Implémentation de Data 360 pour Agentforce

Objectifs de formation

Une fois cette unité terminée, vous pourrez :

• Expliquer comment préparer les données pour Agentforce
  
• Expliquer comment créer un agent reposant sur des données unifiées et transformées provenant de Data 360
  

Compréhension des exigences en matière de données

Avant d’implémenter Data 360, vous devez comprendre les exigences de votre projet en matière de données. Il est utile d’examiner les étapes de la préparation des données et les questions à prendre en compte.

Ce tableau n’est pas exhaustif. Pour en savoir plus, consultez l’unité Préparation de vos données du module IA + Données : Planification du projet.

Dans la section suivante, suivez l’entreprise NTO alors qu’elle identifie, connecte et traite des données pour son projet Agentforce.

Configuration de Data 360 pour les agents

NTO souhaite créer un agent capable de répondre aux questions sur les problèmes liés aux produits. NTO prévoit d’ancrer ses instructions génératives avec la génération augmentée de récupération (RAG) avancée de Data 360. Suivez Pia, architecte d’entreprise chez NTO, pendant qu’elle configure Data 360 et conçoit un agent, en commençant par la préparation des données. Voici les étapes initiales qu’elle réalise.

1. Elle active et provisionne Data 360 dans une organisation.
   
2. Elle configure des utilisateurs Data 360.
   
3. Elle recherche des données relatives aux requêtes client et identifie leur source.
   

Dans Service Cloud, NTO stocke les données relatives aux requêtes client. Voici quelques exemples de requêtes provenant de différents clients.

• Requête 1 : le modèle de pantalon 1068 est trop court
  
• Requête 2 : le modèle de pantalon 2000 est trop long
  
• Requête 3 : la montre fitness ne se recharge pas rapidement
  

4. Il est maintenant temps de créer un flux de données qui ingère les données de requête issues de Service Cloud dans Data 360. Les données de requête sont stockées dans l’objet lac de données Requête.
   
5. Pia a recours à une transformation de données par lot afin de résoudre les problèmes de données, tels que les incohérences de noms et de formats. Les données transformées sont stockées dans l’objet lac de données Requête nettoyée.
   
6. Elle ajoute ensuite des mappages entre l’objet lac de données Requête nettoyée et l’objet modèle de données Requête.
   
7. Il est maintenant temps de créer et d’exécuter un jeu de règles de résolution de l’identité pour lier les requêtes aux profils unifiés des clients.
   

Désormais, Pia connaît mieux le contexte de chaque requête. Par exemple, Pia voit que la requête 1, concernant un pantalon trop court, est de Rachel Rodriguez. Le profil unifié de Rachel comprend sa taille, 170 cm. Pia constate également que la requête°2, qui concerne un pantalon trop long, vient d’un client mesurant 165 cm. Ce contexte aidera l’agent à fournir des réponses plus pertinentes et efficaces.

Une fois les données ingérées, transformées et unifiées, Pia est prête à configurer la génération augmentée de récupération.

1. Elle crée un index de recherche à partir de l’objet modèle de données Requête et un index de recherche à partir de l’objet modèle de données Individu unifié.
   

Ces index seront utilisés pour alimenter la RAG dans leur agent. Data 360 crée automatiquement un récupérateur pour chaque index, qui sert de pont entre les index de recherche et les modèles d’instruction générative.

Pia peut également créer un récupérateur d’ensemble. Apprenez-en davantage dans Création d’un récupérateur d’ensemble.

2. À présent, Pia crée un modèle d’instruction générative qui appelle le récupérateur d’ensemble ou les deux récupérateurs individuels.
   

Le récupérateur ajoute les informations les plus pertinentes à l’instruction générative. Le modèle d’instruction générative de Pia analyse la question du client et utilise sa base de connaissances (données de requête et profils unifiés existants) pour formuler une réponse.

Il est temps d’utiliser le modèle d’instruction générative dans un agent. Pia réalise les étapes suivantes :

1. Elle crée un agent à partir d’un modèle Agent de service Agentforce.
   
2. Elle crée un ensemble d’autorisations qui comprend l’accès au générateur d’instructions génératives, à l’objet modèle de données Requête et à l’objet modèle de données Individu unifié. Elle attribue ensuite l’ensemble d’autorisations à l’utilisateur agent.
   
3. Elle crée une action d’agent nommée « Répondre aux questions avec la requête » qui utilise le modèle d’instruction générative.
   
4. Elle ajoute une rubrique à l’utilisateur agent.
   
5. Elle ajoute l’action « Répondre aux questions avec la requête » à la rubrique.
   
6. Elle active et teste l’agent.
   

Par exemple, Pia pose la question suivante à l’agent : « J’ai de longues jambes et je mesure 170 cm. Quels modèles de pantalon recommandes-tu et lesquels déconseilles-tu ? ». L’agent répond : « Les clients de même taille signalent que le modèle 1068 est trop court. Ils indiquent que le modèle 2000 est plus long. Je recommande le modèle 2000 et déconseille le modèle 1068. »

Après quelques séries supplémentaires de tests et d’ajustements de l’instruction générative, Pia et son équipe sont satisfaites de ses performances. NTO déploie et rend opérationnel son agent en l’ajoutant aux canaux client. Après le déploiement, l’équipe assure la surveillance et l’amélioration en continu de l’agent. Une fois que vous commencez à utiliser votre agent, vous devez appliquer les bonnes pratiques suivantes.

• Surveiller le journal d’audit et faire des commentaires sur les agents.
  
• Modifier les instructions génératives pour répondre aux commentaires négatifs.
  
• Surveiller les performances à l’aide de tableaux de bord Agentforce Analytics.
  
• Mettre à jour l’implémentation de la RAG afin de garder les sources de données des agents à jour.
  

Conclusion

Dans ce module, vous avez découvert comment Data 360 prend en charge les fonctionnalités d’Agentforce, ainsi que la différence entre l’activation et l’implémentation de Data 360. Bien que l’activation de Data 360 permette de débloquer certaines fonctionnalités, telles que la couche de confiance Einstein et la RAG avec la bibliothèque de données Agentforce, son implémentation est l’étape suivante essentielle compte tenu de tous ses avantages.

L’implémentation de Data 360 fournit aux agents une base de données unifiée qui étend leurs connaissances à travers Salesforce et au-delà. Par ailleurs, les solutions de RAG reposant sur Data 360 disposent de contexte provenant de profils unifiés, utilisent des données transformées prétraitées, et prennent en charge divers types et sources de données. Lorsque Data 360 est implémenté, les agents bénéficient de capacités en temps réel et d’un accès à des données zéro copie externes, ce qui accroît leur potentiel.

Vous avez suivi NTO dans la préparation de ses données, l’implémentation de Data 360 pour Agentforce et la conception d’un agent de service qui utilise des profils unifiés afin de fournir des réponses efficaces. Désormais, vous êtes également prêt à implémenter Data 360 pour Agentforce dans votre entreprise.

Ressources

• Aide Salesforce : Gestion des index de recherche
• Aide Salesforce : Transformations de données par lot
• Aide Salesforce : Création d’un agent à partir d’un modèle Agent de service Agentforce
• Aide Salesforce : Meilleures pratiques relatives aux autorisations d’utilisateur agent
• Aide Salesforce : Déploiement de votre agent sur des canaux
• Trailhead : Data 360 : Exploitation des données