소스 콘텐츠 준비

Knowledge 중심 서비스

Knowledge 중심 서비스(KCS)는 Knowledge 관리에 대한 업계 표준의 모범 사례입니다. 정확하고 일관된 기사를 작성하는 데 도움을 주며, 이를 통해 Knowledge 기초 교육이 향상됩니다. 여기에서 몇 가지 주요 관행을 나열하지만, 서비스 혁신 컨소시엄에서 자세히 알아볼 수 있습니다.

데이터 라이브러리를 통해 AI 모델에 사용할 콘텐츠를 준비할 수 있는 네 가지 핵심 기둥이 있습니다. 콘텐츠가 구체적이고 정리적이며 세부적이며 정확하도록 하려는 경우 사용 사례에 해당 모범 사례를 적용하는 방법을 고려하십시오. 그러면, 생성형 AI의 강점을 강화하는 보다 효과적인 Knowledge 자료를 만들 수 있습니다.

특정

• 각 기사의 대상 그룹을 고려하십시오. 고객은 솔루션에 초점을 맞춘 짧은 답변을 선호하지만 서비스 담당자 또는 개발자는 더 심층적인 기술을 필요로 합니다. 식별된 대상의 요구에 맞게 어조, 구조, 세부 사항 수준을 조정합니다.
• 개별 주제에 초점을 맞춘 기사로 콘텐츠를 분할합니다. AI 시스템은 조각식으로 정보를 검색하므로 관련 주제를 부족하게 결합하는 기사는 일관성을 줄이고, 임베딩을 해소하고, 모델이 일치하지 않는 아이디어를 결합하는 위험을 높입니다. 각 기사가 명확하게 정의된 사용자 의도를 해결하는지 확인하고 하나의 기사에서 여러 가지 관련이 없거나 부분적으로 관련된 주제를 다루지 않도록 합니다.
• 전략적으로 기사 주제를 조사하고 선택합니다. 어떤 주제를 적용해야 할지 확실하지 않을 경우 사용자가 직면하는 일반적인 시나리오, 질문 및 문제를 식별하여 시작합니다. 이 연구를 통해 각 기사가 관련이 없거나 불필요한 정보를 제외하고 실제 사용자 요구를 충족할 수 있습니다.
• 핵심적인 개념에 대해 명확하고 표준적인 용어를 선택하고 그에 부합하십시오. 약어를 정의하고 오래된 용어를 사용되지 않음으로 표시합니다. 일관된 용어를 사용하면 AI 에이전트가 기사 전체에서 관련 개념을 올바르게 연결하고 아이디어를 혼동시키거나 용어를 잘못 해석하는 응답을 생성하지 않도록 할 수 있습니다.

구성됨

• 명확한 구조 계층을 사용합니다. 사람과 마찬가지로 AI 시스템은 논리적으로 구조화된 콘텐츠를 더 잘 이해합니다. 머리글 태그(H1~H6)를 사용하여 단락, 목록 및 머리글에 정보 계층을 반영하여 개념적 경계와 관계를 신호합니다. 명확한 정보 아키텍처와 의미적으로 관련된 아이디어를 그룹화하는 섹션은 AI 소비를 위한 전반적인 청크, 구문 분석, 벡터링을 개선합니다.
• 필드 간에 긴 형식 콘텐츠를 배포합니다. 단일 텍스트 필드에 많은 정보를 저장하지 마십시오. 질문, 설명, 해결 방법, 예외와 같이 텍스트의 일부에 해당하는 의미 있는 필드로 콘텐츠를 분할합니다. 명시적인 경계는 보다 정밀한 검색 색인 구축하고 정확한 검색을 지원합니다.
• 검색 전 및 런타임 적용을 사용하여 대상 그룹별로 콘텐츠를 분리합니다. 고객, 서비스 담당자 및 개발자에게 제공되는 정보는 깊이, 어조, 민감도가 다릅니다. 노출 오류 방지 및 AI 콘텐츠 검색 향상:
  • 검색 전 구분을 위해 각 대상에 대한 전용 필드 또는 기사를 만듭니다. 대상 그룹을 명시적으로 표시하면 에이전트가 대상 그룹 간 모호성을 최소화할 수 있습니다.
  • 런타임 필터링의 경우 액세스 계층 메타데이터를 사용하여 에이전트가 시스템 또는 사용 사례를 쿼리하는 사용자에게 적합한 콘텐츠만 검색하도록 합니다.
• 메타데이터를 사용하여 콘텐츠 검색을 향상합니다. RAG 시스템에서 쿼리는 모델이 최종 응답을 생성하기 전에 관련 콘텐츠 세그먼트를 검색합니다. 제품 태그, 대상 그룹, 버전 관리, 액세스 계층과 같은 메타데이터를 사용하면 정확한 필터링, 순위, 규정 준수를 수행할 수 있으므로 검색 정밀도가 향상되고 에이전트 응답이 철저하게 기반화되도록 합니다.

자세히

• 완전하고 포괄적인 정보를 제공합니다. Generative AI는 세부적이고 포괄적인 정보를 사용하여 여러 수준의 세부 사항으로 합성하고 구축할 수 있는 최상의 성능을 제공합니다. 특히 기술 콘텐츠의 경우 단어 수보다 명확하고 완전한 설명의 우선 순위를 지정합니다. 세부 사항은 길이가 아니라 설명 충분성입니다.
• 각 단계에 대한 컨텍스트, 조건 및 가정을 정의합니다. 버전 적용 가능성, 환경 변수, 예외 처리를 포함하고 각 단계의 이유를 명확하게 설명합니다. 그러지 않으면 모델이 가능하지만 잘못된 정보(예: 환각)로 공백을 채울 수 있습니다.
• 현재 시나리오를 포함하여 상황별 기초 교육을 강화합니다. 예제를 자세히 설명하고 일반적인 사용 사례에 대한 모범 사례 또는 고려 사항을 포함합니다. 마찬가지로 Al 시스템이 일반 요약이 아닌 요약으로 응답할 수 있도록 일반적인 사용자 오류 또는 고주파 에스컬레이션 경로를 설명합니다.
• 이미지, 비디오 및 스크린샷과 같은 시각적 콘텐츠를 명확한 대체 텍스트와 설명적인 캡션으로 주석 작성 비주얼은 사람들이 쉽게 이해할 수 있지만 AI 시스템은 구조화된 설명에 의존하여 해당 컨텍스트를 올바르게 해석하고 사용합니다. Visual이 Knowledge 자료에 중요한 경우 이미지 또는 멀티모델 처리용으로 구축된 구문 분석기를 사용하십시오. Agentforce 데이터 라이브러리는 콘텐츠 모드를 감지하고 사용자에게 가장 적합한 구문 분석기를 적용합니다. 그러나 개체, 표시 텍스트, 레이아웃, 색상, 관계, 전반적인 컨텍스트와 같은 특정 세부 사항을 추가하면 시스템 전체의 정확성, 검색 가능성, 일관성을 향상할 수 있습니다.

정확히

• 게시하기 전에 사실과 기존 기사를 검사하십시오. 지침, 정책 및 기술 단계가 공식 소스와 일치하는지 확인합니다. 또는 게시 워크플로에 주제 전문가(SME) 검토를 구축합니다. Knowledge 자료의 정보가 잘못된 경우 에이전트는 자신 있게 반복할 수 있습니다. 또한 관련 기사에 서로 다른 내용이 적힌 경우 블렌딩되거나 내부적으로 일관되지 않는 답변을 받을 수 있습니다. 새 기사를 팩트 확인하는 동안 관련 콘텐츠를 검토하여 정렬 또는 중복을 확인하십시오. 정보가 충돌하거나 중복되면 콘텐츠 소음이 발생하고 LLM이 혼동됩니다.
• 배포 전후 에이전트 동작 및 Knowledge 검색을 테스트합니다. 활성화하기 전에 에이전트를 낮은 지분 환경에서 테스트하여 올바르게 Knowledge를 검색하고 적용하는지 확인하십시오. Retriever Playground 및 Agentforce 테스트 센터와 같은 도구를 사용하면 에이전트의 연결된 Knowledge 소스에서 테스트 사례를 생성하여 기초 교육 및 응답 품질을 평가할 수 있습니다. 배포 후 Knowledge/RAG 품질 데이터 및 메트릭을 사용하여 지속적인 검색 품질을 모니터링합니다.
• 시스템이 변경되면 콘텐츠를 업데이트하고 새 버전을 명확하게 표시합니다. 제품, 정책 또는 규정이 변경되면 관련 지식을 즉시 검토하십시오. 또는 개발 주기에 콘텐츠 업데이트를 구축합니다. 정확성은 일회성 검토가 아닌 지속적인 업데이트가 필요합니다. 적용되는 버전, 날짜 또는 조건을 나타냅니다. 에이전트가 이전 지침을 최신 지침으로 표시하지 않도록 오래된 프로세스를 표시합니다.
• AI 출력과 사용자 피드백을 품질 신호로 사용합니다. 에이전트가 실제 세션에서 수행하는 작업을 모니터링하여 기한 경과, 불완전 또는 잘못 적용된 지침을 식별합니다. Knowledge/RAG Quality Data and Metrics, Agent Optimization 및 Agent Analytics과 같은 도구를 사용하면 세션을 검사하고 모든 상호 작용을 추적하고 추세를 분석할 수 있습니다. 에이전트 동작, 사용자 수정 또는 에스컬레이션의 패턴은 Knowledge 자료에 숨겨진 간격을 드러내어 정확성과 정렬을 개선할 수 있습니다.