Оптимизация источников знаний для больших наборов данных.

ИИ агент 3CX — это мощный инструмент, который преобразует взаимодействие с клиентами и оптимизирует техническую поддержку. Однако, что происходит, когда агент начинает работать медленнее или с трудом находит информацию в огромном массиве данных?

Сегодня рассмотрим подробно лучшие практики структурирования источников знаний ИИ агента 3CX, которые также называются базами знаний. Это необходимо, чтобы гарантировать максимальную производительность. Таким образом, обеспечивается быстрое, точное и релевантное предоставление ответов, особенно при работе с большими наборами данных.

Правильный инструмент для работы: источники знаний против динамических данных

Один из наиболее частых вопросов касается использования источников знаний для поиска актуальной информации о складских запасах или других динамических данных. Хотя загрузка большого файла CSV с 50 000 строк SKU и данных о запасах может показаться логичным решением, однако это не идеальный вариант использования для ИИ агентов 3CX.

Почему большие файлы CSV для инвентаризации работают плохо

  • Точность и скорость: источники знаний предназначены для описательной информации — FAQ, политик, примечаний к продуктам, инструкций по устранению неполадок и общих руководств. Для поиска точного SKU или наличия на складе требуется точный, быстрый и актуальный ответ.
  • Ограничения поиска: в настоящее время источники знаний ИИ агентов 3CX не предназначены для работы в качестве системы поиска актуальных данных о запасах. Кроме того, разделение большого файла CSV на более мелкие в некоторых случаях может улучшить поиск. Тем не менее, это не будет так же надежно и эффективно, как прямой запрос к системе учета запасов. Технология OpenAI, на базе которой работают ИИ агенты, позволяет загружать файлы CSV. Однако они не оптимизированы для точного поиска данных в реальном времени.

Следовательно, для работы с динамическими данными в реальном времени, такими как складские запасы, оптимально использовать запрос к базе данных/API. На данный момент рекомендуется избегать использования источников знаний для больших массивов SKU. Вместо этого следует применять их для общей информации, на которую ИИ может дать точный ответ.

Оптимизация источников знаний для повышения скорости и точности

Теперь рассмотрим, для чего они идеально подходят, а также как сделать их эффективными для данных вариантов использования. В частности, если ИИ агент отвечает дольше при подключенном источнике знаний, часто это связано со структурой данных.

Ключевым условием для быстрого поиска является обеспечение правильного разделения данных, их четкого описания и хранения в чистом структурированном формате, таком как Markdown.

Ниже описано, как сделать поиск максимально быстрым

  1. Разделение по темам, а не по размеру: вместо одного гигантского файла со смешанной информацией необходимо разбить источники или файлы на четкие, отдельные темы. Каждый файл или источник должен иметь определенную цель. Пример: при продаже декоративных и спальных подушек следует создать два отдельных источника знаний: один для “Информация о декоративных подушках”, а другой для “Информация о спальных подушках”. В результате это помогает ИИ изолировать релевантные данные, обрабатывая минимально возможный набор.
  2. Избегайте больших, смешанных файлов: очень большие файлы, в которых сгруппированы несвязанные темы, неизбежно замедляют поиск и снижают точность. В таких случаях ИИ вынужден анализировать больше нерелевантной информации, чтобы найти нужные данные.
  3. Используйте Markdown для файлов источников знаний: Для достижения наилучших результатов контент источника знаний следует структурировать в формате Markdown (.md) по мере возможности. Файлы Markdown являются легковесными, чистыми и удобными для чтения, разделения и точного извлечения системами ИИ. Таким образом, они позволяют
    использовать заголовки, подзаголовки, списки, таблицы и четкие разделы, что помогает ИИ понимать структуру информации.
  4. Используйте четкие описания: при создании нескольких источников знаний необходимо разделять информацию без пересечений. Важно предоставить четкое описание для каждого источника знаний. Более того, это описание служит руководством для ИИ, помогая выбрать наиболее подходящий источник на основе запроса пользователя.
  5. Структурируйте файлы интеллектуально: при использовании файлов CSV для описательных данных (а не для актуальной информации о запасах), следует убедиться, что содержимое легко определяется по метрикам сходства. Например, при наличии двух файлов CSV необходимо убедиться, что первый столбец четко определяет тип продукта, либо добавить понятную строку в самом верху, которая явно описывает содержимое. Таким образом, это гарантирует, что только наиболее релевантный файл вернет точное совпадение.

Пример

Вместо загрузки файлов PDF, документов Word или простых текстовых файлов в исходном неструктурированном виде, рекомендуется сначала преобразовать их в формат Markdown (для этого можно использовать ИИ). Это особенно полезно для корпоративных баз знаний, FAQ, документации по продукту, руководств по устранению неполадок и нормативных документов.
Например, хорошо структурированный файл Markdown может включать:

# Политика возврата товара
## Срок возврата
Возврат товаров возможен в течение 30 дней с момента покупки.
## Условия
- Товар должен быть неиспользованным.
- Требуется оригинал чека.
- О поврежденных товарах необходимо сообщить в течение 48 часов.
## Процесс возврата средств
Возврат средств обрабатывается в течение 5 рабочих дней.

Присоединяйтесь к обсуждению

Обсуждение продуктов 3CX проходит на специализированных форумах для партнеров и клиентов. Кроме того, подписка на страницы в X и LinkedIn позволяет оставаться в курсе последних новостей и выхода новых функций.