En nuestra serie de preguntas y respuestas «Engineering Energizers», exploramos las trayectorias de líderes de la ingeniería que han alcanzado logros significativos en sus respectivos campos. Hoy, destacamos a Armita Peymandoust, Vicepresidenta Senior de Ingeniería de Software en Salesforce, que encabeza el desarrollo de Einstein Copilot, un asistente conversacional de IA para CRM que integra datos, metadatos, avisos y flujos de trabajo para realizar análisis inteligentes y ejecutar tareas, optimizando así la eficiencia y mejorando las tasas de finalización de tareas.
Explore cómo el equipo de Armita aborda las complejidades de los grandes modelos de lenguaje (LLM) mediante la implementación de guardarraíles para garantizar resultados de IA precisos y fiables, garantiza la privacidad de los datos de los clientes mediante el uso de conjuntos de datos sintéticos y públicos para probar funciones, y mucho más
¿Cuáles son los principales retos técnicos a la hora de desarrollar Einstein Copilot?
El desarrollo de Einstein Copilot en Salesforce se enfrenta a dos retos técnicos principales que son cruciales para su éxito y funcionalidad.
El desarrollo de Einstein Copilot en Salesforce se enfrenta a dos retos técnicos principales que son cruciales para su éxito y funcionalidad
El primer reto tiene que ver con la gestión y utilización de LLM. Einstein Copilot utiliza LLM para realizar tareas complejas generando respuestas precisas y adecuadas al contexto. Sin embargo, la tecnología es relativamente nueva y el equipo navega continuamente aprendiendo la mejor manera de implementarla y controlarla. Un aspecto importante de este reto es evitar que el modelo «alucine», es decir, que produzca resultados plausibles pero incorrectos o irrelevantes. Para resolver este problema, el equipo se centra en crear estrictas barandillas y proporcionar una base contextual específica al modelo, lo que ayuda a reducir el alcance de la respuesta y mantener la fiabilidad de los resultados
El segundo reto importante es garantizar la disponibilidad de conjuntos de datos adecuados y realistas para probar las funciones de IA de Einstein Copilot. Dado que la política de Salesforce prohíbe el uso de datos de clientes para fines de desarrollo, el equipo debe utilizar métodos alternativos para probar y perfeccionar sus funciones. Se basan principalmente en datos sintéticos, que generan para imitar los escenarios del mundo real que Einstein Copilot podría encontrar. Además, utilizan fuentes de datos públicas disponibles para la investigación con el fin de validar y comparar el rendimiento de las distintas configuraciones del modelo. En algunos casos, también participan en acuerdos piloto con clientes, lo que les permite acceder a datos reales de forma controlada y ética. Esto no solo ayuda a perfeccionar las funciones de Einstein Copilot, sino que también garantiza que los datos utilizados respetan la privacidad y la propiedad de los datos de los clientes.
Einstein Copilot
>
–>
Armita habla sobre la cultura de ingeniería de Salesforce.
La cultura de ingeniería de Salesforce
¿Cuáles son los retos y el proceso de adopción típico para integrar Einstein Copilot en los flujos de trabajo existentes de los clientes?
Integrar Einstein Copilot en los flujos de trabajo existentes de los clientes plantea retos significativos, que requieren una gestión cuidadosa del cambio. Esto a menudo prolonga el ciclo de retroalimentación, ya que los clientes necesitan tiempo para probar y adaptarse a las nuevas funciones antes de integrarlas por completo.
Por ejemplo, cuando Salesforce lanza una nueva función de Einstein Copilot, el uso inicial suele limitarse a administradores y usuarios avanzados. Este proceso de adopción gradual garantiza que las soluciones de IA gocen de confianza y se integren perfectamente en los sistemas establecidos sin interrupciones.
Este enfoque metódico de la innovación subraya el compromiso de Salesforce de ofrecer soluciones de IA fiables que satisfagan las necesidades de los clientes y se adapten a sus realidades operativas.
La adopción gradual de las soluciones de IA garantiza que se confíe en ellas y se integren perfectamente en los sistemas establecidos sin interrupciones
Un diagrama que representa las pruebas de copilotos y agentes generativos a escala.
¿Cómo contribuye la colaboración entre sus equipos de ingeniería y producto al desarrollo de funciones eficaces y relevantes de Einstein Copilot?
Se trata realmente de la sinergia entre nuestros equipos de ingeniería y producto. Nuestro equipo de ingeniería está profundamente involucrado en la exploración de lo que es técnicamente factible con los últimos avances en IA. Básicamente, preparan el terreno mostrando el arte de lo posible
Por otro lado, nuestro equipo de producto interviene con un sólido conocimiento de los retos y necesidades a los que se enfrentan nuestros clientes. Esta combinación nos permite identificar los problemas empresariales que pueden resolverse eficazmente mediante el uso de nuevas tecnologías. Se trata de una interacción dinámica en la que ambos equipos aportan algo vital, lo que garantiza que las soluciones que desarrollamos sean vanguardistas, directamente relevantes y muy beneficiosas para nuestros usuarios.
Preparación
También adoptamos un planteamiento muy mesurado a la hora de decidir qué funciones impulsamos. Esto implica una cuidadosa evaluación de los costes asociados al desarrollo y mantenimiento de estas funciones en comparación con el valor que aportan a nuestros clientes y a Salesforce como empresa. Se trata de tomar decisiones estratégicas que maximicen el impacto a la vez que optimizan el uso de recursos.
Este proceso de colaboración nos mantiene ágiles y receptivos, permitiéndonos adaptarnos rápidamente en un entorno de mercado que cambia con rapidez. Garantiza que las funciones de IA que desarrollamos sean innovadoras y estén perfectamente alineadas con lo que nuestros clientes necesitan para triunfar.
>
Armita habla de un nuevo proyecto en desarrollo, en colaboración con el equipo de Investigación de IA de Salesforce
¿Cuál es el proceso iterativo que sigue tu equipo a la hora de desarrollar nuevas funcionalidades para Einstein Copilot?
El desarrollo de nuevas funciones para Einstein Copilot en Salesforce sigue un meticuloso proceso iterativo. Inicialmente, el equipo define el problema que pretende resolver y construye una solicitud específica para ello. Esta ingeniería es crucial, ya que da forma a las fases posteriores de desarrollo y pruebas
Una vez creada una función, se somete a rigurosas pruebas para evaluar la calidad y precisión de los resultados generados. Para ello se utilizan herramientas de etiquetado, etiquetadores humanos y métricas de evaluación de última generación. Tras el lanzamiento de estas funciones, el equipo depende en gran medida de los comentarios de los clientes, que se recogen tanto cualitativa como cuantitativamente dentro del producto. Estos comentarios forman parte del ciclo iterativo, que permite al equipo perfeccionar y mejorar continuamente las funciones
Este enfoque estructurado garantiza que cada función no sólo cumpla las especificaciones de diseño iniciales, sino que también evolucione en función de las opiniones directas de los usuarios, ajustándose estrechamente a las necesidades y expectativas de los clientes
>
Armita explica por qué los ingenieros deberían unirse a Salesforce.
A fondo, ¿cómo gestiona tu equipo los comentarios de los clientes y los integra en el proceso de desarrollo de Einstein Copilot?
El equipo adopta un enfoque meticuloso para supervisar y evaluar cada función desarrollada, especialmente dada la naturaleza innovadora de la tecnología de IA generativa. Debido a la novedad de estas aplicaciones, puede ser un reto anticipar con precisión las preferencias y necesidades de los clientes. Para resolver este problema, el equipo implementa una instrumentación exhaustiva dentro de las funciones, lo que les permite capturar datos detallados sobre las interacciones de los clientes. Esto incluye el seguimiento de acciones como la generación, edición y aceptación de resultados, lo que proporciona una rica fuente de información cuantitativa y cualitativa
Este feedback es inestimable, ya que no sólo ayuda a evaluar la eficacia de cada función, sino que también informa de los ajustes necesarios para mejorar la funcionalidad y la satisfacción del usuario. Al analizar continuamente cómo interactúan los clientes con las funciones, el equipo puede tomar decisiones basadas en datos para perfeccionar y mejorar las soluciones de IA, asegurándose de que se ajustan más a las expectativas de los usuarios y mejoran su experiencia general. Este ciclo dinámico de información forma parte integral del proceso de desarrollo iterativo, lo que permite al equipo adaptarse con rapidez y eficacia a los comentarios de los usuarios y a las necesidades cambiantes del mercado
Más información
- ¿Hambre de más historias sobre IA? Descubra cómo el nuevo Einstein Copilot para Tableau está construyendo el futuro de la analítica basada en IA en este blog.
- Manténgase conectado: únase a nuestra Comunidad de talentos
- Consulta nuestros equipos de Tecnología y Producto para saber cómo puedes participar.