Como um Banco de Dados Vetorial Pode Impulsionar o Sucesso da IA

Já recebeu um e-mail tentando vender um produto que você já comprou? Ou teve uma interação de serviço onde você teve que responder às mesmas perguntas várias vezes com pessoas diferentes?   

Os grandes modelos de linguagem (LLMs) prometem eliminar esses aborrecimentos ao fornecer maiores níveis de compartilhamento de informações e personalização nas operações da sua empresa. O problema é que os LLMs prontos para uso, como o ChatGPT da OpenAI e o Gemini do Google, que são usados por muitas empresas, são construídos com dados genéricos universalmente disponíveis na internet. Como eles não têm acesso aos seus dados proprietários, qualquer IA construída a partir deles não fornecerá a nuance que seus clientes esperam. E os dados genéricos nem sempre estão atualizados. Os dados do ChatGPT vão apenas até abril de 2023, por exemplo.  

Para adaptar LLMs prontos para uso às necessidades do seu negócio, você terá que incorporar os dados da sua própria empresa ao modelo de inteligência artificial (IA). Esse processo, chamado fine-tuning, pode até trazer melhores resultados para seus clientes. Mas é caro e demorado, e pode gerar problemas de confiança.  

Existe uma maneira bem mais eficiente: um banco de dados vetorial, “um novo tipo de banco de dados para a era da IA” que oferece todos os benefícios do ajuste fino e alivia preocupações com privacidade, ajuda a unificar dados e economiza tempo e dinheiro.  

Banco de Dados Vetorial em Nuvem de Dados 

Um banco de dados vetorial de última geração, como o Data Cloud Vector Database , armazena, unifica e indexa dados não estruturados (e-mails, documentos de texto, conteúdo social e da web etc.) para liberar conhecimento em todos os aplicativos do Salesforce e melhorar os resultados de IA generativa. Por exemplo: ele tem capacidade de incorporar dados do cliente de transcrições de chamadas, avaliações de clientes on-line ou tíquetes de suporte em perfis de clientes. Isso pode ajudar as equipes a pontuar melhor os leads de vendas, extrair insights em tempo real para previsão, promover a fidelidade do cliente a longo prazo com serviço proativo e criar conteúdo gerado por IA que seja mais centrado no cliente. 

Integrado à Einstein 1 Platform , o Data Cloud Vector Database ingere diferentes tipos de grandes conjuntos de dados de interações com clientes em vários pontos de contato, incluindo sites, mídias sociais e canais de comércio, bem como dados incorporados em PDFs, arquivos de áudio e vídeo. Em seguida, ele classifica e organiza esses dados não estruturados e os mescla com dados estruturados para enriquecer os perfis dos clientes e armazená-los como metadados na Data Cloud . Esses metadados podem ser recuperados e ativados rapidamente em qualquer lugar na Einstein 1 Platform.  

Rahul Auradkar, vice-presidente executivo e gerente geral de Unified Data Services e Einstein da Salesforce, explica como um banco de dados vetorial ajuda você a oferecer melhores experiências ao cliente. 

Ele melhora a IA generativa ao fornecer respostas mais relevantes, precisas e atualizadas usando recursos aprimorados de recuperação de dados e pesquisa semântica. Os resultados da pesquisa são então usados para fundamentar ou melhorar o comando de IA com dados relevantes.  

Comparado com o ajuste fino, um banco de dados vetorial pode ser uma ótima maneira para as empresas obterem resultados melhores e mais relevantes da IA generativa. Vamos dar uma olhada no ajuste fino. 

O que é ajuste fino? 

Ajustar um LLM significa treiná-lo para ser melhor em tarefas específicas, como analisar o sentimento do cliente ou resumir o histórico de saúde de um paciente.   

Com o ajuste fino, você expõe o modelo a exemplos ou dados relacionados à tarefa que você quer que ele conclua. Por exemplo, um escritório de advocacia pode ajustar um LLM com informações sobre cláusulas e termos legais para treiná-lo e extrair certas informações de documentos.  

Mas o ajuste fino é custoso, exigindo muito poder de computação, expertise específica e infraestrutura adicional. E consome tempo, porque modelos grandes exigem longos períodos de treino. Quanto maior o modelo, mais tempo é necessário.  

Além disso, o ajuste fino é uma solução paliativa que falha em abordar uma deficiência mais fundamental: a falta de dados unificados. Por que você deveria se importar com dados unificados? Porque quando os dados da sua empresa são isolados em diferentes partes da sua organização, seus clientes têm uma experiência desconexa e repetitiva. 

Um banco de dados vetorial pode ser uma opção melhor 

Um banco de dados de vetores pode ser conectado diretamente a um LLM ou ao comando. Ele é chamado de banco de dados de vetores porque organiza e armazena dados de uma forma que enfatiza vetores, que são tags que descrevem diferentes tipos de dados em detalhes. Esses descritores ajudam você a encontrar informações relevantes em um mar de dados, independentemente de sua origem.  

Por exemplo: empresas que gerenciam grandes cadeias de suprimentos podem usar um banco de dados vetorial para analisar e otimizar rotas de remessa. O banco de dados vetorial tem capacidade de armazenar informações sobre padrões de tráfego, condições climáticas e fechamentos de estradas. Ou, um chatbot de IA em uma página de autoatendimento saberá se um cliente é elegível para um upgrade ou oferta especial porque está sintetizando dados relevantes das fontes certas no momento certo. Dessa forma, um banco de dados vetorial elimina a necessidade de ajustes finos e unifica todos os dados da sua empresa com seu CRM de uma só vez. 

Isso é crítico para a precisão, integridade e eficiência dos resultados, ou respostas, que você obtém dos comandos de IA. Eis o porquê: a grande maioria (90%) dos dados corporativos reside nos chamados formatos não estruturados, como PDFs, documentos de texto, vídeos, e-mails e postagens em mídias sociais, tornando-os amplamente inacessíveis a aplicativos de negócios e modelos de IA. Por não ter um formato estruturado e organizado, é quase impossível para os LLMs analisarem.  

“Dados não estruturados são supervaliosos para as empresas, mas é muito difícil agir com base neles”, disse Auradkar. “As empresas querem dar vida a esses dados não estruturados.”  

Seus dados proprietários são uma mina de ouro – use-os! 

Os dados proprietários de uma empresa são a base para a construção de um LLM empresarial. Um banco de dados vetorial permite que a IA armazene e processe todos esses dados de uma forma que seja fácil de entender e analisar.  

Isso aumenta o valor comercial e o ROI. Como? Ele combina dados não estruturados e dados estruturados, incluindo histórico de compras, casos de suporte ao cliente e inventário de produtos, para impulsionar IA, automação e análise em todos os aplicativos comerciais. Quando você tem acesso a todas essas informações, pode tomar melhores decisões que resultam em resultados comerciais relevantes. 

Gostou de saber mais sobre Banco de dados vetorial e IA ?

Nosso blog e Centro de Recursos estão sempre atualizados com novidades e conteúdos sobre CRM e inteligência artificial. Abaixo sugerimos outras leituras que podem ser úteis a você:

• Apresentando o Salesforce Einstein: Inteligência Artificial para Todos
• 4 Estratégias de Inteligência Artificial em Vendas
• 10 Maneiras Como a Inteligência Artificial Transformará a Experiência do Cliente
• Inteligência Artificial para Pequenas Empresas: encontre, conquiste e fidelize clientes

Aproveite para conferir todas as funcionalidades do Einstein e entender como ele pode transformar os seus resultados.