Agentforce용 Data 360 구현하기
학습 목표
이 유닛을 완료하면 다음을 수행할 수 있습니다.
- Agentforce를 위한 데이터 준비 방법을 설명합니다.
- Data 360의 통합되고 변환된 데이터를 기반으로 구축된 에이전트를 생성하는 방법을 설명합니다.
데이터 요구 사항 이해하기
Data 360을 구현하기 전에 프로젝트의 데이터 요구 사항을 이해해야 합니다. 데이터 준비 단계와 고려할 질문을 검토하면 도움이 됩니다.
데이터 준비 단계 | 고려할 질문 |
|---|---|
|
|
|
|
|
|
이 표에서 모든 내용을 다루지는 않습니다. 더 자세한 내용은 AI + 데이터: 프로젝트 계획 모듈의 데이터 준비 유닛을 살펴보세요.
다음 섹션에서는 NTO가 Agentforce 프로젝트용 데이터를 식별, 연결, 처리하는 과정을 살펴봅니다.
에이전트용 Data 360 구성하기
NTO는 제품 문제에 관한 문의에 응답하는 에이전트를 구축하려고 합니다. NTO는 프롬프트를 고급 Data 360 RAG와 그라운딩하려고 합니다. NTO의 엔터프라이즈 아키텍트인 Pia를 따라 데이터 준비부터 Data 360을 구성하고 에이전트를 구축하는 과정을 살펴봅시다. 다음은 Pia가 수행하는 초기 단계입니다.
- 조직에서 Data 360을 활성화하고 프로비저닝합니다.
- Data 360 사용자를 설정합니다.
- 고객 사례에 관한 데이터를 찾고 소스를 확인합니다.
NTO는 Service Cloud에서 고객 사례 데이터를 저장합니다. 다음은 여러 고객의 몇 가지 사례입니다.
- 사례 1: 바지 스타일 1068의 길이가 너무 짧음
- 사례 2: 바지 스타일 2000의 길이가 너무 김
- 사례 3: 피트니스 워치의 충전 속도가 느림
- 이제 Service Cloud에서 Data 360으로 사례 데이터를 가져올 데이터 스트림을 생성할 차례입니다. 사례 데이터는 사례 데이터 레이크 개체(DLO)에 저장됩니다.
- Pia는 배치 데이터 변환을 사용하여 일관성 없는 이름과 형식 같은 데이터 문제를 해결합니다. 변환된 데이터는 정제된 사례 DLO에 저장됩니다.
- 그런 다음 Pia는 정제된 사례(DLO)와 사례 데이터 모델 개체(DMO) 사이에 매핑을 추가합니다.
- 이제 사례를 고객 통합 프로필과 연결하기 위해 ID 확인 규칙 집합을 생성하고 실행할 차례입니다.
이제 Pia는 각 사례에 대해 더 자세한 컨텍스트 정보를 알고 있습니다. 예를 들어, Pia는 바지의 길이가 너무 짧다는 내용의 사례 1이 Rachel Rodriguez의 사례임을 확인합니다. Rachel의 통합 프로필에는 신장이 170cm라는 내용이 포함되어 있습니다. Pia는 바지의 길이가 너무 길다는 내용의 사례 2가 신장이 165cm인 고객의 사례라는 것도 확인합니다. 이 컨텍스트를 통해 에이전트는 더 관련성 있고 효과적인 응답을 제공할 수 있습니다.
데이터를 수집하고 변환하고 통합한 Pia는 RAG를 설정할 준비가 되었습니다.
- Pia는 사례 DMO에서 검색 색인을 만들고 통합 개인 DMO에서 검색 색인을 만듭니다.
이 색인들은 에이전트에서 RAG를 지원하는 데 사용될 것입니다. Data 360은 각 색인에 대해 검색기를 자동으로 생성하여 검색 색인과 프롬프트 템플릿 사이를 연결하는 역할을 합니다.
필요한 경우 Pia는 앙상블 검색기를 생성할 수 있습니다. 자세한 내용은 앙상블 검색기 만들기를 참조하세요.
- 이제 Pia는 앙상블 검색기 또는 개별 검색기 모두를 호출하는 프롬프트 템플릿을 생성합니다.
검색기는 가장 관련 있는 정보로 프롬프트를 채웁니다. Pia의 프롬프트 템플릿은 고객의 문의를 분석하고 기술 자료(기존 사례 데이터 및 통합 프로필)를 사용하여 답변을 구성합니다.
에이전트에서 프롬프트 템플릿을 사용할 차례입니다. Pia는 다음을 수행합니다.
- Agentforce 서비스 에이전트 템플릿에서 새 에이전트를 만듭니다.
- 프롬프트 빌더, 사례 DMO, 통합 개인 DMO에 액세스할 수 있는 권한을 포함하는 권한 집합을 만듭니다. 그런 다음 그 권한 집합을 에이전트 사용자에 할당합니다.
- 프롬프트 템플릿을 사용하는 Answer Questions with Case(사례로 질문에 답변)라는 이름의 에이전트 작업을 생성합니다.
- 에이전트 사용자에 주제를 추가합니다.
- Answer Questions with Case(사례로 질문에 답변) 작업을 주제에 추가합니다.
- 에이전트를 활성화하고 테스트합니다.
예를 들어, Pia는 에이전트에게 질문합니다. ”나는 다리가 길고 신장이 170cm야. 추천하는 바지 스타일과 추천하지 않는 바지 스타일을 알려 줄래?” 에이전트는 이렇게 답합니다. ”비슷한 신장을 가진 고객들은 스타일 1068은 길이가 너무 짧고, 스타일 2000의 길이가 더 길다고 의견을 주었습니다. 따라서 스타일 2000을 추천해 드리며, 스타일 1068은 추천하지 않습니다.”
프롬프트를 몇 번 더 테스트하고 변경한 후, Pia와 팀은 에이전트의 성능에 만족합니다. NTO는 에이전트를 고객 채널에 추가하여 에이전트를 배포하고 운영합니다. 배포 후 팀은 반드시 에이전트를 지속적으로 모니터링하고 개선해야 합니다. 에이전트를 사용하기 시작하면 다음 모범 사례를 반드시 따르세요.
- 감사 추적을 모니터링하고 에이전트에 대한 피드백을 제공합니다.
- 중요한 피드백을 해결하기 위해 프롬프트를 편집합니다.
- Agentforce Analytics 대시보드로 성능을 모니터링합니다.
- RAG 구현을 업데이트하여 에이전트의 데이터 소스를 최신 상태로 유지합니다.
마무리
이 모듈에서는 Data 360이 Agentforce 기능을 지원하는 방식과 Data 360의 활성화 및 구현의 차이점에 대해 살펴보았습니다. Data 360을 활성화하면 Einstein Trust Layer와 Agentforce 데이터 라이브러리를 통한 RAG 같은 일부 기능을 사용할 수 있지만, 모든 이점을 고려할 때 Data 360을 구현하는 것이 중요한 다음 단계입니다.
구현된 Data 360은 에이전트에게 지식을 Salesforce와 그 이상으로 확장하는 통합된 데이터 기반을 제공합니다. 또한 Data 360을 기반으로 구축된 RAG 솔루션은 통합 프로필에서 컨텍스트를 가져오고, 사전 처리되고 변환된 데이터를 사용하며, 다양한 데이터 형식과 소스를 지원합니다. Data 360이 구현되면 에이전트는 실시간 기능과 외부 제로 카피 데이터에 대한 액세스를 활용하여 더 확장된 범위에서 강력한 기능을 발휘합니다.
지금까지 NTO가 데이터를 준비하고, Agentforce용으로 Data 360을 구현하며, 효과적인 응답을 제공하기 위해 통합 프로필을 사용하는 서비스 에이전트를 구축하는 과정을 함께 살펴보았습니다. 이제 여러분의 비즈니스에서도 Agentforce용 Data 360을 구현할 준비가 되었습니다!