuerzo.

En este caso, la recuperación semántica encontró un artículo de Knowledge relevante para ayudar a resolver el problema de la tarjeta de crédito e incluyó la parte importante del artículo en la plantilla de solicitud. ¡La solicitud está tomando forma!

Enmascaramiento de datos

Si bien la solicitud contiene datos precisos sobre el cliente de Jessica y su problema, aún no está lista para pasar al LLM porque contiene información como el nombre y la dirección del cliente. La Capa de confianza agrega otro nivel de protección a los datos de los clientes de Jessica mediante el enmascaramiento de datos. El enmascaramiento de datos implica la tokenización de cada valor, de modo que se sustituyen los valores por un marcador de posición en función de lo que representa. Esto significa que el LLM puede mantener el contexto de la plática de Jessica con su cliente y generar una respuesta pertinente.

Salesforce utiliza una combinación de concordancia de patrones y técnicas avanzadas de aprendizaje automático para identificar y enmascarar de forma inteligente datos de clientes como nombres e información de tarjetas de crédito. El enmascaramiento de datos se produce en segundo plano, por lo que Jessica no tiene que realizar ninguna acción para evitar que los datos de sus clientes queden expuestos ante el LLM. En la siguiente unidad, aprenderá cómo agregar estos datos a la respuesta.

Protección de la solicitud

El Generador de solicitudes proporciona protección adicional para proteger a Jessica y a su cliente. Se trata de instrucciones adicionales para el LLM sobre cómo comportarse en determinadas situaciones para reducir la probabilidad de que envíe algo no deseado o dañino. Por ejemplo, un LLM puede recibir instrucciones de no abordar ningún contenido ni generar ninguna respuesta para la que no disponga de información.

Los hackers, y a veces incluso los empleados, buscan saltarse las restricciones e intentar realizar tareas o manipular los resultados del modelo de maneras para las que el modelo no fue diseñado. En la IA generativa, uno de estos tipos de ataques se denomina inyección de solicitud. La protección de la solicitud puede ayudar a defenderse contra estos ataques y reducir la posibilidad de que los datos se vean comprometidos.

A continuación, veamos qué ocurre con esta solicitud cuando pasa por la puerta de enlace segura hacia un LLM.

Recursos

• Investigación sobre IA de Salesforce: IA de confianza
  
• Trailhead: Calidad de los datos
  
• Trailhead: Aspectos básicos del Generador de solicitudes