Utilisation de Knowledge dans Agentforce pour Service
Objectifs de formation
Une fois cette unité terminée, vous pourrez :
- Comprendre comment Agentforce pour Service utilise la bibliothèque de données Agentforce
- Expliquer les principales différences entre les connaissances fournies par Agentforce et celles fournies par les robots Einstein
Trailcast
Pour écouter un enregistrement audio de ce module, utilisez le lecteur ci-dessous. Lorsque vous avez fini d’écouter cet enregistrement, n’oubliez pas de revenir à chaque unité, de consulter les ressources et de réaliser les évaluations associées.
Agentforce, une solution s’appuyant sur les données
Imaginez que vous donniez à un agent la possibilité de répondre à des questions en temps réel en récupérant des informations dans votre base de connaissances. C’est exactement ce que fait Agentforce, en toute simplicité.
Comparaison entre la bibliothèque de données Agentforce et les réponses d’articles (robots Einstein)
L’ajout d’une bibliothèque de données Agentforce améliore la précision et renforce la confiance des clients dans les réponses fournies. La bibliothèque de données prend en charge les articles Knowledge (enregistrements et champs), les fichiers chargés, la recherche Web et les récupérateurs personnalisés. Pourquoi cette amélioration est-elle si importante ?
Auparavant, les robots Einstein s’appuyaient sur des données hautement structurées en utilisant les réponses d’articles, ce qui nécessitait un traitement du langage naturel (NLP) pour former les robots à comprendre l’intention et à récupérer des informations à partir d’articles Knowledge. Un mappage manuel était nécessaire pour relier les questions (qui devaient également être créées avec diverses variantes) à des champs spécifiques dans chaque article. Seuls les articles publiés dont les champs étaient renseignés pouvaient être indexés et faire l’objet de recherches, ce qui limitait les réponses à ces champs mappés. Par conséquent, les robots ne pouvaient répondre qu’à des questions spécifiques et prédéfinies et il leur était impossible d’aller au-delà de cela. En fonction de la taille de la base de connaissances, la mise en place pouvait prendre 30 minutes ou plus. Cela revenait à discuter avec quelqu’un qui ne pouvait répondre qu’à des questions auxquelles il avait été spécifiquement formé et qui devaient être formulées de manière très particulière.
Le pouvoir des données non structurées
Agentforce exploite la puissance des grands modèles de langage (LLM) pour traiter des données non structurées, avec l’appui de la bibliothèque de données Agentforce. Les données non structurées comprennent souvent des transcriptions de chat, des PDF, des fichiers audio et vidéo, des documents juridiques et des fichiers texte volumineux tels que des livres. Dans Salesforce, ce type de données peut provenir d’articles Knowledge ou de pièces jointes au format PDF récupérées lors de l’intégration d’une bibliothèque de données Agentforce.
Les données non structurées n’ont pas le même format, mais les LLM, tel que celui utilisé par Agentforce, peuvent traiter et rechercher ce type d’informations facilement. Cela signifie qu’un article ou un PDF peut être chargé dans la bibliothèque de données d’Agentforce. Il n’est pas nécessaire de mapper des champs spécifiques pour la récupération des données, d’actualiser les articles Knowledge ou d’attendre que la mise en place d’une structure se termine. Plus important encore, Agentforce n’a pas besoin d’être formé pour répondre à des questions spécifiques, car il est conçu pour comprendre de manière naturelle les interactions humaines.
La bibliothèque de données utilise l’ancrage avec la génération augmentée de récupération pour indexer les articles Knowledge et les pièces jointes, garantissant ainsi la récupération des informations les plus pertinentes et les plus récentes. Lorsqu’une bibliothèque de données est ajoutée dans Agentforce, Salesforce crée automatiquement une solution alimentée par la génération augmentée de récupération pour récupérer des données non structurées (et structurées) à partir d’articles Knowledge et de fichiers PDF. Grâce à ces données indexées, Einstein peut rapidement confronter ses réponses à des politiques et à des informations spécifiques. L’idée n’est donc pas de simplement « deviner » la bonne réponse. En d’autres termes, lorsqu’un client pose une question, Agentforce accède aux informations pertinentes de la bibliothèque de données et fournit une réponse qui semble naturelle et conversationnelle.
Dans le générateur Agentforce, les utilisateurs peuvent choisir d’utiliser une bibliothèque de données Agentforce existante ou d’en créer une. Pour information, Data Cloud doit être activé avant de configurer une bibliothèque de données. Une fois cela fait, les utilisateurs peuvent charger des pièces jointes ou ajouter des liens vers des articles Knowledge existants, et c’est tout ce dont Agentforce a besoin pour fonctionner. C’est aussi simple que cela.
Récapitulatif
Agentforce pour Service vise à améliorer la productivité et l’efficacité des agents de service en utilisant l’IA pour gérer et interagir plus efficacement avec les données non structurées. En ajoutant des rubriques, des actions et des instructions, les tâches sont clairement définies avec des directives qui indiquent aux agents quand et comment ils doivent interagir avec les clients, et quand ne pas le faire. Maintenant que vous avez compris comment fonctionne Agentforce pour Service, accédez au projet Prise en main rapide : Création de votre premier agent avec Agentforce pour vous exercer de façon concrète !