그라운딩의 기본 사항 알아보기
학습 목표
이 유닛을 완료하면 다음을 수행할 수 있습니다.
- 에이전트 그라운딩의 개념과 유용성을 이해합니다.
- 그라운딩과 검색 증강 생성(RAG)의 관계를 명확히 이해합니다.
- Agentforce의 데이터 소스로 사용할 수 있는 데이터 유형을 설명합니다.
시작하기 전에
Salesforce의 새로운 생성형 인공 지능(AI) 도구가 출시됨에 따라 에이전트와 에이전트 그라운딩에 대해 궁금하실 수 있습니다. 시작하기 전에 먼저 다음 추천 콘텐츠를 완료해 보세요.
Einstein 생성형 AI 용어집에서는 이 뱃지에 사용된 대규모 언어 모델(LLM), 프롬프트, 그라운딩, 환각, 유해 언어 등 여러 용어에 대해 안내하고 있습니다. 대규모 언어 모델 Trailhead 모듈에서 LLM에 대해 자세히 알아보세요.
그라운딩이란?
일반적으로 그라운딩은 LLM이 요청을 처리할 때 고려해야 할 정보를 LLM 프롬프트에 입력하는 것입니다. 그라운딩 대상이 되는 데이터 소스에는 Excel 스프레드시트 및 CRM 데이터와 같은 정형 데이터뿐만 아니라 PDF, 채팅 로그, 이메일 메시지, 블로그 게시물과 같은 비정형 데이터도 포함됩니다.
그라운딩의 목적은 LLM 응답의 정확성과 관련성을 향상시키는 것입니다. 에이전트와 함께 자주 사용되는 LLM은 특정 컨텍스트에 특화된 지식이나 기밀 정보보다는 일반적인 정보를 바탕으로 훈련됩니다. 신뢰할 수 있는 데이터 소스에서 가져온 관련 영역에 특화된 지식과 컨텍스트 정보를 추가하면 LLM 결과가 향상되고 AI 솔루션에 대한 신뢰도가 높아집니다.
검증 가능한 데이터 소스를 사용하여 에이전트를 그라운딩하면 더 나은 의사결정과 효과적인 조치가 가능해집니다. 에이전트는 정확하고 관련성 높은 최신 정보를 제공받을 때 더 나은 성과를 제공합니다. 그라운딩이 모든 에이전트에 필수적인 것은 아니지만, LLM을 사용하여 업무를 수행하는 에이전트에는 그라운딩이 권장됩니다.
정형 및 비정형 데이터
에이전트와 LLM을 그라운딩하는 데 사용되는 정보는 정형 및 비정형 데이터에서 가져올 수 있습니다.
정형 데이터는 사전 정의된 형식으로 구성되며 알려진 메타데이터를 포함합니다. 정형 데이터는 검색, 분석, 에이전트와의 통합이 용이합니다. 정형 데이터의 사례로는 계정, 연락처, 사례와 같은 Salesforce 개체 또는 데이터 모델 개체(DMO) 등이 있습니다.
비정형 데이터는 사전 정의된 형식이 없으며 알 수 없는 메타데이터를 포함합니다. 예를 들어 이메일, 채팅 로그, 소셜 미디어 게시물 또는 문서가 있습니다. 비정형 데이터는 처리하기 더 어렵지만 유용한 인사이트를 제공할 수 있습니다. 비정형 데이터는 검색을 위해 지식을 준비하고 최적화하는 전처리 과정이 필요합니다. 이 데이터를 Agentforce에 연결하려면 자연어 처리(NLP) 도구나 데이터 추출 서비스를 사용하여 정형화된 형식으로 변환해야 합니다.
검색 증강 생성(RAG)을 사용한 그라운딩
RAG는 비정형 데이터 소스에서 지식을 검색하는 형태의 그라운딩입니다. 이 방식에서는 LLM 프롬프트에 문서 모음과 같은 신뢰할 수 있는 소스의 관련 최신 정보가 추가됩니다. 예를 들어 고객이 제품 기능에 대해 문의하면 RAG는 기술 자료에서 최신 기능 세부 정보를 가져와 이를 LLM이 응답을 생성하는 데 사용하는 프롬프트에 추가합니다.
데이터 기반 그라운딩을 실용적이고 효과적으로 사용하려면 Agentforce에서 이를 활용하는 몇 가지 방법을 이해해야 합니다. 다음 트레일에서 이러한 두 가지 방법을 살펴보겠습니다.