Usar Knowledge en Agentforce for Service
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Comprender cómo utiliza Agentforce for Service la biblioteca de datos de Agentforce.
- Explicar las diferencias principales entre Agentforce Knowledge y el conocimiento de los bots de Einstein.
Trailcast
Si desea escuchar una grabación de audio de este módulo, utilice el siguiente reproductor. Cuando termine de escuchar la grabación, recuerde volver a cada unidad, consultar los recursos y completar las tareas asociadas.
Agentforce está en lo cierto (gracias a los datos)
Imagínese equipar a un agente con la capacidad de responder preguntas en tiempo real mediante la recuperación de información de su base de conocimientos. Eso es precisamente lo que hace Agentforce, sin apenas esfuerzo.
Diferencias entre la biblioteca de datos de Agentforce y las respuestas de artículos (Bots de Einstein)
Al agregar la biblioteca de datos de Agentforce, se mejora la precisión de las respuestas y se genera confianza con el cliente. La biblioteca de datos es compatible con los archivos cargados de artículos de Knowledge (registros y campos), con la búsqueda en Internet y con las recuperaciones personalizadas. ¿Por qué se trata de una mejora tan importante?
Antes, los bots de Einstein se basaban en datos muy estructurados en los que se usaban respuestas de artículos y se requería el procesamiento de lenguaje natural para entrenar a los bots con el fin de que comprendieran la intención y recuperara información de los artículos de Knowledge. Era necesario un proceso de asignación manual para vincular preguntas (que también tenían que crearse con distintas variaciones) a campos específicos dentro de cada artículo. Solo los artículos publicados con campos completados se podían indexar y buscar, y eso limitaba las respuestas a esos campos asignados. Es decir, los bots solo podían responder a preguntas específicas y predefinidas, y no iban más allá de ese alcance. En función del tamaño de la base de conocimientos, un proceso de generación podía tardar 30 minutos o más. Era bastante frustrante conversar con alguien que solo podía responder ciertas preguntas para las que se había entrenado y que estas tuvieran que formularse de formas muy concretas.
El poder de los datos sin estructurar
Agentforce utiliza el poder de los modelos de lenguaje grandes (LLM) para procesar datos sin estructurar, todo ello con la ayuda de la biblioteca de datos de Agentforce. Los datos sin estructurar suelen incluir transcripciones de chats, archivos PDF, archivos de audio y vídeo, documentos legales y archivos de texto grandes como libros. En Salesforce, a la hora de integrar una biblioteca de datos de Agentforce, este tipo de datos se pueden conseguir a partir de artículos de Knowledge o archivos PDF adjuntos.
Aunque a los datos sin estructurar les falta un formato coherente, los modelos de lenguaje grandes, como el que usa Agentforce, pueden procesar sin problemas este tipo de información y buscar en ella. Esto significa que se puede cargar un artículo o un archivo PDF a la biblioteca de datos de Agentforce. No es necesario asignar campos específicos para recuperar datos, actualizar los artículos de Knowledge ni esperar el proceso de generación. Y lo que es más importante: no es necesario entrenar Agentforce para que responda a preguntas concretas, ya que se ha creado para comprender las interacciones humanas por naturaleza.
La biblioteca de datos utiliza un tipo de anclaje con generación aumentada de recuperación (RAG) para indexar los artículos de Knowledge y los archivos adjuntos, lo que garantiza que se recupere la información más relevante y actualizada. Cuando se agrega una biblioteca de datos en Agentforce, Salesforce genera automáticamente una solución basada en RAG para recuperar datos sin estructurar (y estructurados) de artículos de Knowledge y archivos PDF. Con estos datos indexados, Einstein puede comprobar rápidamente los datos de las respuestas en relación con políticas e información específicas. Es decir, no se trata de "suponer" sin más cuál será la respuesta correcta. Dicho todo esto, cuando un cliente realiza una pregunta, Agentforce accede a la información correspondiente en la biblioteca de datos y ofrece una respuesta de estilo natural y conversacional.
En Agentforce Builder, los usuarios pueden elegir usar una biblioteca de datos de Agentforce existente o crear otra nueva. Un dato rápido: es necesario activar Data Cloud para poder configurar una biblioteca de datos. Una vez hecho esto, los usuarios podrán cargar archivos adjuntos o vincular artículos de Knowledge existentes, y eso es todo lo que hace falta para que Agentforce empiece a hacer su magia. Así de fácil.
Resumen
El objetivo de Agentforce for Service es mejorar la productividad y la eficacia de los agentes de servicio. Para ello, se utiliza IA a fin de gestionar datos sin estructurar e interactuar con ellos de forma más eficiente. Al agregar temas, acciones e instrucciones, se definen bien las tareas con directrices que indican cuándo y cómo deben interactuar los agentes con los clientes (y cuándo no). Ahora que sabe cómo funciona Agentforce for Service, consulte Inicio rápido: Crear un agente de servicio con Agentforce para empezar a usarlo.