Prima di iniziare
Prima di mettere mano al tuo agente AI, ecco le basi sui contenuti generativi e sul reasoning engine di MessageMind.
Se in passato hai usato un chatbot, probabilmente ti è sembrato lento o macchinoso. La maggior parte dei bot in circolazione non capisce davvero cosa vogliono i tuoi clienti, e non sa rispondere o agire come farebbe un operatore umano.
Unendo le informazioni della tua knowledge base a un'AI all'avanguardia, con MessageMind™ non hai un semplice chatbot. Hai un agente AI generativo, progettato per svolgere compiti che finora solo gli operatori umani sapevano fare.
Questa guida ti mostra la tecnologia con cui MessageMind™ rende l'esperienza con un agente AI diversa da qualsiasi chatbot tu abbia mai provato.
Il segreto dietro la capacità del tuo agente AI di comprendere e scrivere messaggi sta nell'AI, o intelligenza artificiale, che MessageMind™ usa dietro le quinte. In generale, l'AI è una gamma di programmi informatici complessi progettati per risolvere problemi come fanno gli esseri umani. Può affrontare svariate situazioni e incorporare diversi tipi di dati; nel caso del tuo agente AI, si concentra sull'analisi del linguaggio per connettere i clienti alle risposte.
Quando un cliente interagisce con il tuo agente AI, quest'ultimo usa Large Language Model, o LLM, programmi addestrati su grandi quantità di testo, per identificare cosa sta chiedendo il cliente. Sulla base dei pattern identificati nei dati testuali, un LLM può analizzare una domanda del cliente e determinarne l'intento. Poi individua nella tua knowledge base le informazioni il cui significato corrisponde a ciò che il cliente sta cercando.
L'AI generativa è un tipo di LLM che usa la sua analisi dei contenuti esistenti per creare nuovi contenuti. Costruisce frasi parola per parola, in base a quali parole hanno più probabilità di seguire quelle già scelte. Usando l'AI generativa, il tuo agente AI costruisce risposte basate su pezzi della tua knowledge base che contengono le informazioni che il cliente cerca, e le formula in modo naturale e conversazionale.
I dati di addestramento degli LLM possono contenere contenuti dannosi o indesiderati, e l'AI generativa può a volte produrre dettagli non veri, che chiamiamo allucinazioni. Per combattere questi problemi, il tuo agente AI usa un set aggiuntivo di modelli per garantire la qualità delle sue risposte.
Prima di inviare qualsiasi risposta generata al cliente, il tuo agente AI controlla che la risposta sia:
- Sicura: la risposta non contiene contenuti dannosi.
- Pertinente: la risposta risponde davvero alla domanda del cliente. Anche se le informazioni nella risposta sono corrette, devono essere quelle che il cliente stava cercando per offrirgli un'esperienza positiva.
- Accurata: la risposta corrisponde ai contenuti della tua knowledge base, così il tuo agente AI può ricontrollare che sia veritiera.
Con questi controlli attivi, hai la certezza che il tuo agente AI non solo ha preso decisioni sensate su come aiutare il cliente, ma gli ha anche inviato risposte di alta qualità.
Il tuo agente AI gira su un sofisticato Reasoning Engine creato da MessageMind™ per fornire ai clienti le conoscenze e le soluzioni di cui hanno bisogno.
Quando i clienti pongono una domanda al tuo agente AI, quest'ultimo tiene conto dei seguenti elementi per decidere il prossimo passo:
- Contesto della conversazione: la conversazione precedente contiene contesto utile per rispondere meglio alla domanda?
- Knowledge base: la knowledge base contiene le informazioni che il cliente sta cercando?
- Sistemi aziendali: ci sono Azioni configurate con il tuo agente AI che gli permettano di recuperare le informazioni che il cliente sta cercando?
Da lì, decide come rispondere al cliente:
- Domanda di approfondimento: se il tuo agente AI ha bisogno di più informazioni per aiutare il cliente, può chiederle.
- Knowledge base: se la risposta è nella knowledge base, può recuperare l'informazione e usarla per scrivere la risposta.
- Sistemi aziendali: se la risposta è in una delle Azioni configurate, il tuo agente AI può recuperarla con una chiamata API.
- Handoff: se il tuo agente AI non può rispondere, passa il cliente a un operatore umano per ulteriore assistenza.
Insieme, il meccanismo che prende queste decisioni complesse su come aiutare il cliente si chiama Reasoning Engine di MessageMind™. Proprio come fa un operatore umano quando decide come aiutare un cliente in base a ciò che sa, il Reasoning Engine tiene conto di una varietà di informazioni per capire come risolvere la richiesta nel modo più efficace possibile.
Molti chatbot AI sono vulnerabili a prompt injection o jailbreaking, cioè prompt che spingono il chatbot a fornire informazioni che non dovrebbe. Per esempio, informazioni riservate o non sicure.
Il reasoning engine dietro gli agenti AI di MessageMind™ è strutturato apposta per rendere la vita molto difficile agli attacchi avversariali contro gli LLM. In particolare, dispone di:
- Una serie di sottosistemi AI che interagiscono tra loro, ciascuno dei quali modifica il contesto intorno al messaggio del cliente.
- Diverse istruzioni di prompt che rendono chiarissimo il compito da svolgere, imponendo all'agente AI di non rivelare i propri meccanismi e le proprie istruzioni e di riportare in tema le conversazioni che scivolano nel chiacchiericcio.
- Modelli pensati per rilevare e filtrare contenuti dannosi negli input o negli output.
Con test di AI generativa allo stato dell'arte prima di ogni nuovo deployment, MessageMind™ garantisce un'esperienza di interazione cliente sicura ed efficace.
Quando colleghi il tuo agente AI alla knowledge base e i tuoi clienti iniziano a ricevere contenuti generati automaticamente, può sembrare magia. Ma non lo è! Questa sezione ti mostra cosa succede dietro le quinte.
Come MessageMind™ importa la tua knowledge base
Quando colleghi la tua knowledge base al tuo agente AI, quest'ultimo copia tutti i tuoi contenuti, così può cercarli rapidamente e servire informazioni rilevanti. Ecco come avviene:
-
Quando colleghi il tuo agente AI alla tua knowledge base, l'agente AI importa tutti i tuoi contenuti.
A seconda degli strumenti che usi per creare e ospitare la tua knowledge base, questa si aggiorna con frequenze diverse:
- Se la tua knowledge base è in Zendesk o Salesforce, il tuo agente AI controlla gli aggiornamenti ogni 15 minuti.
- Se il tuo agente AI non ha avuto conversazioni, subito dopo il collegamento o negli ultimi 30 giorni, la sincronizzazione va in pausa. Per riattivarla, fai una conversazione di prova con il tuo agente AI.
- Se la tua knowledge base è ospitata altrove, tu o il team MessageMind™ dovete costruire un'integrazione che la scansioni e carichi i contenuti sulla Knowledge API di MessageMind™. In questo caso, la frequenza degli aggiornamenti dipende dall'integrazione.
-
Il tuo agente AI divide gli articoli in chunk, così non deve scorrere ogni volta testi lunghi: gli basta guardare i chunk, molto più corti.
Un articolo può coprire più concetti correlati, ma ogni chunk dovrebbe coprirne uno solo. In più, il tuo agente AI conserva il contesto: ogni chunk porta con sé i titoli che lo precedono.
-
Il tuo agente AI invia ogni chunk a un Large Language Model (LLM), che usa per assegnare ai chunk rappresentazioni numeriche corrispondenti al significato di ciascuno. Questi valori numerici si chiamano embedding e vengono salvati in un database.
Il database è quindi pronto a fornire informazioni che GPT può comporre in risposte naturali alle domande dei clienti.
Come MessageMind™ crea risposte dai contenuti della knowledge base
Dopo aver salvato i contenuti della tua knowledge base in un database, il tuo agente AI è pronto a fornirli per rispondere alle domande dei tuoi clienti. Ecco come fa:
-
Il tuo agente AI invia la query del cliente all'LLM, così può ottenere un embedding (un valore numerico) che corrisponde all'informazione richiesta.
Prima di procedere, l'agente AI fa passare il contenuto da un controllo di moderazione tramite l'LLM per vedere se la domanda del cliente era inappropriata o tossica. Se lo era, l'agente AI rifiuta la query e non procede con la generazione della risposta.
-
Il tuo agente AI confronta poi gli embedding tra la domanda del cliente e i chunk nel suo database, per vedere se trova chunk rilevanti che corrispondano al significato della domanda. Questo processo si chiama retrieval.
Il tuo agente AI cerca la migliore corrispondenza di significato nel database rispetto a ciò che il cliente ha chiesto, processo chiamato similarità semantica, e salva i tre chunk più rilevanti.
Se la domanda è di follow-up rispetto a una precedente, il tuo agente AI potrebbe far riscrivere la domanda dall'LLM per includere il contesto, aumentando le possibilità di ottenere chunk rilevanti. Per esempio, se un cliente chiede al tuo agente AI se il negozio vende biscotti, e l'agente AI risponde di sì, il cliente potrebbe rispondere "quanto costano?". Quella domanda non ha abbastanza informazioni da sola, ma una come "quanto costano i tuoi biscotti?" fornisce contesto sufficiente per ottenere un chunk significativo.
Se a questo punto il tuo agente AI non trova corrispondenze rilevanti tra i chunk del database, chiede al cliente di riformulare la domanda oppure passa la richiesta a un operatore umano, invece di generare una risposta e rischiare di dare informazioni imprecise.
-
Il tuo agente AI invia a GPT i tre chunk del database più rilevanti per la domanda del cliente, così da comporli in una risposta. Poi fa passare la risposta generata attraverso tre filtri:
- Il filtro Sicurezza controlla che la risposta generata non contenga contenuti dannosi.
- Il filtro Pertinenza controlla che la risposta generata risponda davvero alla domanda del cliente. Anche se le informazioni nella risposta sono corrette, devono essere quelle che il cliente cercava per offrirgli un'esperienza positiva.
- Il filtro Accuratezza controlla che la risposta generata corrisponda ai contenuti della tua knowledge base, così può verificare che la risposta dell'agente AI sia veritiera.
-
Se la risposta generata supera questi tre filtri, il tuo agente AI la invia al cliente.