Nozioni di base sul radicamento nel contesto
Obiettivi di apprendimento
Al completamento di questa unità, sarai in grado di:
- Comprendere il concetto di radicamento nel contesto di un agente e perché è utile.
- Chiarire in che modo il radicamento nel contesto e la generazione aumentata di recupero (RAG) sono correlati.
- Descrivere i tipi di dati che possono essere usati come origini dati per Agentforce.
Prima di iniziare
Sappiamo che attendi con ansia di sapere come funzionano gli agenti e in che modo si possono radicare nel contesto dei dati mentre introduciamo nuovi strumenti di intelligenza artificiale (IA) generativa. Prima di iniziare, ti consigliamo di completare i contenuti seguenti.
Anche il glossario dei termini dell’IA generativa Einstein include diversi termini usati in questo badge, tra cui Large Language Model (LLM), Prompt, Radicamento nel contesto, Allucinazioni, Linguaggio tossico e altri. Per saperne di più sugli LLM, vedi il modulo Trailhead Large Language Model.
Che cos’è il radicamento nel contesto?
In generale, il radicamento nel contesto consiste nell’inserire in un prompt LLM le informazioni che si desidera che l’LLM prenda in considerazione quando elabora una richiesta. Le origini dati utilizzate per il radicamento nel contesto possono includere dati strutturati, come fogli di calcolo Excel e dati del CRM, nonché dati non strutturati, come PDF, registri di chat, messaggi email e post di blog.
L’obiettivo del radicamento nel contesto è migliorare l’accuratezza e la pertinenza delle risposte fornite dall’LLM. Gli LLM, usati di frequente con gli agenti, vengono addestrati su conoscenze generali piuttosto che su conoscenze specifiche del contesto o informazioni proprietarie. L’aggiunta di conoscenze pertinenti e specifiche del dominio e di informazioni contestuali provenienti da origini dati affidabili migliora i risultati dell’LLM e aumenta la fiducia nelle soluzioni di IA.
Radicare gli agenti nel contesto di origini dati verificabili consente di migliorare i processi decisionali e l’efficacia delle azioni. Gli agenti ottengono risultati migliori se utilizzano le informazioni più aggiornate, accurate e pertinenti. Sebbene il radicamento nel contesto non sia assolutamente necessario per tutti gli agenti, è consigliato per tutti gli agenti che utilizzano gli LLM per svolgere il proprio lavoro.
Dati strutturati e non strutturati
Le informazioni utilizzate per radicare nel contesto gli agenti e gli LLM possono provenire da dati strutturati e non strutturati.
I dati strutturati sono organizzati in un formato predefinito con metadati noti. È facile cercare, analizzare e integrare i dati strutturati con gli agenti. Alcuni esempi sono i dati provenienti dagli oggetti Salesforce, come Account, Referenti e Casi, o gli oggetti modello di dati (DMO, Data Model Object).
I dati non strutturati non hanno un formato predefinito e usano metadati sconosciuti. Alcuni esempi sono i messaggi email, i registri delle chat, i post sui social media o i documenti. Anche se sono più complessi da elaborare, i dati non strutturati possono fornire informazioni utili. I dati non strutturati richiedono un’elaborazione preliminare per preparare e ottimizzare le informazioni da recuperare. Per collegare questi dati ad Agentforce, è possibile utilizzare strumenti di elaborazione del linguaggio naturale (NLP) o servizi di estrazione dati per convertirli in un formato strutturato.
Radicamento nel contesto con Generazione aumentata di recupero (RAG)
La RAG è una forma di radicamento nel contesto che recupera le conoscenze da origini di dati non strutturati. In questo approccio, il prompt LLM viene arricchito con informazioni pertinenti e aggiornate provenienti da un’origine attendibile, come una raccolta di documenti. Ad esempio, se un cliente chiede informazioni su una funzionalità di un prodotto, la RAG recupera i dettagli più recenti dalla knowledge base e li aggiunge al prompt a partire dal quale l’LLM genera una risposta.
Per eseguire un radicamento nel contesto di dati utili ed efficaci, devi conoscere alcuni modi di usarlo in Agentforce. Esplorerai queste due idee in seguito.
Risorse
- Blog: AI Grounding Reduces Generative Hallucinations (Il radicamento nel contesto dell’IA riduce le allucinazioni generative)
- Trailhead: Nozioni fondamentali sui dati per l'IA
- Trailhead: Generazione aumentata di recupero (RAG): breve panoramica
- Guida di Salesforce: Mantenere la fiducia con le azioni Agentforce
- Guida di Salesforce: Progettazione e implementazione degli agenti