Introdução aos dados não estruturados no Data Cloud
Objetivos de aprendizagem
Após esta etapa, você estará apto a:
- Definir dados não estruturados no Data Cloud.
- Explicar como dados não estruturados melhoram suas estratégias de IA e automação.
- Descrever como conectar dados a partir de um armazenamento de blob externo (como o Amazon S3).
Nota
Deseja aprender em português (Brasil)? Comece o desafio em um Trailhead Playground de português (Brasil) e use as traduções fornecidas entre parênteses para navegar. Copie e cole somente os valores em inglês porque as validações dos desafios dependem de dados em inglês. Se você não passar no desafio em sua organização de português (Brasil), recomendamos que (1) mude o local para os Estados Unidos, (2) mude o idioma para inglês, seguindo as instruções aqui, e (3) clique novamente no botão “Validar o desafio”.
Consulte o emblema Trailhead no seu idioma para saber mais sobre como aproveitar a experiência de Trailhead em outros idiomas.
O que são dados não estruturados?
Os dados que sua organização coleta geralmente assumem três formas: estruturados, semiestruturados e não estruturados. As organizações coletam uma parte cada vez maior de dados não estruturados, mas só aproveitam efetivamente uma parte muito pequena deles. A integração eficaz de grandes quantidades de dados em fluxos de trabalho pode ser um desafio, especialmente para fins de pesquisa e recuperação. Chegou o momento de mudar isso já que o Data Cloud é compatível com dados não estruturados.
Dados não estruturados são dados que não têm um formato específico e consistente, e não podem ser facilmente armazenados em um banco de dados relacional típico. A falta de estrutura torna particularmente difícil a pesquisa ou a análise. No entanto, as tecnologias de IA, como os grandes modelos de linguagem (LLMs), podem processar dados não estruturados de forma eficaz. Este recurso faz com que muitas empresas incorporem volumes cada vez maiores de dados não estruturados nas suas estratégias baseadas em dados.
As formas comuns de dados não estruturados incluem transcrições de chats, arquivos de áudio e vídeo, emails, documentos legais e outros textos extensos, como livros. No Salesforce, exemplos de dados não estruturados são os dados de artigos do Knowledge ou transcrições de chamadas de vendas.
Usar dados não estruturados para melhorar suas estratégias de IA e automação
Quando você conecta seus dados não estruturados no Data Cloud, pode criar resultados centrados no cliente em seus aplicativos de IA generativa do Einstein (Criador de prompts e Agentforce), automação (Flow Builder) e análise (Tableau e CRM Analytics). Por exemplo, você pode aprimorar as recomendações de resposta de atendimento gerando respostas aos clientes usando dados de artigos do Knowledge ou criar modelos de prompt que usam emails anteriores para gerar mensagens personalizadas. Ou você pode usar o Flow Builder e o Agentforce para mostrar aos agentes de atendimento dados de casos semelhantes para ajudar na resolução de casos ou quando eles registrarem novos casos.
Conectar dados não estruturados a partir de armazenamentos de blobs externos
O Data Cloud pode fazer referência a dados não estruturados nos formatos HTML, TXT e PDF (e outros formatos em versões futuras). Como o Data Cloud já é compatível com conexões do Amazon S3, Armazenamento de blobs do Azure e Google Cloud Storage, serão necessários apenas alguns cliques na configuração para importar seus dados não estruturados, caso você já tenha configurado essas conexões.
Após criar uma conexão entre o armazenamento de blobs externo e o Data Cloud, é possível fazer referência a dados não estruturados no Data Cloud criando um objeto de data lake não estruturado (UDLO) e mapeando-o para um objeto de modelo de dados não estruturados (UDMO).
O Data Cloud cria automaticamente mapeamentos em nível de campo entre UDLOs e UDMOs porque os esquemas nos dois objetos são idênticos. Leia mais sobre os esquemas na Ajuda do Salesforce.
O relacionamento entre UDLOs e UDMOs pode ser do tipo 1:1 ou N:1. Isso significa que cada UDLO pode ser mapeado para, no máximo, um UDMO, enquanto vários UDLOs podem ser mapeados para um único UDMO. Vamos ver um exemplo.
Imagine que você esteja fazendo referência a dados de registro de casos de vários armazenamentos de blobs externos. Três UDLOs diferentes fazem referência a dados dessas três origens: CaseRecordingsFromAWSBucket1, CaseRecordingsFromAWSBucket2 e CaseRecordingsfromGCS. Como essas origens são logicamente o mesmo objeto, os UDLOs individuais são mapeados para um UDMO: CaseRecordings.
Ao conectar dados não estruturados dos seus armazenamentos de blobs externos ao Data Cloud, você oferecerá aos administradores e usuários um conteúdo mais relevante para ajudá-los a resolver problemas, gerenciar casos e criar prompts eficazes para aplicativos de IA generativa do Einstein.
O Data Cloud não importa dados não estruturados. Os UDMOs fazem referência a eles a partir do armazenamento de blob externo.
Inscrever-se em um Playground personalizado com o Data Cloud
Para concluir este projeto, você precisa de um Playground personalizado que contenha o Data Cloud e nossos dados de amostra. Se você ainda não tiver clicado no botão Create Playground (Criar Playground), na parte superior desta página, faça isso agora. Além disso, siga as etapas para criar um Playground personalizado e conectá-lo ao Trailhead.
Esse playground personalizado foi projetado para lidar com os desafios deste emblema e pode não funcionar para outros emblemas. Verifique sempre se está usando o Trailhead Playground ou a organização Developer Edition especial que recomendamos.
Após ativar seu Playground personalizado, você estará pronto para ingerir o conteúdo de um artigo do Knowledge como dados não estruturados. Clique em Verify step to earn 100 points (Verificar etapa para ganhar 100 pontos), na seção Challenge (Desafio), para acessar a próxima etapa do projeto.