Ti trovi qui:
Utilizzo di Ricerca per AI, Automazione e Analytics
La ricerca di Grounding Data 360 su dati non strutturati e strutturati ottimizza l'uso di strumenti generativi di intelligenza artificiale, analisi e automazione in Salesforce. Il radicamento nel contesto porta i dati specifici dei clienti, incluse diverse forme di dati non strutturati (ad esempio documenti di testo, file multimediali, contenuti dei social media, contenuti Web, registri chat, dati dei sensori e feedback dei clienti), in applicazioni come Agentforce, Tableau e Flow Builder. Questo allineamento si traduce in contenuti generati dall'intelligenza artificiale più precisi e pertinenti, approfondimenti più approfonditi dagli analytics e flussi di lavoro di automazione più efficienti per i team e i clienti.
A partire dal 14 ottobre 2025, Data Cloud è stato rinominato in Data 360. Durante questa transizione, è possibile che vengano visualizzati riferimenti a Data Cloud nella nostra applicazione e documentazione. Anche se il nome è nuovo, la funzionalità e il contenuto rimangono invariati.
In Data 360 è possibile creare indici di ricerca vettoriali o ibridi a seconda delle esigenze di dati e query.
Ricerca vettoriale
In Data 360 è possibile creare incorporamenti vettoriali ricercabili dai dati non strutturati e strutturati. L'incorporamento vettoriale è una rappresentazione numerica di un'unità di testo (un articolo o un passaggio di un documento più grande) che ne coglie il significato semantico. I modelli di linguaggio di grandi dimensioni (LLM) raggruppano gli incorporamenti con significati semantici simili in modo che le applicazioni di intelligenza artificiale generative possano interpretare efficacemente le loro relazioni e la loro rilevanza contestuale.
Utilizzare la ricerca vettoriale quando la fonte di dati e le query di ricerca traggono maggior vantaggio dalle corrispondenze semanticamente consapevoli all'interno di una serie di dati di grandi dimensioni. Ad esempio, se si invia una query come "Per cosa è famoso Acme?", l'LLM recupera i blocchi con il punteggio di ricerca vettoriale più alto che riguardano la corrispondenza semantica più vicina alla query di ricerca.
Prima di creare un indice di ricerca vettoriale, i dati non strutturati archiviati negli oggetti modello di dati (DMO) o negli oggetti modello di dati non strutturati (UDMO) vengono suddivisi in unità gestibili e semanticamente significative. Queste unità sono memorizzate in due oggetti: un oggetto modello di dati a blocchi (CDMO) e un oggetto modello di dati indice (IDMO). Il CDMO è un oggetto Data 360 che memorizza i blocchi di contenuto effettivi e l'IDMO memorizza l'incorporamento vettoriale.
È possibile eseguire ricerche vettoriali su tali dati da app come il Generatore di prompt, gli agenti AI o Tableau.
Ricerca ibrida
Per fornire risposte pertinenti e accurate nelle applicazioni di intelligenza artificiale generative, i modelli di linguaggio di grandi dimensioni (LLM) spesso richiedono sia la ricerca vettoriale che quella per parole chiave. Sebbene la ricerca vettoriale eccelle nel cogliere le somiglianze semantiche, può non essere precisa con un vocabolario di dominio specifico. Al contrario, la ricerca per parola chiave è eccellente per le corrispondenze lessicali ma non comprende la somiglianza semantica. In Data 360, la ricerca ibrida combina questi metodi, utilizzando la ricerca vettoriale semanticamente consapevole per la comprensione contestuale e la ricerca di parole chiave per una corrispondenza lessicale precisa.
Quando la fonte di dati e le query di ricerca traggono vantaggio sia dalla ricerca vettoriale semantica che dalla precisione di una ricerca con parole chiave, utilizzare la ricerca ibrida. Ad esempio, nella query "Il motore Acme XYZ123 utilizza pompe idrauliche?" l'aggiunta della ricerca per parola chiave promuove le posizioni più elevate per i contenuti più pertinenti, fornendo così ai risultati una base migliore.
Dopo aver creato un indice di ricerca ibrido sui DMO o UDMO, Data 360 genera blocchi di contenuto e incorporamenti vettoriali per un indice di ricerca vettoriale e un indice di ricerca per parole chiave. La ricerca ibrida esegue una query sull'indice di ricerca vettoriale per recuperare informazioni in base alla similarità semantica ed esegue una query sull'indice di ricerca per parole chiave per recuperare informazioni in base alla similarità lessicale. La ricerca ibrida quindi unisce e classifica i risultati forniti da entrambi i tipi di ricerche per generare la risposta migliore. È anche possibile configurare ulteriori fattori di classificazione, ad esempio la frequenza o la popolarità dei record, per influenzare i risultati della ricerca restituiti.
Casi d'uso chiave per la ricerca in Data 360
I casi d'uso chiave per la ricerca in Data 360 sono:
- In Retrieval Augmented Generation (RAG): La ricerca in Data 360 è fondamentale per RAG, poiché basa le risposte AI su dati non strutturati pertinenti. Questo porta direttamente a output AI più precisi e contestualmente appropriati basati sulla Knowledge Base specifica.
- In Service Cloud: Gli agenti dell'intelligenza artificiale utilizzano la ricerca per cercare informazioni precise all'interno di articoli Knowledge, email, ticket di assistenza e registri chat. Ciò consente loro di fornire risposte più precise, creare risposte migliori e persino suggerire soluzioni proattive ai problemi dei clienti.
- In Sales Cloud: Gli agenti dell'intelligenza artificiale possono eseguire query sui dati di vendita non strutturati, ad esempio email, trascrizioni delle chiamate e note, per generare briefing e riepiloghi degli incontri molto pertinenti. Questo approfondimento alimenta anche contenuti personalizzati e consigli specifici dei clienti per le nuove email, aumentando in modo significativo il coinvolgimento dei clienti e la produttività dei team di vendita.
- Nei flussi di automazione: Gli agenti AI possono identificare automaticamente record semanticamente simili, ad esempio Casi, in base alle loro descrizioni. Questa funzionalità è fondamentale per segnalare i duplicati, accelerare i tempi di risoluzione e classificare accuratamente i record trovando esempi storici simili.
- In Analytics: All'interno di Tableau, la ricerca in Data 360 consente di ottenere approfondimenti più approfonditi dai dati non strutturati, in particolare tramite la classificazione avanzata degli argomenti. Questo migliora l'analisi dei dati rivelando schemi e temi che a volte mancano ai metodi tradizionali.
- Chunk Data (Dati suddivisi)
Per aggiungere i dati all'indice di ricerca di Data 360, è necessario prima suddividerli. Suddividere i dati in blocchi significativi e Data 360 trasforma tali blocchi in incorporamenti vettoriali leggibili dal computer. - Ricerca vettoriale
In Data 360, è possibile creare incorporamenti vettoriali semantici ricercabili dai dati non strutturati e strutturati. La ricerca vettoriale consente alle applicazioni di intelligenza artificiale generativa, automazione e analisi di comprendere le somiglianze semantiche e il contesto tra gli incorporamenti. - Ricerca ibrida
Per fornire informazioni pertinenti a un LLM con applicazioni AI di generazione e generare la risposta corretta, sono necessarie sia la ricerca vettoriale che la ricerca per parola chiave. La ricerca vettoriale comprende le somiglianze semantiche e il contesto, ma non dispone di un vocabolario di dominio specifico. La ricerca di parole chiave eccelle nella somiglianza lessicale ma non nella somiglianza semantica. In Data 360, la ricerca ibrida combina i punti di forza della ricerca vettoriale semantica con la precisione e la velocità della ricerca di parole chiave. - Gestione degli indici di ricerca
Creare, visualizzare, modificare ed eliminare configurazioni indice di ricerca. - Ottimizzazione degli indici di ricerca: Selezione e suddivisione dei campi
Quando si crea un indice di ricerca nel generatore avanzato, è possibile ottimizzare l'indice di ricerca per fornire risultati più precisi prestando attenzione alla selezione dei campi e alle strategie di suddivisione in blocchi utilizzate. - Riferimento indice di ricerca
La ricerca in Data 360 supporta molti formati di file diversi con dati non strutturati, modelli di incorporamento e operazioni di pre-filtro sui risultati della ricerca. - Utilizzo della generazione aumentata di recupero
Retrieval Augmented Generation (RAG) in Data 360 è un framework per il radicamento di prompt LLM (large language model). Aumentando il prompt con informazioni accurate, aggiornate e pertinenti, RAG migliora la pertinenza e il valore delle risposte LLM per gli utenti. - Considerazioni sulla fatturazione per dati non strutturati e indice di ricerca
Quando si utilizzano configurazioni di dati non strutturati e indici di ricerca, i dati vengono archiviati ed elaborati in Data 360. L'uso delle funzioni di Data 360 per i dati non strutturati ha implicazioni sulla fatturazione. L'utilizzo dei servizi Data 360 influisce sul consumo dei crediti utilizzati per la fatturazione. Esistono quattro componenti di fatturazione per i dati non strutturati in Data 360: inserimento dati, archiviazione dati, elaborazione dati e query sui dati. Ogni componente ha un tipo di utilizzo applicabile distinto. Tenere presente che esistono due tipi di connettori per dati non strutturati: connettori che fanno riferimento a dati che si trovano in una fonte di dati esterna e connettori che inseriscono dati da una fonte di dati esterna in Data 360. La fatturazione funziona in modo diverso per i due tipi di connettori.
