Conhecer as noções básicas da fundamentação
Objetivos de aprendizagem
Após concluir esta unidade, você estará apto a:
- Entender o conceito de fundamentação de um agente e como isso ajuda.
- Esclarecer como a fundamentação e a geração aumentada por recuperação (RAG) estão relacionadas.
- Descrever os tipos de dados que podem ser usados como fontes de dados para o Agentforce.
Antes de começar
Sabemos que você está animado para saber mais sobre agentes e como fundamentá-los com dados enquanto lançamos novas ferramentas de inteligência artificial (IA) generativa. Antes de começar, considere a possibilidade de concluir esse conteúdo recomendado.
O Glossário de termos de IA generativa do Einstein também aborda muitos dos termos usados nesse emblema, como LLMs (grandes modelos de linguagem), prompts, fundamentação, alucinações, linguagem tóxica, entre outros. Saiba mais sobre LLMs no módulo Grandes modelos de linguagem do Trailhead.
O que é fundamentação?
Em geral, a fundamentação consiste em inserir em um prompt de LLM as informações que você deseja que o LLM considere ao processar uma solicitação. As fontes de dados de fundamentação podem incluir dados estruturados, como planilhas do Excel e dados de CRM, bem como dados não estruturados, como PDFs, registros de bate-papo, mensagens de email e publicações de blog.
O objetivo da fundamentação é melhorar a precisão e a relevância das respostas de LLM. Os LLMs, frequentemente usados com agentes, são treinados com conhecimento geral, em vez de conhecimento específico do contexto ou informações exclusivas. Adicionar conhecimento pertinente e específico do domínio, além de informações contextuais de fontes de dados confiáveis, aprimora os resultados do LLM e aumenta a confiança nas soluções de IA.
Fundamentar os agentes com fontes de dados verificáveis leva a uma melhor tomada de decisão e ações mais eficazes. Os agentes têm mais sucesso quando recebem as informações mais atualizadas, precisas e relevantes. Embora a fundamentação não seja absolutamente necessária para todos os agentes, ela é recomendada para qualquer agente que use LLMs para auxiliar em seu trabalho.
Dados estruturados e não estruturados
As informações usadas para fundamentar agentes e LLMs podem vir de dados estruturados e não estruturados.
Os dados estruturados são organizados em um formato predefinido com metadados conhecidos. É fácil pesquisar, analisar e integrar dados estruturados com agentes. Exemplos incluem dados de objetos do Salesforce, como Accounts (Contas), Contacts (Contatos) e Cases (Casos), ou Objetos de modelo de dados (DMOs).
Os dados não estruturados não têm um formato predefinido e apresentam metadados desconhecidos. Exemplos incluem emails, registros de bate-papo, publicações em mídias sociais ou documentos. Embora sejam mais desafiadores de processar, os dados não estruturados podem fornecer insights valiosos. Dados não estruturados exigem pré-processamento para preparar e otimizar o conhecimento para recuperação. Para conectar esses dados ao Agentforce, você pode usar ferramentas de processamento de linguagem natural (PLN) ou serviços de extração de dados para convertê-los em um formato estruturado.
Fundamentação com Geração aumentada por recuperação (RAG)
A RAG é uma forma de fundamentação que recupera conhecimento de fontes de dados não estruturadas. Nessa abordagem, o prompt de LLM é enriquecido com informações relevantes e atuais de uma fonte confiável, como uma coleção de documentos. Por exemplo, se um cliente perguntar sobre um recurso do produto, a RAG obtém os detalhes mais recentes do recurso na base de conhecimento e adiciona-os ao prompt a partir do qual o LLM gera uma resposta.
Para tornar a fundamentação com dados prática e eficaz, você precisa entender algumas formas de usá-la no Agentforce. Explore essas duas ideias a seguir.