En esta masterclass de Salesforce, se exploran conceptos avanzados de Agentforce, incluyendo la creación de agentes complejos, la importancia de la base de conocimiento, y la funcionalidad de Data Cloud. Se discuten las limitaciones de los modelos de lenguaje y se presenta la implementación de RAG (Retrieval-Augmented Generation) en Salesforce. A través de ejemplos prácticos, se demuestra cómo crear acciones en Agent Force y se resuelven preguntas frecuentes. La sesión concluye con un juego interactivo que refuerza los conceptos aprendidos.
Keywords
Salesforce, Agent Force, Data Cloud, inteligencia artificial, base de conocimiento, RAG, implementación, masterclass, tecnología, aprendizaje
Takeaways
La masterclass se centra en la creación de agentes complejos en Salesforce.
Es importante entender los conceptos fundamentales antes de la práctica.
La base de conocimiento es esencial para responder preguntas específicas.
Los modelos de lenguaje tienen limitaciones que deben ser consideradas.
Data Cloud permite conectar y procesar información de múltiples fuentes.
La búsqueda tradicional se basa en palabras clave, pero hay métodos más avanzados.
RAG mejora la precisión de las respuestas al agregar contexto.
La implementación de acciones en Agent Force es un proceso clave.
Los participantes pueden interactuar y hacer preguntas durante la sesión.
El juego interactivo ayuda a consolidar el aprendizaje.
[00:00:06.18]
Bienvenidos. Bienvenidos a otra masterclass de Cellforce. Qué es lo que vamos a ver hoy? Es avanzado, no el fácil de cuatro clicks y tiro magia y hago dos cosas. Vamos a poder crear agentes complejos que resuelvan cosas complejas. Vamos a tener algunos toques de data cloud y la clase de hoy está en manos del piloto Francisco Morales y el copiloto bebé Corazón Morales Francisco, Qué es lo que vamos a aprender en la clase de hoy?
[00:00:44.19]
Bien, gracias Juanma. Bueno, hoy vamos a Vamos a hacer un poquito de dos cosas. Vamos a hacer un poquito de trampa. Primero porque la clase de hoy va a tener muchos pasos que vamos a saltear rápidamente, o sea, les vamos a explicar los conceptos y vamos a mostrarlo, pero no vamos a crearlo de cero. Y la razón es que hay algunos pasos que tardan mucho tiempo en completarse. Entonces, si lo hacemos así, se nos va la clase en eso. Entonces hay algunas cosas que vamos a skipear y después va a tener de diferente a otras clases que vimos antes, que va a haber mucha teoría, pero lo vamos a tratar de hacer lo más fácil y ameno posible. La razón atrás de que tengamos que dar teoría es que ya hay algunos conceptos que si no después se nos van a perder y que me parece que estaría bueno que los podamos hacer doble clic y sobre todo que los entiendan, porque a nosotros hacer lo que tuvimos que hacer puntualmente nos llevó muchos golpes de entendimiento y de ir y volver, ir y volver hasta que lo pudimos hacer bien y nos dimos cuenta que si hubiéramos sabido los conceptos quizás base, al principio justamente todo hubiera fluido de otra manera.
[00:01:50.07]
Entonces lo que nos quisiera, lo que quisiéramos cuando hicimos la clase es que se lleven los conceptos principalmente y después vamos a pasar la práctica y vamos a hacer un caso, pero principalmente queremos que se lleven los conceptos que hay atrás de lo que vamos a hacer.
[00:02:03.08]
Y que tus golpes. Has dicho que te golpeaste golpes no sean los golpes de toda la gente que está acá.
[00:02:09.20]
Exactamente.
[00:02:10.15]
Cantidad enorme de personas. Vamos con Franco.
[00:02:13.23]
Muy bien. Voy a compartir pantalla. Como les decía, va a ser una clase un poco diferente a las demás. Vamos a arrancar con una. Primero les voy a mostrar el resultado final y después vamos a ver cómo llegamos a ese resultado final. A ver, que al principio no se entiende nada. Es un poco la idea. O sea, la idea es que al principio no entiendan nada y que vayamos después de atrás para adelante. Compartir pantalla. Me avisan cuando se vea la pantalla.
[00:02:33.23]
Ahí se ve hermoso.
[00:02:34.19]
Muy bien, entonces yo acá le voy a hacer una pregunta a la gente, que es cuáles son los valores de bandera? Y voy a tocar preview y eso me va a devolver una respuesta.
[00:02:42.02]
Ahí a la izquierda le está haciendo la pregunta, no? Cuáles son.
[00:02:44.02]
Los valores? No, pero yo quiero que no se entienda. O sea, quiero que a propósito no entiendan nada de lo que estoy mostrando, porque quiero que explicarles después cómo llegamos acá. Perdón.
[00:02:52.07]
Fran, esta clase está relacionada con el status Champion o Innovator de Agent Forest.
[00:02:58.08]
No sabría, la verdad. Les voy a contar lo que vamos a hacer. Vamos de atrás para adelante. Nosotros necesitábamos. Dábamos tener un agente al que hacerle preguntas sobre una base de conocimientos de una empresa. Y si.
[00:03:12.03]
Podés hacerles.
[00:03:13.01]
Digamos. Ahí vamos. Pero olvídense un poquito de la pantalla. Escúchenme un poquito lo que les quiero decir. Hacerle preguntas sobre las políticas de una empresa y que nos responda con esas políticas. Por ejemplo, yo necesito saber cuáles son los valores de la empresa, poder preguntárselo y que me lo diga si quiero saber cuál es la política de devolución de esa empresa, preguntárselo, que me lo diga. Entonces, qué tenemos? Qué tenemos que hacer para eso? Dentro de Salesforce vamos a tener algo y ahora vamos a ir un poquito a la herramienta. Ahora voy a hacer un poquito de zoom. Tenemos el concepto de base de conocimiento. Y para todos aquellos que no, lo que no estén familiarizados, es básicamente un objeto donde voy a guardar información de la compañía. Si, por ejemplo, tengo un artículo de conocimiento. Vamos a hacer un poquito de zoom. Qué tienen los valores de bandera, por ejemplo? Y dice Bueno, acá vas a encontrar los valores de bandera. Y tengo. Cuáles son los valores de bandera.
[00:04:05.15]
Ahora, esto sirve en en. Esto es antes de. No, O sea, esto es una funcionalidad que es standalone. No necesariamente está linkeada con con. Perdón, Es algo que se puede usar. Por ejemplo, cuando alguien está creando un caso, puede obtener base de conocimiento para saber cómo tiene que crear ese caso, cuáles son las políticas de devolución del cliente y demás. Entonces, nosotros queremos que un agente pueda consumir esta información para responder preguntas. Es un caso muy simple y que van a ver que está como muy replicado por todos lados, porque es casi como el caso base. Entonces, lo que nosotros de nuevo quisiéramos hacer es que nuestro agente pueda acceder a base de conocimiento y en base a preguntas, responder esto. Ahora, qué pasa si nosotros lo quisiéramos hacer? Imagínense, vamos a a compartir un poco otra cosa que es teoría. Voy a dejar de compartir. Voy a compartir de nuevo y vamos a mostrar. El perro quiere salir.
[00:04:58.09]
Y dice Si distrae a la gente y se distrae a la gente de la clase linda.
[00:05:02.17]
Eh? Entonces se ve ahí. Debería verse una pantalla de cloud.
[00:05:08.04]
Si se ve.
[00:05:09.03]
O Cloud o cloud. Entonces lo que yo le pedí a Cloud es que me diga. Le expliqué que era la clase sobre la que íbamos a hablar y le pedí que me haga como un resumen o un paso a paso de de algunos conceptos que tendríamos que ver para hacer este caso de knowledge base o base de conocimiento con con el agente. Bueno, le expliqué cuál es el problema que arranca explicando. Mencionó el problema de empleados que pierden horas buscando información en documentos dispersos. Solución Agente de inteligencia artificial que responda a preguntas. Vamos a explicar rápido qué es un LDM que ya todos deben estar familiarizados, porque todos deben usar básicamente un chat GPT. Tenemos entrenamiento, mucha información, un LLM que es básicamente redes neuronales que interpretan esa información y después hay una etapa de predicción, Es decir, nosotros hacemos una pregunta. Se compara contra ese modelo y hace una predicción basado en ese entrenamiento? Sí, creo que hasta ahí un poco. Concepto básico de LLM. La idea es que lo que va a hacer es que va a predecir.
[00:06:04.03]
Ejemplo práctico. Los valores de Van Grayson. Innovación, excelencia y. Y bueno, lo que va a predecir el LM es colaboración basado en patrones que ya aprendió, o sea, en toda información que ya aprendió. Sí, tal cual. Ahora, después vamos a ver cómo se se conecta lo de Data Library y los archivos y tal. Ahora qué pasa? Algunas limitaciones de los LLM tienen conocimiento limitado porque tienen una fecha de corte a partir de la cual terminó su entrenamiento. Entonces, por ejemplo, enero de 2024 y no sabe cuestiones, es decir, con las que no ha sido entrenado. O sea, necesitamos haber hecho una base de entrenamiento muy potente, pero aún así va a haber información nueva o privada que la gente no tenga. Entonces vamos a introducir un concepto nuevo que es raro, que es Retrieval Generation, que básicamente nos va a permitir agregarle una capa más de información de manera eficiente. Ahora vamos a ver cómo a nuestro, a nuestro agente o a nuestro modelo, si quieren. Entonces, por ejemplo, nos dice Simrad cuál es la política remota de VANT Grey?
[00:07:02.17]
Esto no lo podríamos hacer porque el LM. Si ustedes le preguntan eso a GPS no va a saber, salvo que haga una búsqueda en internet, pero si no, no vas a ver porque busca en su conocimiento y no lo tiene. En cambio, con esta técnica vamos a hacer una pregunta específica de bandera y nos va a poder devolver. Cuál es? Cómo funciona? RAC Hacemos una pregunta. Tenemos una etapa de retrig que es buscar esos documentos o esa información. Vamos a ver la capa de información que tengamos que lo hace con esto. Ahora vamos a ver cómo funciona el augment dentro de lo que es Front Template en Salford, que es básicamente esto es combinar la pregunta con la información, los documentos en un especie de prompt más grande. Y ahí respondemos con contexto. Entonces, si se fijan, el RAC es un poco una forma de decir yo hago una pregunta a un modelo ya establecido y sobre ese modelo agrego una capa más de contexto beneficio del rap. Un poco los que íbamos diciendo no?
[00:07:54.23]
Información actualizada en tiempo real, datos específicos, cuestiones de información privada que no teníamos disponible en un entrenamiento normal. Y sobre todo, siempre entrenar el modelo. No tenemos que esperar a Chatgpt cinco para tener la política de devolución de batería o los valores de banda. Hagamos una diferencia entre dato estructurado y no estructurado. Esto lo vamos a ver rápido pero básicamente estructurado. Es todo lo que se puedan imaginar con bases de datos normales y normalizadas donde tenemos un ID, campos y información estructurada básicamente, y después lo no estructurado son todo lo que son, principalmente archivos, transcripciones de conversaciones, o sea, todo lo que no está en una base de datos típica de hecha en forma de tablas. Voy a tratar de explicar los conceptos lo más genérico posible. Sé que va a haber algunos conceptos que no son específicamente así. No importa. A los fines prácticos de la explicación lo vamos a explicar así. Entonces, por ejemplo, acá me he dado documentos no estructurados. Como ven, es el 80% de la información empresarial.
[00:08:47.10]
Está en archivos, no en archivos en la página web, en Notion. Lo que sea. Contenido no estructurado. Bueno, da un ejemplo de un caso de éxito de cosas que no están en una base de datos. Entonces tenemos un desafío para hacer esas búsquedas, que es cómo hacemos para buscar en esa información que no está estructurada. Vamos a ver cómo se hace con la búsqueda tradicional y cómo se hace con búsqueda tradicional. Es básicamente por palabras clave. O sea, cada vez que nosotros hagamos una consulta, por ejemplo, una base de datos, lo que hacemos es, en mayor o menor medida, buscamos palabras exactas. Hay muchas técnicas que después se hicieron para mejorar eso, pero básicamente hacemos una búsqueda por palabras, no? Entonces, si yo hago una pregunta, lo que puedo interpretar es cuál es la intención con algún algoritmo y tratar de sacar las palabras claves y después buscar dentro de una base de datos esas palabras claves. Muy ineficiente en términos de búsqueda, porque no estamos entendiendo intención, contexto, si tiene algún error de escritura y demás.
[00:09:40.22]
Entonces, por ejemplo, vamos a buscar exactamente saleforce o integración. Cuando hagamos la pregunta Salesforce Integration no se pierde todo el contexto de lo que quiere preguntar. Vamos a incluir entonces lo que es el concepto de búsqueda por vectores, no? Entonces ya cuando hacemos eso, y esto es un poco como funcionan los modelos de inteligencia artificial, ya estamos entendiendo contexto porque tenemos una base en el medio. Vamos a llamarlo así, no? Como un lenguaje que habla el agente, que tiene que ver con vectores y con el peso y ya no tanto con las palabras puntuales. Sí. Entonces eso va a hacer que la gente, y esto les ha pasado mucho, que es que les da la sensación de que cuando le preguntan algo entiende de que le están preguntando, como que les entiende la intención más allá de de las palabras claves. Por ejemplo, un ejemplo muy claro que justo cuando lo estábamos haciendo nos nos nos saltaba que es bueno. Si yo te digo quién ganó la última Copa del Mundo? Y la gente te da la respuesta, pese a que en la base de datos o en el archivo que nosotros le hayamos subido diga que el último Mundial y no Copa del Mundo Mundial lo ganó Argentina lo va a saber responder.
[00:10:49.12]
La forma de hacer eso es justamente usando vectores.
[00:10:54.10]
Polémico eso, Fran. Traer ese tema ahora con tanta gente de todas partes del mundo y que jugamos contra Francia.
[00:11:03.01]
Yo sugiero, yo sugiero primero entender. Y segundo, Francia.
[00:11:08.03]
Bien, muy a groso modo, lo que hacemos con los vectores es que las palabras van a tener como un peso. Olvídense de todo esto porque lo importante es va a haber muchos números y la gente va a interpretar esos números locos para saber, para entender qué tiene que responder el usuario, básicamente entendiendo el peso y demás. De nuevo quiero ir como lo más a la superficie posible para que sea llevadera la clase. Esto lo vamos a saltear y acá tenemos que entrar un poquito en Data Cloud. Data cloud es clave porque lo que nosotros vamos a hacer con la gente tiene que ver con esta nube y esta nube. Piénsenlo como una nube que nos va a servir para conectar con un montón de fuentes de información y además también procesar la información que nosotros ya tengamos en Salesforce de manera estructurada, de otra manera. Ahora vamos a ver de qué manera nos va a ayudar. Como les digo, conecta datos de múltiples fuentes, procesa información estructurada y no estructurada y importante. Y por qué estamos trayendo esta nube en esta clase en particular?
[00:12:00.11]
Porque nos va a permitir habilitar datos para la inteligencia artificial y para automatización de inteligencia artificial. Si, es decir, si nosotros quisiéramos solo con la base del CRM, así como está, decir que la gente lea los registros lo podemos hacer, pero lo vamos a hacer de una manera muy cómo decirlo cuadrada no? O sea, nosotros tendríamos que les doy un ejemplo, si nosotros quisiéramos decirle a la gente bueno, andá a buscarte un número de caso, tendremos que hacer un flow que obtenga ese número de caso y que la gente entienda que cuando la persona le está preguntando por un caso, le pida el número de caso y vaya a buscar. No sé si me explico. Hay que tener como una especie de entrada proceso salida muy definido. En cambio, si nosotros estamos hablando de grandes volúmenes de información y de más de este esquema de pregunta respuesta en base a a información que puede estar estructurada y no estructurada. Nosotros no podemos tener algo así. Necesitamos tener algo diferente, algo que interprete la pregunta y ya pueda devolver la respuesta en base a toda la información que tenemos en una base de datos.
[00:12:59.21]
Después de un nuevo ser estructurado y no estructurado, cómo tenemos eso en. A ver si tengo una imagen que sea mejor para mostrar. Esta parte de data cloud se ve ahí. No sé si se ve muy chiquitito, me parece que se ve muy chiquitito. No.
[00:13:10.15]
No, pero súper chiquito sí.
[00:13:12.04]
A ver si lo puedo mostrar un poquito más grande. Me deja hacer zoom, pero esperen un poquito. No vamos a dar por vencido.
[00:13:17.10]
Ahí va. Claro.
[00:13:18.11]
Bien, entonces cómo funciona Data Cloud? A grandes rasgos, vamos a meter la data que dijimos que puede ser estructurada, no estructurada. Y este cero significa que no vamos a guardar nada. Vamos a tener varios procesos sobre esos procesos. Quiero hacer rápidamente hincapié en que cuando nosotros estamos vectorizando qué es lo que decíamos que necesitamos hacer para que el LM entienda lo que hacemos es que hacemos como agarramos la información que viene en un lote grande, digamos. Vamos. Vamos a simplificarlo y lo vamos a hacer. El proceso de chunking, que es como hacer partecitas chiquititas de esa información, cada una con un peso y eso es lo que entiende la gente, no? Entonces la gente en vez de ir a leer la tabla con toda la información, va a ir a leer esta tabla intermedia con los chunks o los pedacitos de información. Solo quédense con ese concepto. Acá tenemos bueno esta parte de data. Después tenemos la parte de categorizar la información, que acá es donde decimos que tenemos las intenciones, las preguntas, los tópicos, la metadata de la data, que eso también es importante.
[00:14:15.11]
Después la parte de guardar esa data, que es esto que estamos diciendo, ya vectorizarlo y guardarla en una en una base de datos vectorizada, que es la que puede leer el el agente. La indexación, que también lo vamos a ver muy por arriba, solo como concepto. Hay un índice. Cuando nosotros creemos una data, una base de datos vectorizada vamos a tener un índice. Solo quédense con ese concepto de que existe un índice y eso nos va a permitir después, por ejemplo, lo que estamos hablando, no tener esta metodología RAM para poder meterle y aumentar el prompt como decimos acá eh? Para que cuando le hagamos una pregunta la gente en vez de tener en cuenta todo el contexto que pueden ser 1.500.000.000 de archivos, tenga solo en cuenta la partecita de información sobre la que le estamos preguntando. Entonces yo le pregunto cuáles son los valores de bandera? Y en vez de leer en vez de ir a hacer una query a todo esto, toda la información que yo puedo tener del del sistema, los mails, los PDF, las conversaciones de Slack.
[00:15:09.12]
Bueno, habiendo hecho todo este proceso que estamos explicando, solo le voy a meter al prom. Bueno, estas partecitas son las que tenés que mirar, quédense con con ese concepto y vamos a salir de acá, vamos a hacer un poquito más grande. Entonces, disculpen que estamos como muy teóricos hoy, pero después va a tener un poco de justificación acá. Lo mismo que estábamos diciendo pero explicado un poco más simple la fuente de información que podemos tener, todo lo que hacemos para tener una base de datos vectorizada esas son distintas técnicas y demás. Y después lo que vamos a terminar es con nuestro agente Consumiendo esa información. Y esto es principalmente lo que nosotros hoy vamos a un poquito a ver. Esto ya es específicamente qué es lo que tendremos que hacer en Data Cloud, que lo voy a saltear un poco. Ahora se los voy a mostrar directamente porque va a ser un poquito más rápido. Crear el driver. Ahora les voy a explicar qué es cada una de estas cositas y lo que nos interesa, qué es lo que les mostré al principio de todo esto del prompt template, que de nuevo es terminar con un prompt que tenga una pregunta de un usuario y tenga solo la información necesaria que el eh, la gente, perdón, la gente, el modelo necesita para responder esa pregunta y no todo el universo de información que dijimos que puede existir.
[00:16:15.03]
Entonces acá nos dan un ejemplo, no es la entidad de crédito, es parte del prompt original. Tu trabajo es ayudar a empleados respondiendo preguntas únicamente con la información proporcionada en los documentos de la empresa, la regla, la el contexto, el contexto. Y esto es justamente lo que nos da Rag. Es lo que les decía yo tuviera. Si yo no estuviera, este documento relevante sería todo, toda la información, entonces sería imposible de procesar y lo que nos ayuda a tener todo el tema de vectores y todo es llegamos solo acá con lo que nos interesa, con los pedacitos de data que nos interesa, esa información que nos interesa y obviamente después la pregunta del usuario, la respuesta a la alarma. A partir de ahí nos va a dar un ejemplo donde le hacemos una pregunta que tiene que ver con checklist de nuevos empleados. La respuesta está en este documento. Entonces solo nos va a traer este documento. Cuál es el proceso de onboarding? Es la pregunta del usuario y te va a decir che, respóndela solo con esto y esto como lo hiciste vos tenés una base de datos vectorizada en el medio usaste RAG y a todos esos documentos que le subiste usando Data Library, te buscó y te encontró.
[00:17:12.14]
Esto a la respuesta del ejemplo. Bueno, y acá algunos datos de cuestiones de ventaja de usar versus Fine Tuning, que un poco ya lo vimos, no? O sea, entrenar un modelo es costosísimo versus poner esta capita más de vamos a saltear esto y ya vamos a ir directo si quieren al ejemplo, porque creo que ya conceptualmente vimos un poco todo acá, esto lo tengo después se los voy a pasar. Explica cómo usa cada una de las cosas. he Einstein para. Para saber cómo llegar a eso. Pero creo que los conceptos ya lo vimos. Los conceptos teóricos. Entonces, vamos. Este concepto me parece clave. Que es un pedacito de documento. Recuerden, la tabla vectorizada lo que hace es como que partir todo en pedacitos de información y les pone un peso, entonces después sabe cómo buscarlo. El Search Index también es importante, es como una forma de buscar en ese índice que le vamos a explicar después cómo hacerlo. El driver, en nuestro caso puntual que vamos a ver hoy, también es importante porque es el algoritmo de búsqueda, es decir, le vamos también a explicar cómo buscar en ese set de documentos o en esos o en ese set de información, de esas tablas.
[00:18:09.13]
Que nosotros tengamos el data model offset. Piénsenlo como la tabla de la base de datos, pero dentro de data cloud. Nosotros, por ejemplo, tenemos el objeto Contact o Account en Salesforce y lo que vamos a querer hacer es, yendo a un ejemplo muy muy básico mapear eso con un data model Object en Data Cloud para tener una tabla replicada en otra data model en realidad es mucho más potente y sirve para otras cosas. Pero piensen como esa equivalencia que que va a ser fácil de entender. Y el vector, como dice acá, la huella digital semántica Números que representan el significado del texto para la máquina. Básicamente esto de los pesos para saber qué es más importante y que no, creo que estos son más ejemplos y y ya no hacen a la cuestión. Así que vamos a ir. Voy a dejar de compartir un poco y voy a compartir la pantalla con este.
[00:18:52.22]
Esta. Perdóname.
[00:18:56.08]
Pero no es es la belleza.
[00:18:58.06]
No? No estaba prestando atención a lo que estaba comentando Fran. Súper útil.
[00:19:00.23]
Fran. Después podrías compartir ese link de Cloud y nosotros lo lo publicamos.
[00:19:06.09]
Sí, dale. Muy bien, entonces vamos a ver ahora cómo se conectan todos estos conceptos con lo que acabamos de hacer. Entonces vamos a compartir la pantalla de vuelta. Ahí se ve, no? Sí, entiendo que sí. Entonces acá tengo de nuevo una base de conocimiento, un artículo que se usa para otras cosas en Salesforce. Pero nosotros queremos que nuestra gente pueda leer esta información y responder preguntas. Entonces, si se acuerdan lo que vimos recién, lo que tendríamos que hacer es una base de datos vectorizada, ponerle un retriever, ponerle un índice y un montón de cosas locas y técnicas que ahora entendemos qué es lo que hacen y que no, por suerte no vamos a tener que hacer anualmente, nos vamos a tener que ir manualmente porque crearlo manualmente créanme que es bastante poco más complejo. Nos da un montón de herramientas para hacer todo eso medio de una, eh? Pero lo que nosotros queremos es que la gente pueda acceder a pedacitos de esto de acuerdo a lo que le interese. Sí. Una cuestión para para explicar acá es que en este caso puntual, nosotros creamos este campo contenido que no está en el article.
[00:20:07.11]
Eso les digo porque si por ahí quieren hacer esto mismo, esto no lo tiene, pero nosotros creamos esto para ponerla acá, por ejemplo los valores de bandera y probar. Entonces yo ya tengo mi base de conocimientos con toda la información de mi empresa y lo que quiero hacer ahora es usarlo en un template y si se acuerdan el template lo que hace es yo voy a definir un.
[00:20:29.18]
Enojo.
[00:20:30.12]
No voy a definir un patrón muy complejo. Si se enoja, dice que lo estoy explicando mal. Eh? Voy a tener un prompt muy complejo. Y esto después lo voy a poder usar en otro lado con agentes que eso después nos va a mostrar. Ahora este en unos minutos Cómo hacer. Defino un prompt grandísimo, el prompt este lo estoy, se lo estoy robando porque ya nos da un ejemplo, pero nos da muchas instrucciones para saber cómo buscar en una base de conocimiento que responda solo lo que el usuario está preguntando, que no infrinja ninguna regla de seguridad, que se fije bien cómo se arma la respuesta, el tono con el que responde. Básicamente que no tire fruta. O sea, todo esto es para que el agente sepa cómo responder. Ahora lo que yo estoy haciendo acá si se si se acuerdan cuando vimos el concepto de de este promo aumentado, lo que nosotros queríamos hacer es decirle hacerle todo el prompt normal que es hasta acá. Y acá es donde le vamos a agregar nuestra capa de RAC, básicamente que es nuestro pedacito de aporte al prompt para que el LLM LMC sepa cómo responder a la pregunta Qué es lo que viene a continuación?
[00:21:34.13]
Entonces nosotros vamos a tener una pregunta de usuario que la vamos a capturar todo nuestro prompt. Atrás hay un RLM y nuestro pedacito de conocimiento. Que le vamos a decir al agente Che, con esto es que tenés que responder esta pregunta para todo lo que aprendimos de los conceptos. En este caso, si se fijan, lo que nos está pidiendo es un retriever, que en este caso es el dynamic retriever que es no es más que esto que me pone acá, o sea, me está pidiendo dos inputs. Si se fijan el prompt y template me está pidiendo una consulta que es lo que el usuario quiere saber en este caso cuáles son los valores de bandera? Esto es texto que me llega por un input y un retriever que es el retriever, que si se acuerdan es. Nosotros tenemos un retriever para ir a consultar una base de datos vectorizada para consultar información que puede estar atrás, que puede estar o estructurada o no estructurada. Entonces vamos a ver rápidamente cómo se crea eso y cómo se se mapea eso porque nos ayuda mucho con ese tema.
[00:22:30.20]
Vamos a tener lo que se llama Data library, que son como piénsenlo, como la información que uno le va a poner a la gente para que por detrás se esforzará todo lo que yo les acabo de contar en términos técnicos. O sea, nos va a crear un Retriever, un data model object, nos va a crear un data stream que es otro concepto también de data cloud y demás. Pero lo que nosotros hacemos acá es básicamente decirle sobre qué queremos que haga esa base de datos vectorizada. Entonces, si quiero, por ejemplo, les doy un ejemplo que nosotros hicimos acá creamos sobre la base de contactos y definimos que para el objeto Contacto queremos un un data libro o un PDF de Field Service. Descargamos el pdf de Field Service y ya nos trajo. Nos armó todo el modelo atrás, la página de Gray, hicimos lo mismo, cargamos un archivo y el que por ahí nos interesa ahora es este que hizo este ayer a las dos de la madrugada. Por eso ya estábamos cansados y le empezamos a poner a todo test.
[00:23:23.12]
Por eso se llama test con otra test incluso, eh, que básicamente nos trae todo lo que es la información del knowledge, teniendo en cuenta como campos a identificar el title y el summary y después para ver qué otra información vamos a guardar en ese data model Object. Yo sé que esto es como puede parecer chino, pero es decir, que cuál es la otra información que vos querés guardar en esa tabla que después se va a vectorizar, que después va a tener índice y que después va a tener Retrieve? Acá seleccionamos todo. El que más nos interesa es este, porque en el contenido es donde está exactamente la información que nosotros queremos. Entonces, una vez que creamos esto por detrás, esto es lo que tarda. Por eso esta parte no la podemos mostrar cómo creamos uno, porque esto tarda, puede tardar hasta 40 minutos. Lo que hace eso es que nos va a crear un data model y acá no me acuerdo. Creo que se llama Demo Master class.
[00:24:15.00]
Sí. Fíjate que te van a aparecer los mapeados y.
[00:24:17.03]
Pero les voy a mostrar rápido como lo que te crea así con el ejemplo que nosotros hicimos con Contact como para que sepan. Pero cuando yo hice el Data Library lo que me creó es uno de estos que si se fijan, por ejemplo Contact me lo creó y después me crea uno para el que es donde van a estar los pedacitos de información, donde van a estar los pedacitos de información. Es este chico, es este que está acá. Entonces nos va a crear dos tablitas de estas, pues nos va a crear un data stream que a los fines prácticos el stream es todo lo que va a ser, como la sincronización entre la fuente de origen de datos y lo que suceda y lo que nosotros tengamos en el data model.
[00:24:54.21]
Y televisión, verdad?
[00:24:56.01]
Si.
[00:24:57.02]
Acá, perdón, acá, eh? Guadalupe dice que intentó subir un PDF como base de conocimiento y que me marcaba error al cargar. Intentó con varios y no funcionó. Acudió a Salesforce y llevan tres semanas sin encontrar el error.
[00:25:13.03]
Okay, bueno, la verdad que en nuestro caso lo justo. Los archivos que subimos si.
[00:25:17.22]
Tuvimos un problema también, así que capaz que también es algo de Salesforce.
[00:25:21.20]
Nosotros tuvimos problemas también, no porque no los cargaba, sino porque los cargaba y después no los entendía. El retriever no sabía qué tenía que hacer preguntas ahí y se rompía. Pero lo que el datastream solo les quiero decir que es lo que sincroniza la información. Nosotros acabamos de ver los campos que vamos a sincronizar y vamos a tener como un estatus de la sincronización que acá básicamente nosotros veníamos y refrescamos y ya tirábamos la información a nuestro nuestro data modelo. Con esto. Lo otro que les quiero mostrar rápidamente que me creó es que me creó un retriever y el retriever no es más que esperen, que voy a venir un ejemplo. Por ejemplo, acá tenemos uno que creamos para un archivo, pero el que les quiero mostrar es el test con té, nuestro amigo este. Esto lo creó automáticamente, pero lo que lo que hace acá es que sabe cómo hacer una consulta a esa tabla vectorizada no importa porque esto lo crea automáticamente, pero si se fijan está haciendo un select a información que está chequeada, o sea que está ya dividida en pedacitos y la hace por un por una búsqueda que nos dé el usuario, por un string que nos dé el usuario.
[00:26:20.07]
Esto ustedes dirán para qué sirve al final todo esto que hicimos, porque nosotros cuando volvemos a nuestro, a nuestro template, le tenemos que decir de dónde tiene que ir a buscar la información. Entonces ahí metemos el driver. Si vamos rápido de atrás para adelante nos creó. Si un agente solo acepta una data. Buen punto. Si vamos de atrás para adelante, nos creó un data model offset. Después, un data stream para sincronizar la información entre nuestro origen de fuente y nuestro data model. Y después nos creó un índice que no lo vimos porque la verdad es que no, no nos aporta nada a este ejemplo y nos creó un driver que es como la forma de decirle bueno, eh, cómo consumís información de un lugar en donde la tabla está chequeada y nuestro template lo que va a hacer es que va a usar este retrieve para saber qué tiene que completar acá de nuevo. Y perdón que sea tan repetitivo con esta parte, pero esto es como la clave. Entonces cuando yo aprieto Preview lo que va a hacer y ahora les voy a mostrar cómo resolvió el prompt.
[00:27:14.13]
Si se fijan el prompt lo que hizo fue vamos a ver si podemos llegar un poquito. Esto tiene todas las instrucciones de nuevo y acá en el college puso cosas muy locas, pero al final nos devolvió. Cuál es el contenido que es este contenido? Guion bajo, guion, bajo, bajo, C. Eso es un poco raro cómo lo hace, pero eso es cómo está guardado en la base de data cloud y ahí le tiró a la gente Che, tenés que responder con esto y acá le tiré. Cuál es el sourceid? Acá tira otros pedacitos de chunk que también tiene. Y la pregunta es cuáles son los valores de con eso y la gente ya sabe cómo responder. Y si yo tuviera una base de conocimientos de 150 mil millones de artículos, yo no puedo cargarle todo eso acá al prompt Se entiende cuál es la utilidad, o sea, cuál es el fin de todo esto? Yo necesito que el agente solo tenga en el prompt ese pedacito de información que me interesa para responder cómo fui a buscar ese pedacito dentro de todo el millón de información que tengo con esto?
[00:28:07.21]
Y no, no solo el knowledge. O sea, en este caso hiciste justo knowledge, pero por ahí hay otros objetos que tienen esa info no? Y lo querés unificar todo? No es por decir una query.
[00:28:16.10]
No? Claro.
[00:28:18.08]
Claro.
[00:28:20.20]
Por palabras, como veíamos al principio, que es la búsqueda tradicional que hacíamos antes, sino que acá hay una cuestión de intención para buscar también eso. Y toda la magia es un poco todo el concepto que explicamos antes.
[00:28:30.06]
Ahí preguntan cómo obtener el retriever id que tenés a la izquierda.
[00:28:33.21]
El retriever, id, yo me voy a Einstein Studio y en este estudio tengo los retriever, tengo los modelos retriever y el modelo y cuando me voy al retriever de nuevo, si yo creé el Data library, esto ya me lo crea, solo después me voy al que yo quiero, que en este caso sabemos que es test con dos T porque es lo que creó este y acá tengo el API name, entonces hago copy y me vengo acá y se lo pego acá. Qué es lo que está acá pegado? Bien, entonces ya con esto sabemos cómo. Cuál es la lógica y cuál es la magia que hace que todo esto funcione. Ahora lo que vamos a hacer es un ejemplo práctico. Lo vamos a agregar a un agente para poder hacerle preguntas en cualquier momento y que nos devuelva información de la base de conocimiento que eso nos va a mostrar nuestro amigo este diseñador. Dejar de compartir. Voy a ver que la perrita me está rompiendo todo el sillón.
[00:29:17.23]
Ahí me avisan si ahí se ve bien. Por eso.
[00:29:21.04]
Antes de avanzar este estoy recibiendo una pregunta directa a a mi WhatsApp personal. Me están preguntando desde Panamá qué estás usando?
[00:29:33.22]
Dicen Cómo qué, qué?
[00:29:35.12]
Qué browser estás usando? Qué WhatsApp? Entre paréntesis ponen fachero el chico mal gusto, el browser Que Qué significa eso?
[00:29:44.13]
Ok, fachero. Primero que nada es una persona que entiendo que es linda de cara, pero bueno, cosa que no no aplica a mí. Y el browser que estoy usando es ARC. Que bueno, lo uso porque me gusta hacer multitasking eh? Está buenísimo para multitasking, como que podés ordenarlo en carpetas, podés tener muchos espacios.
[00:30:03.09]
Está buenísimo che, multitasking. Hacé un poquito de zoom si podés.
[00:30:06.13]
Mucho multitasking no.
[00:30:08.14]
Está 120 es un ok, ahí, ahí vos.
[00:30:11.19]
Tenés 20, 20.
[00:30:13.13]
No sé, para mí fue pedido así nadie pidió zoom, pero bueno, Vamos a agregar la acción.
[00:30:20.18]
Pide más grande, por favor. Más zoom.
[00:30:22.19]
A ver. Ahí está bien O no? Dígame si no lo estoy viendo. Ah, Okay, Okay. Yo. Yo estoy viendo bastante grande.
[00:30:28.22]
Pero. Porque soy joven.
[00:30:30.20]
No, no. Pero te digo que ya no puedo. No tengo espacio. Ahí se ve bien.
[00:30:34.03]
Si la cámara no va.
[00:30:36.20]
Ahí se ve.
[00:30:37.11]
Se ve. Vamos. Sí.
[00:30:39.04]
Dale. Okay. Bueno, eh, vamos a agregar el la acción que que hizo Fran recién Al a la gente nuestro que? El que venimos usando las anteriores clases, Eh? Y para eso vamos a ir a, eh, vamos a ir a Asset, acá Assets, que acá es básicamente donde vamos a meter y donde están todos nuestros eh tópicos o acciones que ya existen en. Para agregarlo tenemos que crear una acción que justo los templates son acciones y acá vamos a New Agent Action y acá vamos a seleccionar eh? Bueno, acá podemos agregar un montón de cosas flows, app, lo que sea, también un template. Vamos a comprender qué es lo que creó Fran y vamos a esta masterclass. Vamos a estar ahí con Francis. Estás ahí? Avísame si estás. Si. No.
[00:31:24.09]
Si, Si. Gracias.
[00:31:25.06]
Okay. Luego Master Class. Vamos a ponerle, eh. No sé si Master class vamos a poner cuatro, pero 24 de julio por las dudas y a ver si. José Okay, ahí está. Vamos a dar la siguiente. Bien. Y acá me aparece como una esto recuerdan que lo vimos en las otras clases ya configurar los parámetros de esa acción que hizo Fran? Entonces qué quiero que me muestre? Cuando la gente está cargando esta acción como pantalla de carga? No sé, vamos a ponerle Cargando acción así y un emoji para identificar que está ejecutando esta acción. Obviamente acá siento al lado, pero bueno, bueno y los inputs que básicamente es el retriever ID. Este es el retriever que tenías Fran, no sé si tenés ahí, ahora lo voy a buscar. Básicamente el primer parámetro dice Retriever. O sea, qué retriever quieres que use cuando ejecute esta acción? Fran no está hardcodeando porque era una prueba, eh? En un preview. Pero si yo me voy al retriever, ahí me tengo que ir a buscar porque eso lo tengo acá.
[00:32:17.23]
Voy a Einstein Studio y acá.
[00:32:21.05]
Me lo deletrea señor Juanma te lo deletrea.
[00:32:23.21]
Este este test. Vamos a buscar este. Este es el retiro que que había hecho Fran para que se conecte a la knowledge. Y este es el la PNL. Entonces vamos a ponerle que use este You need you use this driver y listo. De ahí va a sacar la base que no necesitamos que conecte información del usuario. La query no vamos a decirle user user input, user question, vamos a ponerle input. Esto va a ser básicamente la query, no? Cómo se dispara esta acción? Con una pregunta o un input del usuario? Vamos a decirle que no, que no, no la conecte, pero que lo de alguna manera que lo interprete, que ya esa es la query, porque si le ponemos acá automáticamente va a entender que el usuario tiene que completar un campo, pero nosotros queremos que lo identifique. Vamos a ver si es posible que lo identifique sin pedírselo explícitamente cuando está hablando con el agente. Esto está bien. Vamos a poner español. Y acá. Bueno, vamos a dejarle esto porque hasta ahora no nos interesa esto y listo, le damos a finalizar.
[00:33:25.20]
Acá viene la respuesta. Response. Esto va a ser la respuesta generada. Bueno, de momento no vamos a poner hesitation, vamos a finalizar. Bien, entonces ahí creamos la acción y ahora vamos a agregarla a hecho en force yendo a Agent Force y vamos a nuestro agente. Vamos al default que es el que mejor anda y acá no tiene nada, este no tiene, está limpito, no tiene ningún topic ni nada. Vamos a agregarle nuestra acción desde la library, acá assets y acá vamos a buscar. Esperen, estoy haciéndolo mal, que es? Primero tenemos que definir un tópico sobre esa acción, no? Entonces vamos a poner un tópico.
[00:34:07.20]
Recuerden, el tópico es sobre lo que puede hablar en la gente de cocina no va a saber porque no tiene un tópico de cocina.
[00:34:14.11]
Vamos a ver. Si alguien te pregunta sobre los valores de Van der Grey o alguna pregunta relacionada a banderas de la empresa. Vamos a decirle super específico Vas a usar la barra de acción? Acá se puede ser específico o se puede dejar abierto a que la gente también vea que puede hacer. Dependiendo de cuantos tópicos tengas. En este caso yo no tengo ningún tópico, entonces seguramente se rompa porque va a querer hacer otras cosas que no tiene tópicos. Le voy a decir super específico hacé esto. Si yo tuviese más tópicos, le estoy dando más libertad a la gente De que? De que? De que investigue sobre tópicos. Puede hablar. Entonces voy a usar. Cómo se llama mi acción? La voy a buscar de vuelta. Se llama Ace. Assets. Y acá la acción. Vamos a buscar la de Master Class. Creo que era. Y la fecha de hoy? Si no me equivoco.
[00:35:02.11]
Francisco, nos contás mientras tanto qué tenemos en WhatsApp?
[00:35:06.00]
Sí, en WhatsApp tenemos ya la el juego Así que si quieren ir escaneando bien.
[00:35:12.03]
Y los que no saben qué pasa en WhatsApp? Qué tenés para contarles?
[00:35:16.11]
Tenemos una comunidad en WhatsApp, que ahí está justamente el link que acaba de pasar en el chat. Así que con ese link pueden entrar a la comunidad y seguir ahí un poco el contenido de las clases.
[00:35:25.18]
Y los que estén viendo la grabación de esto en los comentarios debajo del video van a encontrar el link directo para sumarse a nuestro grupo de WhatsApp, nuestra comunidad en donde respondemos al resto de la semana.
[00:35:37.23]
Excelente! Bueno, ahí creé el tópico y fíjense que ya automáticamente me escribió algunas clasificación y scopes de qué quiero que haga este tópico? Y bueno, instrucciones y acá yo le pongo eh, qué tengo que hacer o qué ejemplos le puedo dar a la gente para que se dispare esta acción? Y acá un ejemplo. Puede ser que yo pregunte como un usuario, no sé cuáles son los valores o qué información me puede dar o cuántos quiera, no? Mientras más detallado esto, mejor. Pero bueno, de momento lo voy a agregar. Dos y si vemos que va fallando, vamos a agregarle más. Vamos a darle siguiente. Y acá vamos a agregar demo Masterclass. Acá ves? Esta es nuestra acción nueva. Hay muchas demos. Hay que limpiar eso y vamos a recargar el agente. Por las dudas vamos a ponerle. Vamos a ponerlo a prueba, a ver cuáles son los valores de. Los climas. Ahora la acción. Hermoso. Ahí está nuestra acción con nuestro emoji. Y ahora No puedo comentar sobre eso.
[00:36:40.15]
Vamos a ver qué estuvo haciendo, porque parece que no. No quiso. No quiso responder. Va a tener varios. Y ejecutó la acción. Como ven acá. Acá está el input. La query principal.
[00:36:49.20]
Fíjate que capaz que le damos el el retriever porque hay dos. Acordate que hay dos.
[00:36:55.05]
Ok. Ahí me fijo, pero mira. O sea, quiso ejecutar la acción y yo también. Esto es todo lo que le pusiste vos? No el super prompt que le pusiste.
[00:37:02.18]
Exacto.
[00:37:03.10]
Y le dice en español. Ok. Y vos me dijiste que me fije el driver, no?
[00:37:09.14]
Capaz que es el otro Retriver.
[00:37:11.01]
Este no es decir que es el otro.
[00:37:12.16]
Hay uno que es por código y hay otro que es por Standard.
[00:37:15.22]
A ver, código. Este es código. Este código no es.
[00:37:19.12]
Probémoslo.
[00:37:20.12]
Probemos a ver porque te crea dos. Ok, vamos a ver con este y vamos a tener que cambiar la acción. No entiendo porque si yo voy a hacer esta cosa. Si. Si surgen preguntas, vayan preguntando porque por ahí es complejo. Vamos a Demo Master Class acá. Recuerdan que yo le había puesto un ID? No. Vamos a cambiarlo. Eso se puede cambiar eso. No hay drama. Le dije usar esto. Retriver Bueno, parece que ese no era. Entonces vamos a ponerle otro.
[00:37:43.08]
No. Probemos. Eh. No, no estoy seguro. No sé. En realidad debería andar con los dos Retriever porque no estamos haciendo algo complejo, pero. Bueno, probemos a ver.
[00:37:51.17]
Vamos a ver si la acción la ejecuta. Pasa que ahí se quedó. Fíjense que le puse este emoji como para identificar que está cargando esto. Bueno, vamos a ver de vuelta, vamos a darle un refresh.
[00:38:00.10]
No da para parte dos eh?
[00:38:02.01]
Creo que no saben la cantidad de cosas que salteamos para que se haga.
[00:38:05.02]
A ver una acción. Bien. La acción la quiere ejecutar. Exacto. Era el problema del Retriever. Si, si, si, era eso. Le pasé mal un retriever acá. No sé si pueden ver. Bien. Acá está la query. Recuerdan que yo le dije que no se la pida explícitamente, sino que la tome desde su base de. Y bueno, si le preguntan usa la acción acá se lo dije súper específico y acá ejecutó la acción, como ven en la que creé hace un rato y usó el super prompt que hizo Franz, Como ven es gigante. Y después al problema yo le dije que responda en español y bueno, y acá está la respuesta más formulada. Perdón, ya me llega con el código y acá está la respuesta formulada acá abajo los valores de Grey y acá están. No sé por qué cuando tengo la pantalla muy grande no se ve bien acá, pero bueno, acá está la respuesta. Simplificar lo complejo, mejora continua. Bueno, ahí está bien.
[00:38:53.06]
Lo leíste así nomás, Pero son buenos valores.
[00:38:54.23]
No los leyó?
[00:38:57.09]
Tendría que tenía que haberle hecho. A ver si está muy acertado, pero yo creería que sí. Pero bueno.
[00:39:01.22]
Si son eso, son eso.
[00:39:02.23]
Ok, confirmado. Entonces el Kuga confirma. Bueno, esto es una manera de usar estas acciones o estos retrievers. Y todo este tema que. Que que dijo Fran de los racks? Eso es una manera de crear un prompt y eso que lo use y a la vez el que use de todo eso con un asset. Y después otra cosa que bueno, quizás también queríamos mostrar que estaba bastante copado. No sé Fran, si vos tenés algo más de esto, porque quizás qué es?
[00:39:26.06]
Ahí justo están preguntando quién ganó el Mundial, pero pregúntale cuándo es el cumpleaños de este, porque eso está en otro artículo que no tiene nada que ver con los valores. Capaz que queda bueno para entender que mezcla información que no tiene nada que ver desde la.
[00:39:39.17]
Información sobre cumpleaños.
[00:39:40.13]
Es qué diferencia hay entre poner como Data Library? Esa misma Knowledge y usar el Search Knowledge Standard. Con crear un Asset Custom y ponerle como parámetro el Retriever ID.
[00:39:54.14]
Sí, sí, eso es lo que la. Una de las cosas que vieron que recién surgió la pregunta de cuántas data layer puede tener? Bueno, solo una. O sea, yo podría poner esa esa knowledge acá, pero la gracia de pronto es que es súper flexible porque vos le podés pasar una para un prompt, otra para otro prompt y ir agregándolos acá.
[00:40:10.07]
Y además una cosa importante nosotros mostramos esto genérico. Es verdad, Selfoss lo tiene ya resuelto el tema de la base de conocimiento con con agregar la librería. Pero nosotros queremos mostrarlo como lo más genérico posible, porque imagínese que después ahí podríamos conectar una tabla de productos o podríamos bajar PDFs de una página y de una compañía y subir esos PDF como una data library y conectarla sin que sea la base de conocimientos específicamente. Por eso lo hicimos así, porque si no, si nosotros lo mostramos desde ahí. Terminaba ahí la demo. Pero se puede hacer así, conectando solo la base de conocimiento.
[00:40:42.03]
Bien, ahí vi por qué está fallando. Está fallando porque yo en el en el tópico recuerdan que fui súper específico? Le dije solo contesta cuando te pregunten las bases. Entonces voy a ponerle, voy a poner.
[00:40:52.00]
Vos le pusiste. Le pusiste un buen ahí? Un bloqueador directamente ahí.
[00:40:58.19]
Claro, claro, le dije, ahí vamos a poner. O este o este. Y qué más? Acá vamos a poner un ejemplo. Cuando se cumple.
[00:41:07.23]
La edad de Juan Manuel pone sino que nadie le adivinó.
[00:41:11.07]
Error 404 dice A ver cuándo es el cumple de este.
[00:41:18.22]
Pregunta WhatsApp.
[00:41:19.21]
A ver, a ver para voy a recargar esto. Ahora las preguntas.
[00:41:22.13]
Pregunta Eh desde WhatsApp, Canadá, WhatsApp desde Canadá me están preguntando si podríamos ir redondeando conceptos y pasar a al juego y si podemos retomar en 1/3 de tercer 4.ª parte de de.
[00:41:40.12]
Si estamos no respondió ahí.
[00:41:43.18]
Ahí respondido mi cumple, si había otra cosa que queríamos mostrar de APIs, cómo esto se llama APIs, pero creo que no llegamos ya con el tiempo.
[00:41:50.11]
Bien, bien, esto sigue. Una de las próximas clases vamos a esta, que es la tercera o la 4.ª de.
[00:41:57.12]
Creo que es la tercera.
[00:41:58.11]
La tercera? La tercera.
[00:42:00.05]
EGA futura. Punto com barra. Todas las grabaciones de absolutamente todo y los perfiles de de LinkedIn de todas las personas que estamos aquí. Y si Fran nos comparte en WhatsApp y en el AM y en el chat el link del juego. Igualmente yo les voy a ir compartiendo pantalla para que puedan ir escaneando el QR un minuto y vamos a empezar. César aquí vayan con vayan escaneando el QR que ven en la pantalla. Vamos a comenzar el juego. Creo que estábamos para arrancar, creo que estamos para arrancar. Y Fran, vos podrías hacernos de locutor?
[00:42:47.07]
Dale cualquier cosa. Si yo tengo que saltar de la reunión les les pego el chiflido y y nos ayuda ahí?
[00:42:52.15]
Claro que sí. Okay, voy yo con esta pregunta que es Cuál es la principal ventaja del patrón arquitectónico RAG. Cuál es la principal ventaja del patrón arquitectónico? RAG? Vamos con cuatro opciones a ver cuál es tan, tan tan, tan tan. La próxima como locutor. Dale, dale. Minimiza las alucinaciones al anclar las respuestas a datos reales. Vamos, Ana. Bien, vamos con la próxima.
[00:43:22.11]
Pasen el QR. No me pude sumar.
[00:43:24.02]
Okay. En el chat. En el chat.
[00:43:27.01]
Qué característica de Data Cloud permite unificar la identidad del cliente? Unificación e identidad. Segmentación más activación esta que la diga Angie Governance and Compliance AI Power Features entiendo que es.
[00:43:41.18]
Si.
[00:43:42.06]
Se durmió.
[00:43:43.00]
Hoy Powder Powder features me quedó la palabra query que decía alguien me decía query. Todo el tiempo descubrí Fiori, no menos. Esa palabra que me hacía ruido en los oídos por eso.
[00:43:59.15]
Perdón. Qué función cumple el Builder en. Permite cargar contenido multimedia. Optimiza la velocidad de respuesta de la gente. Define el rol, permisos y fuentes de conocimiento de la gente y realiza análisis de datos en tiempo real. Larguita la.
[00:44:17.19]
Forma No hay forma todavía con gente de Estados Unidos y no la pronuncien así para nada. Creo que es una palabra, pero es británico. No puede ser.
[00:44:27.04]
Si, pero no creo que. No creo que los americanos digan Query.
[00:44:31.06]
Dicen Query. Si, Si.
[00:44:32.07]
Cual es uno de los objetivos principales de una knowledge base? Incrementar la velocidad de la empresa en línea. Desarrollar nuevas funciones de IA. Aumentar las ventas directas de productos. Reducir tickets repetitivos. Acelerar la capacitación. Son temas que no tocamos directamente pero que igual se caen un poco de maduro en algunas.
[00:44:49.10]
Vamos, vamos, vamos. Reducir tickets repetitivos. Acelerar la capacitación. Vamos con la próxima. Locutor.
[00:44:59.09]
Qué permite el soporte Rack 2.0? Optimizar la interfaz de usuario. Mejorar la velocidad de procesamiento de datos. Fundamentar sus respuestas en datos verificados. Incrementar la capacidad de almacenamiento o Esta está difícil?
[00:45:11.14]
Esta? Sí. Sí. Sí.
[00:45:12.10]
Hace un poquito de trampa este bot. Por cuál te inclinas?
[00:45:14.11]
Eh, Solo por mejorar la velocidad. Procesamiento de datos. No, no me hagan caso. Vale. Porque. Qué pasa?
[00:45:20.06]
Veremos. Veremos. Bien, bien. Mira, mira. Adrián! Adrián! Nico! José el guapo. OPA!
[00:45:28.16]
El guapo y humilde. Cuál es un uso común de Salesforce Knowledge dentro de Salesforce? Es ponerse con Experience Cloud y Service Cloud, implementar sistemas de facturación, proveer análisis de sentimientos del cliente y almacenar grandes volúmenes de datos sin estructurar.
[00:45:42.23]
Chan chan, chan, chan, chan.
[00:45:44.15]
Implementar sistemas de facturación. Difícil. Difícil Usando solo sería como modo leyenda como implementar sistemas en modo le.
[00:45:51.15]
Mandó.
[00:45:52.03]
Le creaba los los productos como contenido.
[00:45:55.03]
Vamos. Vamos. Mira, Luis Miguel.
[00:45:58.01]
Siempre integra profundamente para mejorar la operatividad de sus agentes Data Cloud y objetos de Salesforce. Temas de inteligencia artificial externa, aplicaciones de terceros no relacionados y hardware especializado. Como que se cae de maduro con lo que vimos hoy. Ahora es otra, ahora es otra y no la que yo pienso. Pero bueno.
[00:46:14.23]
Yo me inclino.
[00:46:15.21]
Y debe ser. Yo ayer lo tuve entero.
[00:46:17.15]
Sistema de facturación más bien.
[00:46:21.18]
Vamos Data Cloud, estamos perdiendo por la fuerza.
[00:46:23.19]
Vamos, Seguimos.
[00:46:25.17]
Salió campeón del mundo.
[00:46:27.06]
Qué tipo de datos agrega? Cuál es tu cumpleaños de Leti? Qué tipo de datos agrega? Data Cloud. En serio? Exclusivamente datos de dispositivos móviles. Únicamente datos de redes sociales. Todos los datos transaccionales, financieros, datos transaccionales, de CRM, web, mobile y externa.
[00:46:39.20]
Yo me inclino por solo datos de transacciones financieras.
[00:46:43.00]
Muy bien. Buena publicidad de data cloud.
[00:46:44.21]
Sí. Yo creo que la última. Pero quizás me equivoqué.
[00:46:47.12]
Cuántas son? Cuántas preguntas son?
[00:46:48.17]
Diez? Diez. Ya estamos. Bien. Bien. France. Diana Duque. Vamos.
[00:46:53.23]
Cómo facilita RAC la auditoría de información? Incorpora herramientas de análisis financiero. Automatiza todo el proceso de auditoría. Reduce el tiempo de auditoría a la mitad. Permite auditar dónde salió Cada afirmación hecha. Está buena.
[00:47:06.03]
Si yo me inclino por. Incorpora herramientas de análisis financiero.
[00:47:10.05]
Le pusimos mucho financiero a todo. Ahí la respuesta.
[00:47:12.22]
Hoy estoy un poco pillo. Vamos a ver.
[00:47:15.09]
Si entendieron cómo funciona esa se entiende.
[00:47:17.16]
Bien. Permite auditar dónde salió cada caro?
[00:47:20.05]
Porque le estoy poniendo el pedacito de información que fui a buscar para dar una respuesta.
[00:47:24.12]
Exacto. Vamos con la última.
[00:47:26.02]
Cómo contribuye una knowledgebase a Raj o genera contenido de marketing viral? Ojalá. Sirve de fuente confiable para sustentar respuestas. Incrementa volumen de tráfico web. Reduce significativamente los costos de TI.
[00:47:40.11]
Última, última, última. Ya estamos por terminar y nos vemos la semana que viene. El jueves con la Teacher.
[00:47:48.07]
Vamos a Teacher. Nos va a enseñar cómo decir query, Los espero.
[00:47:51.16]
Sí, Sí. Los esperamos el jueves que viene.
[00:47:55.12]
Oh, mira qué bien. Hola. Ya estoy en el podio.
[00:48:03.03]
Podio? Sí, ya podemos hacer. Eh, Como se dice acá. Una vaquita para una niñera. Para el perro de Fran. Mira.
[00:48:12.03]
Mira, mira, mira. Ok, llegó el WhatsApp también. Una pregunta. WhatsApp personal? Bueno, gente hermosa y maravillosa. Estamos muy agradecidos por la cantidad de personas fantásticas. Recuerden, la sala de capacitación tiene un cupo hasta 100 personas. Así de llenar el cupo, ténganlo en cuenta. Son cada vez más personas las que se suman. Nos vemos el jueves de la semana que viene y nuevamente en 14 días con otra masterclass para cellforce. Les enviamos un fuerte abrazo. Quieres decir algo? Esti. Quieres decir algo? Alguna idea? Comentario que quieran mencionar?
[00:48:58.00]
No. Si tienen preguntas y demás, tienen el grupo de WhatsApp. Así que cualquier cosa que no hayan entendido acá, pregunten ahí. Y nosotros vamos a estar ahí, a.
[00:49:05.01]
Darle, a darle al whatsapp, a darle. Súmense al grupo de whats quien comparte nuevamente el link eh? Para el grupo de WhatsApp, súmense al grupo de WhatsApp, pueden tirar preguntas ahí de una y se las respondemos. Y al mismo tiempo es otra forma más de estar en comunicación con todos nosotros. Y a su vez, eh tienen notificaciones de cuáles son las próximas clases que vamos a tener y les envío todos a Francisco, A Esti y Angie les enviamos un espectacular y magnífico saludo. Nos vemos el jueves de la próxima semana. Chao. Nos vemos.
00:00 Introducción a la Master Class de Agent Force
00:06 Conceptos Fundamentales de Agent Force Avanzado
04:55 Integración de Data Cloud en Agent Force
08:51 Búsqueda de Información: Estructurada vs No Estructurada
11:27 Introducción a Data Cloud y su Funcionalidad
16:15 Implementación de RAG en Agent Force
18:29 Modelos de Datos y su Potencial
19:40 Integración de Conocimientos en Salesforce
21:37 Definición de Prompts y su Importancia
24:55 Creación y Sincronización de Data Models
27:12 Uso de Retrievers para Consultas Efectivas
29:13 Implementación de Acciones en Agentes
33:43 Configuración de Tópicos y Acciones en Agentes
37:43 Resolviendo Problemas con Retrievers
39:19 Conectando Bases de Conocimiento
41:40 Interacción y Preguntas del Público
42:47 Iniciando el Juego de Preguntas
46:21 Reflexiones sobre el Uso de Data Cloud