Préparation de votre contenu source

Service centré sur la Knowledge

Knowledge-Centered Service (KCS) est un ensemble de meilleures pratiques de gestion Knowledge standard de l'industrie. Ils vous aident à créer des articles précis et cohérents, ce qui améliore à son tour l'ancrage Knowledge. Nous énumérons ici quelques pratiques clés, mais vous pouvez en apprendre davantage au Consortium pour l'innovation de service.

Il existe quatre piliers clés pour préparer votre contenu à l’utilisation avec des modèles d’IA via des bibliothèques de données. Vous souhaitez que votre contenu soit spécifique, organisé, détaillé et précis. Examinez comment appliquer ces meilleures pratiques à votre cas d'utilisation. Vous pouvez ainsi créer une base Knowledge plus efficace qui amplifie les forces de l'IA générative.

Spécifique

• Tenez compte de l'audience de chaque article. Les clients préfèrent des réponses courtes et axées sur la solution, alors que les agents de service ou les développeurs ont besoin d'une profondeur technique plus importante. Ajustez le ton, la structure et le niveau de détail pour les adapter aux besoins de l'audience identifiée.
• Segmentez le contenu en articles axés sur des sujets isolés. Les systèmes IA récupèrent les informations par fragments. Par conséquent, les articles qui combinent des rubriques vaguement associées réduisent la cohérence, diluent les incorporations et augmentent le risque de combinaison d'idées non concordantes par le modèle. Assurez-vous que chaque article répond à une intention clairement définie de l'utilisateur et évitez d'aborder plusieurs sujets non liés ou partiellement liés dans un seul article.
• Recherchez et choisissez stratégiquement des rubriques d'articles. En cas de doute sur les rubriques à traiter, commencez par identifier les scénarios, les questions et les problèmes typiques auxquels vos utilisateurs sont confrontés. Cette recherche garantit que chaque article répond aux besoins réels des utilisateurs, sans information non liée ou inutile.
• Choisissez des termes clairs et standard pour les concepts clés et respectez-les. Définissez des abréviations et marquez les termes obsolètes comme obsolètes. Une terminologie cohérente aide les agents IA à lier correctement les concepts associés entre les articles et à éviter de générer des réponses qui mélangent les idées ou interprètent mal les termes.

Organisé

• Utilisez une hiérarchie structurelle claire. Comme les personnes, les systèmes d’IA comprennent mieux les contenus lorsqu’ils sont structurés de façon logique. Utilisez des balises d'en-tête (H1 à H6) pour refléter la hiérarchie d'informations avec des paragraphes, des listes et des en-têtes afin de signaler des frontières conceptuelles et des relations. Une architecture d'information claire, et des sections qui regroupent les idées associées sémantiquement, améliorent la segmentation, l'analyse et la vectorisation globales pour la consommation d'IA.
• Répartissez les contenus longs entre les champs. Ne stockez pas de grandes quantités d'informations dans un champ de texte unique. Divisez le contenu en champs significatifs correspondant à des parties du texte, par exemple Question, Description, Résolution et Exceptions. Les frontières explicites aident à élaborer un index de recherche plus précis et prennent en charge la récupération précise.
• Séparez le contenu par audience en utilisant l’application automatique avant la récupération et à l’exécution. Les informations destinées aux clients, aux agents de service et aux développeurs doivent différer en profondeur, en ton et en sensibilité. Pour éviter les erreurs d'exposition et améliorer la récupération de contenus IA :
  • Pour la séparation préalable à la récupération, créez des champs ou des articles dédiés pour chaque audience. L'indication explicite d'une audience cible aide les agents à réduire l'ambiguïté entre les audiences.
  • Pour le filtrage à l'exécution, utilisez des métadonnées au niveau de l'accès afin de vous assurer que les agents récupèrent uniquement le contenu approprié pour l'utilisateur qui interroge le système ou le cas d'utilisation en question.
• Utilisez des métadonnées pour optimiser la récupération de contenus. Dans les systèmes RAG, les requêtes récupèrent les segments de contenu pertinents avant que le modèle génère une réponse finale. Les métadonnées, notamment les balises de produit, l'audience cible, la gestion des versions et les niveaux d'accès, permettent un filtrage, un classement et une conformité précis, ce qui améliore la précision de la récupération et garantit que les réponses des agents sont fondées.

Détails

• Fournissez des informations complètes et complètes. L’IA générative est plus performante avec des informations détaillées et complètes qu’elle peut synthétiser et déployer à plusieurs niveaux de détail. Privilégiez les explications claires et complètes au nombre de mots, en particulier pour les contenus techniques. Les détails ne sont pas une question de longueur, mais de suffisance explicative.
• Définissez le contexte, les conditions et les hypothèses de chaque étape. Insérez l'applicabilité des versions, les variables d'environnement, le traitement des exceptions et clarifiez le raisonnement derrière chaque étape. Sans cela, les modèles peuvent combler les lacunes avec des informations plausibles mais incorrectes (c.-à-d. des hallucinations).
• Insérez des scénarios réels pour enrichir l'ancrage contextuel. Décrivez des exemples en détail et incluez les meilleures pratiques ou considérations pour des cas d'utilisation courants. De la même façon, décrivez les erreurs courantes des utilisateurs ou les chemins d'escalade à haute fréquence afin de permettre aux systèmes Al de répondre avec nuance plutôt qu'avec des résumés génériques.
• Annotez des contenus visuels tels que des images, des vidéos et des captures d'écran avec un texte alt clair et des légendes descriptives. Bien que les visuels soient faciles à comprendre, les systèmes d’IA s’appuient sur des descriptions structurées pour interpréter et utiliser correctement ce contexte. Si les visuels sont importants pour votre base Knowledge, utilisez un analyseur élaboré pour le traitement des images ou multimodal. La Bibliothèque de données Agentforce détecte vos modes de contenu et applique l'analyseur le plus approprié pour vous. Malgré tout, l'ajout de détails spécifiques tels que des objets, un texte visible, une présentation, des couleurs, des relations et un contexte général permet d'améliorer la précision, la recherche et la cohérence entre les systèmes.

Précis

• Vérifiez les faits et les articles existants avant de les publier. Assurez-vous que les instructions, les politiques et les étapes techniques correspondent à une source officielle. Vous pouvez également intégrer un examen d'expert (PME) dans votre workflow de publication. Si les informations sont erronées dans la base Knowledge, les agents peuvent les répéter en toute confiance. De plus, si les articles associés disent des choses différentes, vous pouvez obtenir des réponses mixtes ou incohérentes en interne. Lors de la vérification des faits d'un nouvel article, vérifiez l'alignement ou la redondance du contenu associé. Des informations contradictoires ou redondantes créent du bruit de contenu et désorientent les grands modèles de langage.
• Testez le comportement des agents et la récupération Knowledge avant et après le déploiement. Avant d'entrer en ligne, testez votre agent dans un environnement sans enjeu pour vérifier qu'il récupère et applique correctement Knowledge. Des outils tels que Retriever Playground et Centre de test Agentforce permettent de générer des requêtes de test à partir des sources Knowledge connectées de l’agent afin d’évaluer la qualité de l’ancrage et de la réponse. Après le déploiement, contrôler la qualité continue de la récupération en utilisant les données et les métriques de qualité Knowledge/RAG
• Mettez à jour le contenu lorsque les systèmes changent et marquez clairement les nouvelles versions. Lorsque des produits, des politiques ou des règlements changent, examinez immédiatement les Knowledge connexes. Vous pouvez également intégrer des mises à jour de contenu à votre cycle de développement. La précision nécessite des mises à jour continues, pas des examens uniques. Indiquez quelles versions, dates ou conditions s'appliquent. Marquez les processus obsolètes afin d'éviter qu'un agent ne présente un ancien guide comme à jour.
• Utilisez la sortie IA et les commentaires des utilisateurs comme signal de qualité. Surveillez les performances de vos agents dans les sessions réelles pour identifier les consignes obsolètes, incomplètes ou mal appliquées. Des outils tels que Knowledge/RAG Quality Data and Metrics, Agent Optimization et Agent Analytics permettent d'inspecter les sessions, de suivre chaque interaction et d'analyser les tendances. Les modèles de comportement des agents, les corrections apportées par les utilisateurs ou les escalades peuvent révéler des lacunes cachées dans votre base Knowledge qui peuvent être corrigées pour améliorer la précision et l'alignement.