Utilizar la búsqueda de IA, automatización y Analytics

En Data 360, puede crear índices de búsqueda vectorial o híbrida dependiendo de las necesidades de datos y consultas.

Búsqueda de vectores

En Data 360, puede crear incrustaciones de vectores con capacidad de búsqueda desde sus datos estructurados y no estructurados. Una integración vectorial es una representación numérica de una unidad de texto (un artículo o un pasaje de un documento de mayor tamaño) que captura su significado semántico. Los modelos de lenguaje grandes (LLM) agrupan incrustaciones con significados semánticos similares de modo que las aplicaciones de IA generativa puedan interpretar de forma efectiva sus relaciones y relevancia contextual.

Utilice la búsqueda vectorial cuando su origen de datos y sus consultas de búsqueda se beneficien más de coincidencias semánticamente conscientes en un conjunto de datos grande. Por ejemplo, si envía una consulta como “¿Por qué es famoso Acme?”, el LLM recupera fragmentos que tienen la puntuación de búsqueda vectorial más alta que se relaciona con la coincidencia semántica más cercana con la consulta de búsqueda.

Antes de crear un índice de búsqueda vectorial, los datos no estructurados almacenados en objetos de modelo de datos (DMO) u objetos de modelo de datos no estructurados (UDMO) se dividen en unidades gestionables y con sentido semántico. Estas unidades se almacenan en dos objetos: un objeto de modelo de datos segmentado (CDMO) y un objeto de modelo de datos de índice (IDMO). El CDMO es un objeto de Data 360 que almacena los fragmentos de contenido reales y el IDMO almacena la integración de vectores.

Puede realizar búsquedas vectoriales en esos datos desde aplicaciones como Generador de solicitudes, agentes de IA o Tableau.

Búsqueda híbrida

Para entregar respuestas relevantes y precisas en aplicaciones de IA generativa, los modelos de lenguaje grande (LLM) a menudo requieren búsqueda de vectores y palabras clave. Aunque la búsqueda de vectores destaca en la comprensión de similitudes semánticas, puede carecer de precisión con vocabulario de dominio específico. Por el contrario, la búsqueda de palabras clave es excelente para coincidencias léxicas pero no comprende la similitud semántica. En Data 360, la búsqueda híbrida combina estos métodos, utilizando búsqueda vectorial consciente semánticamente para comprensión contextual y búsqueda de palabras clave para coincidencia léxica precisa.

Cuando su origen de datos y sus consultas de búsqueda se benefician de la búsqueda vectorial consciente semánticamente y la precisión de una búsqueda de palabras clave, utilice la búsqueda híbrida. Por ejemplo, en la consulta “¿Utiliza Acme motor XYZ123 bombas hidráulicas?” la incorporación de búsqueda de palabras clave promueve posiciones de mayor rango para contenido más relevante, proporcionando así los resultados con mejor fundamentación.

Después de crear un índice de búsqueda híbrido en sus DMO o UDMO, Data 360 genera fragmentos de contenido e incrustaciones de vectores para un índice de búsqueda vectorial y un índice de búsqueda de palabras clave. La búsqueda híbrida consulta el índice de búsqueda vectorial para recuperar información basada en similitud semántica y consulta el índice de búsqueda de palabra clave para recuperar información basada en similitud léxica. A continuación, la búsqueda híbrida combina y clasifica los resultados proporcionados por ambos tipos de búsqueda para generar la mejor respuesta. También puede configurar factores de clasificación adicionales, como la popularidad o la recencia de registros, para influir en los resultados de búsqueda devueltos.

Casos de uso clave para la búsqueda de Data 360

Los casos de uso clave para la búsqueda de Data 360 incluyen:

• En Generación aumentada de recuperación (RAG): La búsqueda en Data 360 es fundamental para RAG, ya que fundamenta las respuestas de IA en datos no estructurados relevantes. Esto lleva directamente a resultados de IA más precisos y apropiados contextualmente que se basan en su base Knowledge específica.
• En Service Cloud: Los agentes de IA utilizan la búsqueda para consultar información precisa en artículos, correos electrónicos, tickets de asistencia y registros de chat de Knowledge. Esto les permite proporcionar respuestas más precisas, crear mejores respuestas e incluso sugerir soluciones de forma proactiva a problemas de clientes.
• En Sales Cloud: Los agentes de IA pueden consultar datos de ventas no estructurados (como correos electrónicos, transcripciones de llamadas y notas) para generar informes y resúmenes de reuniones altamente relevantes. Esta perspectiva también alimenta contenido personalizado y recomendaciones específicas del cliente para nuevos correos electrónicos, potenciando significativamente la implicación del cliente y la productividad del equipo de ventas.
• En flujos de automatización: Los agentes de IA pueden identificar automáticamente registros semánticamente similares, como Casos, basándose en sus descripciones. Esta función es crucial para marcar duplicados, acelerar los tiempos de resolución y clasificar registros con precisión encontrando ejemplos históricos similares.
• En análisis: Dentro de Tableau, la búsqueda de Data 360 facilita la obtención de perspectivas más profundas desde datos no estructurados, especialmente a través de la clasificación de temas avanzada. Esto mejora el análisis de datos revelando patrones y temas que los métodos tradicionales a veces pierden.