위치:
대화 의도 기반 추천기
대화 권장자는 사용자의 의도를 실시간으로 해석하고 참여 내역과 함께 DLPR에 피드를 제공하여 Agentforce 개인 설정을 제공합니다. 라이브 대화가 기본 참여 신호가 됩니다.
대화에 다른 신호가 필요한 이유
웹 개인 설정은 클릭 수, 조회 수 및 페이지 시간과 같은 암시적 신호에 의존합니다. 대화는 다르게 작동합니다.
- 사용자가 일반 언어로 원하는 내용을 표시합니다.
- 의도는 여러 차례 적용될 수 있으며 비공식적 또는 모호한 언어를 사용할 수 있습니다.
- 두 질문이 충돌하는 경우 사용자의 현재 질문이 내역 동작보다 중요함
예를 들어, 선물을 구매하는 쇼핑객이 개인 기본 설정을 기반으로 하는 권장 사항을 원하지 않습니다.
이러한 차이를 해결하기 위해 DLPR은 대화 의도를 기본 참여 신호로 취급하고 실시간으로 사용합니다.
대화 추천기 작동 방식
대화 추천에는 교육 플로와 추론 플로의 두 가지 고유한 플로가 있습니다. 정기 케이던스에서 교육이 오프라인으로 실행되고 권장자가 DLPR 기반 권장 사항 또는 시맨틱 검색 기반 권장 사항을 제공하는지 결정합니다. 추론은 각 Agentforce 대화 동안 실시간으로 실행됩니다.
교육 플로
교육은 추천자를 준비시키고 콜드 스타트에서 작동하는지 여부를 결정합니다. 권장자는 참여 데이터가 DLPR 모델을 구동하기에 충분히 강력한지 평가합니다. 데이터가 이 표준을 충족하면 권장자가 DLPR을 활성화합니다. 그렇지 않으면 권장자가 시맨틱 검색을 사용하여 권장 사항을 전달합니다.
추론 플로
추론은 사용자가 에이전트와 상호 작용할 때마다 실행됩니다.
- 에이전트 채팅 시작: Agentforce 에이전트는 숨겨진 사전 채팅 변수를 사용하여 사용자 세부 사항을 가져옵니다.
- 발화 분류: 에이전트가 사용자의 발화를 개인 설정된 권장 사항 하위 에이전트로 분류하고 하위 에이전트의 작업을 순서대로 트리거합니다.
- 사용자 의도 추출: Agentforce 작업 사용자 의도 이해는 LLM을 사용하여 사용자의 발화에서 간결하고 구조화된 의도를 추출합니다. 이 작업은 사용자 발화와 카탈로그 간의 용어 공백을 줄이고 다중 언어 번역을 지원합니다.
- 권장 사항: 에이전트가 개인 설정 결정 파이프라인을 호출하는 권장 사항 가져오기를 호출합니다. 권장 엔진은 추천인의 교육 결과를 기반으로 요청을 라우팅합니다.
- 회복 권장 사항: 권장자가 콜드 스타트하는 경우 에이전트는 시맨틱 모델 기반 권장 사항을 수신합니다. 그렇지 않은 경우 에이전트는 DLPR과 텍스트 포함기 기반 권장 사항을 수신합니다. 에이전트가 대화 내에서 권장 사항을 제공합니다.
대화 추천기의 콜드 스타트
대화 권장자는 요청 시간이 아닌 교육 시간에 콜드 스타트를 결정합니다. 테스트 분할의 DLPR 평가 메트릭이 시맨틱 검색 기준선을 상회하지 않는 경우 권장자가 콜드 스타트를 유지하고 시맨틱 검색 기반 권장 사항을 제공합니다. 참여 데이터가 누적되고 다음 교육 실행 시 더욱 강력한 DLPR 메트릭이 생성되면 권장자가 콜드 스타트를 종료하고 DLPR 및 텍스트 포함기 기반 권장 사항으로 전환합니다.
모델 입력
- 실시간 대화: 현재 세션 전반의 사용자의 발화입니다.
- 카탈로그 메타데이터: 시맨틱 일치를 위해 포함된 항목 제목, 설명, 범주 및 특성
- 참여 내역: 사용 가능한 경우 과거 상호 작용.
카탈로그 지침
의도가 카탈로그 항목과 의미적으로 일치하므로 카탈로그 설명의 풍부성이 권장 사항 품질을 직접 결정합니다.
- 사용자가 자연스럽게 요청하는 용어를 반영하는 전체 제목과 설명을 작성합니다.
- 모든 항목에 대한 범주 및 특성 메타데이터를 포함합니다.
- 카탈로그가 발전함에 따라 메타데이터를 최신 상태로 유지합니다.
