Ti trovi qui:
Progettazione di modelli semantici per la preparazione all'intelligenza artificiale
Un modello semantico ben progettato è la chiave per ottenere approfondimenti precisi e pertinenti con l'analisi degli agenti in Tableau Next. Aiuta gli agenti di Analytics a comprendere i dati e a rispondere in modo sicuro alle domande. Quando si progetta il modello semantico, basarsi sugli standard di preparazione all'intelligenza artificiale e sulle procedure consigliate consolidate del settore per la modellazione e la qualità dei dati.
Versioni (Edition) richieste
| Visualizzare le versioni supportate. |
Funzioni del modello semantico
Per supportare l'analisi agentica in Tableau Next e Salesforce 360, un modello semantico deve contenere oggetti modello di dati (DMO) e può contenere oggetti data lake (DLO). Un modello semantico può essere basato su un PDS Tableau Cloud.
Il modello semantico deve contenere una mappa di relazione completa e precisa dei dati. Gli approfondimenti calcolati non sono attualmente supportati.
Preparazione AI del modello semantico
La creazione di modelli semantici predisposti per l'intelligenza artificiale è fondamentale per la Trust degli utenti, le prestazioni degli agenti e l'agilità aziendale. Seguendo queste procedure consigliate, non solo si proteggono i modelli di dati dal futuro, ma si accelera anche il percorso verso analisi scalabili e basate sugli agenti.
Definire nomi di oggetti e campi chiari
Gli agenti interpretano i campi nel contesto degli oggetti a cui appartengono. La chiarezza e la specificità dei nomi e delle etichette di oggetti e campi giocano un ruolo cruciale nell'interpretabilità dell'intelligenza artificiale.
I nomi API (nome di sistema, definito al momento della creazione in Data Cloud) e le etichette (nome visualizzato) di oggetti e campi vengono utilizzati dagli agenti AI.
La combinazione di contesto dell'oggetto e proprietà dei campi favorisce la chiarezza semantica. Sebbene etichette generiche come "ID" o "Name" possano sembrare ambigue isolatamente, sono accettabili se l'oggetto a cui appartengono è ben denominato e chiaramente descritto.
Poiché il nome API non può essere modificato dopo la creazione nel modello semantico, è opportuno crearlo con attenzione. L'etichetta può e deve essere adattata per garantire la chiarezza delle attività.
Combinazioni di nomi univoche
Assicurarsi che la combinazione di nome oggetto, descrizione ed etichetta campo sia sufficiente per identificare in modo univoco il ruolo e lo scopo del campo. Evitare le abbreviazioni.
Etichette significative e pertinenti
Utilizzare nomi visualizzati significativi e pertinenti all'azienda, soprattutto per i campi personalizzati. Ad esempio, abbinare un oggetto denominato "Cliente" a un campo con etichetta "ID" - questo è più interpretabile di un'accoppiata ambigua come "Entità" con "ID".
Nomi API descrittivi
Quando si creano nuovi campi in Data Cloud, scegliere nomi API il più possibile descrittivi per migliorare l'interpretabilità a valle.
Fornire descrizioni informative e bilanciate
Le descrizioni svolgono un ruolo fondamentale nell'aiutare gli agenti a interpretare campi e oggetti in modo preciso.
Oggetti e campi standard
Per gli oggetti Salesforce Standard, lasciare la descrizione predefinita può essere accettabile, poiché questi sono ampiamente noti e citati nelle fonti Public Knowledge su cui gli agenti vengono addestrati. Se un utente modifica la descrizione di un oggetto o di un campo standard, deve essere additiva e non contraddire Knowledge esistente.
Utilizzo di oggetti e campi standard Salesforce
Utilizzare Oggetti e campi standard Salesforce durante la progettazione del modello di dati. È più probabile che gli agenti comprendano e interpretino correttamente i componenti standard perché sono più documentati e utilizzati nei dati di formazione pubblica.
Oggetti e campi personalizzati
Per gli oggetti e i campi personalizzati è essenziale una descrizione chiara e informativa. Dovrebbe riflettere ciò che rappresentano i dati, allinearsi agli standard del settore quando possibile e spiegare eventuali significati interni univoci quando necessario.
Crea descrizioni chiare
Fornire una breve descrizione di 1-2 frasi che:
- Comunica il contesto aziendale. Ad esempio, Data acquisto rappresenta il campo Data di stampa o di invio della fattura all'utente. In alcuni casi la Data transazione e la Data acquisto sono diverse a causa di questo motivo.
- Descrive come viene utilizzato nell'azienda. Ad esempio, Data acquisto è il filtro e l'affettatrice Data predefiniti nella maggior parte delle analisi correlate ad acquisti e costi.
- Rappresenta bene i dati. Esaminare i dati e assicurarsi che la descrizione non descriva solo lo scopo generale del campo. Deve specificare se esistono valori di dati specifici con uno scopo specifico. Ad esempio, 'NA' rappresenta le transazioni in cui l'acquisto non è stato ancora confermato e si allinea con Stato transazione = 'Pending'.
Testare la nuova descrizione in base alla comprensione degli agenti chiedendo al proprio strumento di chat preferito "Come si interpreta questo contenuto della descrizione per il nome del campo?"
Modelli semantici
Gli agenti incorporano la descrizione di un modello semantico. Le descrizioni che includono casi d'uso e obiettivi per il modello sono essenziali.
Descrivere il contesto del modello
Fornire una descrizione chiara del modello semantico che ne trasmetta gli obiettivi e i casi d'uso. Fornisce un contesto essenziale sullo scopo e l'ambito del modello e migliora la capacità dell'agente di ragionare sul suo contenuto.
Strutturare il modello per la confidenza degli agenti
Un modello semantico ben collegato e ben organizzato aiuta gli agenti a interpretare correttamente le query e a rispondere in modo preciso alle domande.
Le tabelle insulari o gli oggetti isolati (tabelle e oggetti con relazioni limitate o assenti con altre tabelle e oggetti) a volte vengono creati intenzionalmente all'interno di un modello semantico per casi d'uso distinti. Queste strutture disconnesse possono causare confusione. Sia gli agenti che gli utenti possono interpretare in modo errato queste strutture o tentare di interrogarle come se fossero connesse, anche se le relazioni non sono definite.
Connessione dei contenuti del modello
Assicurarsi che tutti gli oggetti facciano parte di un unico cluster connesso. Evitare oggetti ambigui o non uniti che potrebbero attivare risposte non valide da parte degli agenti.
Rilevamento e risoluzione delle ambiguità
Gli agenti in genere analizzano le proprietà complete del componente quando interpretano i modelli semantici. Tuttavia, è essenziale assicurarsi che qualsiasi ambiguità possa essere risolta esclusivamente in base al livello di etichetta e descrizione. L'ambiguità può derivare dall'esistenza di entità o oggetti simili, campi simili, campi calcolati e metriche e talvolta anche tra campi calcolati e campi regolari.
Agentforce for Analytics valuta l'insieme completo di proprietà dell'oggetto, tra cui Nome oggetto, Descrizione oggetto, Nome visualizzazione campo, Descrizioni campo, Tipo di dati campo, Ruolo campo, Valori di esempio e relazioni oggetto/campo, per ridurre l'ambiguità. Tuttavia, poiché è comune che più campi riportino dati simili o servano a scopi sovrapposti, il modello semantico deve distinguere chiaramente tra loro attraverso metadati precisi e intenzionali.
Eseguire regolarmente controlli di similarità e ambiguità
Assicurarsi che ogni componente creato e aggiunto al modello semantico abbia uno scopo univoco e che tale scopo sia chiaramente acquisito sia nell'etichetta che nella descrizione.
Lo strumento di ottimizzazione AI modello semantico include un'analisi della similarità in grado di gestire la maggior parte degli scenari descritti qui. Utilizzare questo strumento nel Generatore di modelli semantici per analizzare rapidamente il modello e ridurre le somiglianze.
Fonti comuni di ambiguità
- Descrizioni sovrapposte: descrizioni di campi vaghe o identiche che non chiariscono ruoli o utilizzi distinti. Poiché è comune copiare e incollare le descrizioni, spesso si creano ambiguità.
- Contesto aziendale simile: campi che rappresentano lo stesso concetto ma appaiono in tabelle diverse (ad esempio, "Regione cliente" da Intestazione ordine e Riga ordine).Nota
È possibile definire Knowledge specifiche dell'azienda nel modello semantico utilizzando le preferenze aziendali. Questo aiuta l'agente a rispondere alle domande analitiche all'interno del contesto e della logica specifici dell'azienda.
- Sinonimi o omonimi: campi con nomi diversi che rappresentano lo stesso concetto (sinonimi) o campi con nomi identici che rappresentano concetti diversi (omonimi).
- Oggetti che esistono due volte per scopi e usi diversi, ma non è chiaro dalla loro semantica che differiscono. Ecco alcuni esempi comuni:
- Stesso oggetto, scopo diverso: un campo Data generico nel modello, utilizzato sia con Data acquisto che con Data transazione.
- Stesso oggetto, granularità diversa: un oggetto Linee ordine dettagliato utilizzato per visualizzare i dettagli a livello di ordine quando necessario e una versione aggregata di Linee ordine creata per ottimizzare le prestazioni.
- Risoluzione dei vincoli: un oggetto esiste più di una volta nel modello con contenuti diversi per aggirare una limitazione o un vincolo di un modello di origine. Ad esempio, un utente ha esteso un modello di base che include un oggetto Account con solo cinque dei campi necessari. Poiché non possono rettificare il modello di base, è stato aggiunto un oggetto Account aggiuntivo con tutte le colonne (esistenti e nuove). Questo può verificarsi anche nei modelli con fonti di dati pubblicate o visualizzazioni logiche.
Gestire campi e metriche calcolati simili
Gli agenti analizzano spesso direttamente le definizioni delle formule, il che può generare confusione anche quando le etichette e le descrizioni sono chiare. I campi calcolati con logica simile o sovrapposta possono causare un'errata interpretazione del modello semantico. Analogamente, le metriche che differiscono solo per lievi variazioni dei filtri possono creare confusione comparabile. Questi casi devono essere gestiti con lo stesso rigore applicato ai campi calcolati.
Evitare calcoli simili
Nascondere o rimuovere i campi calcolati e le metriche che non offrono uno scopo analitico chiaro e distinto. Se la rimozione non è possibile, definire chiaramente il loro ruolo e differenziarli esplicitamente nell'etichetta e nella descrizione per evitare ambiguità a livello di formula.
Arricchimento dei modelli semantici con componenti semantici mirati
Il livello semantico dovrebbe rappresentare in modo preciso la logica aziendale e anche anticipare il modo in cui gli agenti consumeranno e ragioneranno su di essa. Gli agenti sono consapevoli della forza semantica relativa dei diversi componenti del modello. Le metriche curate e la logica calcolata offrono intenti e chiarezza superiori. Di conseguenza, gli agenti assegnano la priorità all'interpretazione e all'utilizzo delle metriche, seguiti dai campi calcolati e infine dai campi non elaborati.
Metriche come anchor semantico
Una metrica è un oggetto semantico di valore elevato progettato per rispondere con chiarezza a domande aziendali specifiche.
Una metrica include
- Calcoli mirati
- Logica temporale
- Filtro contestuale
- Formattazione coerente con l'azienda
Definire le metriche per calcoli importanti
Definire una metrica per ogni campo calcolato o misura di campo ad alto impatto e molto utilizzata. Questo guida gli agenti nel capire dove e quando si applica una logica specifica.
Campi calcolati predefiniti
I campi calcolati dovrebbero racchiudere la logica aziendale che gli agenti dovrebbero altrimenti dedurre. Definirle in anticipo migliora la qualità delle risposte, riduce l'ambiguità e aumenta il Trust.
Utilizzare i campi calcolati in modo giudizioso
Includere solo i campi calcolati con chiaro scopo analitico. Evitare di sovraccaricare il modello con calcoli utilizzati raramente o di nicchia.
Tipi di campi espliciti
La classificazione dei campi come misure o dimensioni a livello di metadati migliora il ragionamento degli agenti. Segnala il comportamento dei dati nei flussi di lavoro analitici, ad esempio come aggregazione anziché come filtro.
Assegnazione di ruoli semantici
Aggiungere un ruolo semantico come tipo di campo a ogni campo. Questi suggerimenti aiutano gli agenti ad applicarli correttamente nelle query.
Convalida delle mappature dei campi
Verificare che i campi siano mappati al tipo corretto per un'esperienza agente ottimizzata. Ad esempio, per un campo data, utilizzare un tipo di campo data anziché testo. Questo aiuta l'agente a interpretare correttamente il campo data.
Elenco di preparazione AI
Utilizzare questo elenco per creare il modello semantico.
Etichettatura e descrizioni
- La descrizione del modello semantico è specifica e mirata.
- Tutte le etichette dei campi sono specifiche e contestuali (nessun "ID", "Nome" senza qualificatori).
- Vengono fornite descrizioni per tutti gli oggetti e i campi personalizzati.
- Le descrizioni dei campi Salesforce standard vengono lasciate invariate o ottimizzate senza contraddire il significato noto.
Gestione delle ambiguità
- Assicurarsi che campi/metriche simili siano differenziati per nome, descrizione e scopo.
- Esaminare i campi calcolati e i campi regolari con logica simile per la sovrapposizione.
Campi e metriche calcolati
- Includere solo i campi calcolati necessari e interpretabili.
- Chiarire o consolidare le metriche che differiscono solo in base ai filtri.
- Assicurarsi che ogni metrica e campo abbiano uno scopo analitico chiaramente definito.
Arricchimento semantico
- Definire le metriche per gli indicatori di prestazione chiave (KPI) di grande impatto.
- Utilizzare le metriche per incapsulare la logica e la formattazione del tempo e del contesto.
- Impostare esplicitamente i tipi di campo (misura e dimensione) per ogni campo.
- Verificare che i campi siano mappati al tipo corretto.
Struttura del modello
- Assicurarsi che tutti gli oggetti facciano parte di un unico cluster connesso per evitare interpretazioni errate. Evitare le "tabelle isola" o i cluster di dati disconnessi.
