Usted está aquí:
Optimización de IA de modelo semántico (Beta)
Optimización de IA de modelo semántico (Beta) ayuda a los equipos de datos a preparar sus modelos semánticos para su uso con agentes de IA como Concierge: Preguntas y respuestas sobre Analytics. Evalúa la calidad de un modelo semántico, identifica ineficiencias y ofrece resoluciones guiadas para mejorar la fiabilidad del modelo para análisis con tecnología de IA.
Esta función ayuda a los analistas de datos a lograr claridad sobre lo que hace que un modelo semántico esté "preparado para la IA" y proporciona directrices dirigidas sobre dónde empezar y qué priorizar. Además de diagnosticar problemas, la herramienta ofrece mejoras sugeridas.
El uso de este servicio podría consumir créditos de Customer Data Cloud o créditos flexibles.
Funcionamiento
Optimización de IA de modelo semántico ejecuta una serie de comprobaciones automatizadas en su modelo semántico y calcula un estado de modelo general, que se categoriza como Bajo, Moderado o Alto. La evaluación abarca varias áreas clave:
- Descripción que falta: Comprueba si se necesitan descripciones en objetos personalizados y activos semánticos.
- Relaciones que faltan: Marca objetos con relaciones desconectadas, ya que esto puede afectar a la capacidad de razonamiento de un agente de IA en todo el modelo.
- Significados similares (Beta): La IA ayuda a identificar definiciones de semtnaitc que son tan similares que es difícil para los diseñadores del sistema y del panel distinguirlas. Esto puede llevar a resultados incoherentes o aleatorios en sus análisis.
La evaluación presenta resultados en un panel que visualiza la fortaleza de Estado del modelo para que explore las reglas, los problemas y las resoluciones sugeridas. La función también proporciona un botón de llamada a la acción contextual para cada regla, adaptado a la ruta de resolución. La acción sobre estas sugerencias mejora la preparación de su modelo para análisis y agentes con tecnología de IA.
¿Qué es un modelo semántico listo para la IA?
Un modelo semántico listo para la IA es un modelo de datos estructurado específicamente para la comprensión de la IA. Aunque los modelos semánticos tradicionales se diseñaron principalmente para la comprensión humana y la creación de paneles, los agentes de IA requieren modelos con un alto grado de precisión, claridad y coherencia.
La preparación de IA en un modelo semántico significa que los agentes de IA pueden interpretar de forma fiable el contexto comercial a partir de él. Un modelo listo para la IA tiene etiquetas claras, descripciones completas, baja ambigüedad y metadatos coherentes. Sin estos elementos, los agentes de IA luchan por proporcionar resultados precisos, lo que puede ralentizar la adopción de la IA y erosionar la Trust del usuario. Los equipos de datos utilizan la función Optimización de modelos semánticos para preparar sus modelos guiándolos para centrarse en las mejoras de mayor impacto necesarias para casos de uso dirigidos por IA.
Para obtener más información acerca de modelos semánticos y prácticas recomendadas para crearlos, recomendamos completar el Trailhead Diseñar su modelo semántico para análisis.
- Activar optimización de IA de modelo semántico (Beta)
Para empezar a utilizar Optimización de modelo semántico, un administrador debe activarla primero. - Uso de optimización de IA de modelo semántico (Beta)
Después de que un administrador del sistema active la función, puede empezar a utilizarla para evaluar y mejorar sus modelos semánticos. Interactúa con la función principalmente a través del panel Optimizar modelo, que visualiza el estado del modelo y la capacidad de preparación de IA de sus modelos. - Resolver definiciones de datos superpuestas con significados similares (Beta)
Mejore la claridad del modelo resolviendo de forma proactiva definiciones similares que confunden a los agentes de IA. La función Significados similares (Beta) utiliza IA para detectar sinónimos, siglas y solapamientos semánticos para evitar la ambigüedad. Analizando etiquetas de campo, descripciones y semántica de objetos principales, la herramienta identifica cuándo un modelo contiene "dos nombres para una cosa" o "el mismo nombre para cosas diferentes", conceptos que a menudo llevan a un razonamiento de agentes impreciso. Esta exploración profunda le permite distinguir entre campos estrechamente relacionados, ayudando los agentes a interpretar correctamente sus datos y proporcionar respuestas más fiables.
