Conocer los diferentes tipos de índice de búsqueda en Data 360

Objetivos de aprendizaje

Después de completar esta unidad, podrá:

Describir los índices de búsqueda compatibles con Data 360.
Identificar el índice de búsqueda que se debe crear para su caso de uso.

Utilizar la búsqueda en Data 360 para nutrir a la IA

Al proporcionar a la IA datos específicos de los clientes, se mejora el valor de la IA generativa en aplicaciones, análisis y herramientas de automatización en la Salesforce Platform. A la IA se le pueden proporcionar datos sin estructurar, semiestructurados o estructurados. Al utilizar la solicitud del usuario para recuperar los datos de CRM pertinentes para nutrir al modelo de IA, aplicaciones como Agentforce, Tableau y Flow Builder, se garantiza que los resultados se ajusten con precisión al propósito de los usuarios. Utilice la búsqueda en Data 360 para garantizar contenido generado por IA preciso pertinente, perspectivas más profundas a partir de análisis y flujos de trabajo automatizados más eficaces para sus equipos y clientes.

En Data 360 puede crear índices de búsqueda para cualquier dato, incluidos los datos sin estructurar de las bases de conocimientos. Data 360 es compatible con los siguientes tipos de índice de búsqueda.

Búsqueda vectorial
Búsqueda híbrida

Para crear índices de búsqueda en Data 360, incorpore sus datos a Data 360. Data 360 ingiere datos sin estructurar, los asigna a objetos de modelo de datos (DMO) estándar o a objetos de modelo de datos sin estructurar (UDMO) y crea contenido significativo y fragmentado a partir de esos datos. A continuación, Data 360 crea incrustaciones de vectores para generar un índice de búsqueda que ayude a las aplicaciones a conocer las similitudes semánticas y léxicas con los datos.

Para conocer la definición de incrustaciones de vectores y otros términos de Data 360, consulte Glosario de términos de Data 360.

Seleccionar un tipo de búsqueda

Antes de decidir qué tipo de búsqueda es más adecuada para su caso de uso y conjunto de datos específicos, vamos a profundizar primero en las diferencias entre ellos y en el tipo de resultado de solicitudes de búsqueda en la respuesta más pertinente.

Búsqueda vectorial

La búsqueda vectorial, también conocida como búsqueda semántica, implica recuperar datos (o fragmentos de datos) que se parecen semánticamente para una consulta de búsqueda. Entre estos datos pueden incluirse vídeos, audios y transcripciones de llamadas. La recuperación de la búsqueda vectorial se realiza mediante la fragmentación de los datos, creando así incrustaciones de vectores y buscando incrustaciones de vectores que tengan similitudes semánticas con la consulta de búsqueda.

La búsqueda vectorial es apropiada para consultas de búsqueda extensas en las que los usuarios buscan información general. La consulta de búsqueda recupera datos con una puntuación de búsqueda vectorial alta que se correlacionan con las coincidencias semánticas más cercanas.

Por ejemplo, esta es una consulta que busca información sobre cómo funciona el navegador Google Chrome. La solicitud de búsqueda recupera fragmentos con la puntuación de búsqueda vectorial más alta, que se relacionan con la coincidencia semántica más cercana de la solicitud de búsqueda.

Consulta:

select c.Chunk_c, v.score_c from vector_search(table(WikiArticle_c_vector_search_2_index__dlm),
 'how does Google Chrome internet browser work', '', 100) as v join WikiArticle_c_vector_search_2_
chunk_dlm as c on v.SourceRecordId_c=c.RecordId_c ORDER by v.score_c desc limit 3;

Resultado:

Búsqueda híbrida

La búsqueda híbrida combina el potencial de la búsqueda vectorial semánticamente consciente con la capacidad de la búsqueda de palabras clave de gestionar el vocabulario del dominio. La búsqueda híbrida combina la información recuperada de ambos tipos de búsqueda y, a continuación, clasifica los resultados con una función de clasificación combinada a fin de mostrar la información más relevante.

La función de clasificación combinada de la búsqueda híbrida predeterminada se optimiza con marcadores internos para una variedad de tareas basadas en la búsqueda. Los datos de formación y evaluación se basan en solicitudes capturadas de la búsqueda de Einstein y aplicaciones de IA generativa, como Einstein Search Answers.

La búsqueda híbrida es una buena opción para solicitudes de búsqueda extensas en las que se incluyen términos de búsqueda específicos. La solicitud de búsqueda recupera datos con una puntuación de búsqueda de palabras clave alta que se correlacionan con las coincidencias de palabras clave exactas y una puntuación de búsqueda vectorial alta que se correlacionan con las coincidencias semánticas más cercanas. De esta manera, se recuperan datos con una puntuación de búsqueda híbrida alta que se correlacionan con los resultados de la búsqueda más relevantes.

Para el mismo ejemplo de solicitud que se ha utilizado para la búsqueda vectorial, la búsqueda de palabras clave promueve posiciones más altas de la clasificación para que el contenido sea más relevante y, por consiguiente, el LLM cuente con información más detallada.

Consulta:

select c.Chunk__c, h.hybrid_score__c, h.keyword_score__c, h.vector_score__c from
hybrid_search(table(WikiArticle_c_hybrid_search_2_index__dlm), 'how does Google Chrome
internet browser work ?', '', 100) as h join WikiArticle_c_hybrid_search_2_chunk__dlm
as c on h.SourceRecordId__c=c.RecordId__c ORDER by h.hybrid_score__c desc limit 2;

Resultado:

Para la misma consulta del ejemplo de Google Chrome, la búsqueda híbrida es mucho más potente que una búsqueda vectorial, ya que devuelve fragmentos que incluyen información sobre cómo funcionan los navegadores con detalles específicos sobre el navegador Google Chrome.

Resumen

Cree índice de búsqueda en Data 360 para nutrir a la IA con datos sin estructurar, semiestructurados y estructurados de su organización.

Seleccione el tipo de búsqueda que le venga mejor para las solicitudes de búsqueda de sus usuarios finales y aplicaciones. Si las consultas de los usuarios son principalmente sobre información general o contienen más de cinco palabras, una búsqueda vectorial sería suficiente para esta situación. La búsqueda vectorial proporciona resultados pertinentes cuando una consulta de un usuario tiene contenido contextual, que son normalmente solicitudes más extensas.

Para conseguir los resultados más precisos y pertinentes que combinen coincidencias de búsqueda semántica y coincidencias de búsqueda de palabras clave para una solicitud, cree un índice de búsqueda híbrida.

Estimación de tiempo

Temas

¿Necesita ayuda?

Recursos de Data 360