Découverte des concepts de base de l’ancrage
Objectifs de formation
Une fois cette unité terminée, vous pourrez :
- Comprendre le concept d’ancrage d’un agent et son utilité
- Clarifier la relation entre l’ancrage et la génération augmentée de récupération (RAG)
- Décrire les types de données qui peuvent être utilisés comme sources de données pour Agentforce
Avant de commencer
Vous avez sûrement très envie d’en savoir plus sur les agents et leur ancrage dans les données à l’heure où nous déployons nos nouveaux outils d’intelligence artificielle (IA) générative. Avant de commencer, nous vous invitons à consulter le contenu recommandé suivant.
Le glossaire des termes relatifs l’IA générative Einstein contient également de nombreux termes utilisés dans ce badge, tels que les grands modèles de langage (LLM), les instructions génératives, l’ancrage, les hallucinations, le langage toxique et plus encore. Pour en savoir plus sur les LLM, consultez le module Trailhead Grands modèles de langage.
Qu’est-ce que l’ancrage ?
De manière générale, l’ancrage consiste à intégrer à une instruction générative de LLM les informations que vous souhaitez que le LLM prenne en compte lors du traitement d’une requête. Les sources de données d’ancrage peuvent inclure des données structurées, telles que des feuilles de calcul Excel et des données de CRM, ainsi que des données non structurées, telles que des fichiers PDF, des journaux de chat, des e-mails et des publications de blog.
L’objectif de l’ancrage est d’améliorer la précision et la pertinence des réponses des LLM. Les LLM, qui sont fréquemment utilisés avec les agents, sont entraînés sur des données générales plutôt que sur des connaissances contextuelles ou des informations propriétaires. L’ajout d’informations contextuelles et de connaissances pertinentes propres à un domaine provenant de sources de données fiables améliore les résultats des LLM et renforce la confiance dans les solutions d’IA.
Le fait d’ancrer les agents dans des sources de données vérifiables permet une meilleure prise de décision et des actions plus efficaces. Les agents obtiennent de meilleurs résultats lorsqu’ils disposent des informations les plus récentes, les plus précises et les plus pertinentes possibles. Bien que l’ancrage ne soit pas absolument nécessaire pour tous les agents, il est recommandé pour tous ceux qui utilisent des LLM en vue d’accomplir leurs tâches.
Données structurées et non structurées
Les informations utilisées pour ancrer des agents et des LLM peuvent provenir de données structurées et non structurées.
Les données structurées sont organisées dans un format prédéfini avec des métadonnées connues. Elles sont faciles à consulter, à analyser et à intégrer à des agents. Par exemple, il peut s’agir de données provenant d’objets Salesforce, tels que des comptes, des contacts et des requêtes, ou d’objets modèle de données (DMO).
Les données non structurées n’ont pas de format prédéfini et leurs métadonnées sont inconnues. Il peut s’agir, par exemple, d’e-mails, de journaux de chat, de publications sur les réseaux sociaux ou de documents. Bien qu’elles soient plus difficiles à traiter, les données non structurées peuvent fournir de précieuses informations. Les données non structurées nécessitent un prétraitement afin de préparer et d’optimiser les connaissances en vue de leur récupération. Pour connecter ces données à Agentforce, vous pouvez utiliser des outils de traitement du langage naturel (NLP) ou des services d’extraction de données afin de les convertir dans un format structuré.
Ancrage avec la génération augmentée de récupération (RAG)
La RAG est une forme d’ancrage qui permet de récupérer des connaissances à partir de sources de données non structurées. Dans cette approche, l’instruction générative de LLM est enrichie avec des informations pertinentes et actuelles provenant d’une source fiable, telle qu’une collection de documents. Par exemple, si un client pose une question sur la fonctionnalité d’un produit, la RAG obtient les derniers détails de la fonctionnalité dans votre base de connaissances et les ajoute à l’instruction générative à partir de laquelle le LLM génère une réponse.
Pour que l’ancrage dans les données soit pratique et efficace, vous devez comprendre comment l’utiliser dans Agentforce. Vous découvrirez cela dans l’unité suivante.