Best Practices für Wissensressourcen

Verbesserung der Antwortqualität

Wenn ein Benutzer mit einem Fluggesellschafts-Datensatz wie dem folgenden interagieren:

Benutzer können sich nach bestimmten Flügen anhand deren Namen (z. B. Dullens oder Raten) statt der Codes (z. B. IID) erkundigen oder ACA), wie unten gezeigt:

In diesem Beispiel kann der Bot die Bedeutung der angegebenen Namen nicht deuten. Um Abhilfe zu schaffen, können Sie detaillierte Informationen in einer einspaltigen Excel-Datei bereitstellen. In der Datei sollten die Flughafencodes in drei separaten Zeilen definiert sein, wie in der folgenden Grafik dargestellt. Beispiel: „ID ist der/die/das/die/das Code des/die/das den/die/das Internationaler/Washboard-Dullen-Flugplatz ist.

Nachdem die Datei wie oben beschrieben hochgeladen, analysiert und gespeichert wurde, können Sie genaue Antworten erhalten, die sich das Wissen in der hochgeladenen Datei zunutze machen.

Nur die relevanten Informationen werden an MicroStrategy AI weitergeleitet.

Sehen Sie sich die genauen Antworten des Bots nach dem Hochladen der Excel-Datei an:

Anwendungsszenarien und Best Practices

Befolgen Sie bei der Verwendung von Wissensressourcen die folgenden Best Practices:

Jede Wissensressource muss einige Schlüsselwörter oder Wörter mit ähnlichen semantischen Definitionen enthalten, die sowohl in der Frage als auch in der Wissensressource verwendet werden. Diese Ähnlichkeiten sind erforderlich, damit die Wissensressource bei der Beantwortung einer Frage verwendet werden kann. Wenn die Wissensressource generische Regeln enthält, haben Auto Answers und Bots Probleme damit, Wissen und Frage semantisch zu verbinden. Generische Regeln können in den benutzerdefinierten Bot-Anweisungen platziert werden.

Integrieren Sie Definitionen, die Objektnamen für den Bot verdeutlichen, einschließlich Begriffen, Akranimen oder Definitionen. Zum Beispiel:

The code SLS stands for Sales
The code SOP is a descriptor for SLS - Operations with role definition as Operational support for Sales Activities (AP, SL, ES, SE)
                                                        

Stellen Sie Definitionen für vorhandene Objekte bereit, um Benutzern eine Anleitung dafür zu geben, wie sie ihre Fragen mit den richtigen Begriffen stellen können. Wenn ein Benutzer beispielsweise eine Metrik wie die folgende angibt:

L4Q stands for last four quarter and is a metric of average score for last 4 quarters. It can also be considered as the annual score.
                                                        

Es ist hilfreich, die Geschäftssprache zu definieren, bevor Sie sie in die Analyse einbeziehen:

Beziehen Sie spezifische Definitionen ein, die für die Analyse der Daten von kritischer Bedeutung sind. Zum Beispiel:

For a human male of age 0-16, the normal blood pressure is 116/70mm Hg
For a human male of age 17-35, the normal blood pressure is 119/79mm Hg
For a human male of age 36-59, the normal blood pressure is 124/77mm Hg
For a human male of age 60 and above, the normal blood pressure is 133/69mm Hg
For a human female of age 0-16, the normal blood pressure is 105/66mm Hg
For a human female of age 17-35, the normal blood pressure is 122/72mm Hg
For a human female of age 36-59, the normal blood pressure is 132/70mm Hg
For a human female of age 60 and above, the normal blood pressure is 139/68mm Hg
                                                        

Mit den oben genannten Erkenntnissen kann der Bot präzisere Ergebnisse liefern, indem er das Alter des Kunden aus dem Datensatz als verallgemeinerten Vergleich von berücksichtigt 120/80 mm Hg wird nicht allgemein für alle altersgruppen und geister angewendet.

Berechnen Sie abgeleitete Metriken anhand vorhandener Metriken. Wenn „Umsatz“ und „C3“ vorhandene Metriken sind:

Predicted Revenue = [0.23 * (Revenue)] + C3

Definitionen für Attributelementwerte können eingeschlossen werden, um das Bot-Verständnis von Benutzerabfragen zu verbessern. Wie in erklärt Verbesserung der Antwortqualität, kann das Wissen wie folgt definiert werden:

The attribute Airport Code contains values like BWI, IAD and DCA.
BWI is the airport code for Baltimore/Washington International Thurgood Marshall Airport.
DCA is the airport code for Ronald Reagan Washington National Airport.
IAD is the airport code for Washington Dulles International Airport.
                                                        

Wenn Sie die Wirksamkeit zusätzlicher Daten testen möchten, bevor Sie sie der Wissensressource hinzufügen, können Sie das Wissen zur Abfrage selbst hinzufügen. Zum Beispiel:

How many SBD employees did we hire this year ? The code SLS stands for Sales.  The code SBD is a descriptor for SLS - Business Development with role definition as Responsible for Business Development Support for Sales.
                                                        

Wenn der zusätzliche Kontext die erwartete Antwort zurückgibt, können Sie sie der Wissensressource hinzufügen.

Vermeiden Sie folgendes Verhalten bei der Verwendung von Wissensressourcen:

Definitionen dürfen keine irrelevanten Informationen enthalten.
Die Antwortleistung hängen von Ihrer Wissensressourcenzeile und der Anzahl der relevanten Zeilen in der Frage ab. Fügen Sie nicht zu viele Zeilen oder zu viele Informationen zu jeder Zeile hinzu. Dies kann die KI verführen und zu Wahnvorschlägen führen.

Wenn Sie beispielsweise Fragen basierend auf Rollen und Pflichten von Mitarbeitern in einer Vertriebsabteilung erwarten, können Sie die folgenden Definitionen verwenden:

Kopieren

The code SLS stands for Sales. The code SOP is a descriptor for SLS - Operations with role definition as Operational support for Sales Activities (AP, SL, ES, SE).The code SBD is a descriptor for SLS - Business Development with role definition as Responsible for Business Development Support for Sales. The code SCS is a descriptor for SLS - Customer Success Manager with role definition as Responsible for Account Health Checks & Renewals.

Die Übermittlung des gesamten Texts an MicroStrategy AI führt jedoch zu einer Zunahme der Token-Anzahl und einer Verzögerung der Antwortzeit. Stattdessen sollten die Informationen in mehrere Zeilen unterteilt werden:

Kopieren

The code SLS stands for Sales. 
The code SOP is a descriptor for SLS - Operations with role definition as Operational support for Sales Activities (AP, SL, ES, SE).
The code SBD is a descriptor for SLS - Business Development with role definition as Responsible for Business Development Support for Sales. 
The code SCS is a descriptor for SLS - Customer Success Manager with role definition as Responsible for Account Health Checks & Renewals.

Betten Sie zusätzliche Informationen über Attribute in den Text ein und erwarten Sie nicht, dass der Bot diese extrahiert und dann zum Filtern und Aggregieren der Daten verwendet.

Betrachten Sie beispielsweise einen Datensatz mit Continent, Country, und City Attribute und Population und Area Metrikcs.

Wenn ein Benutzer in diesem Beispiel fragt: „In wie vielen Städte, die ich bereist habe, wird Französisch alsgesprochene Sprache gelesen?“, die folgende Wissensseite bietet zusätzliche Informationen über Country -Attribut und kann die KI zum Hallozinieren bringen.

Kopieren

The city Strasbourg in France has a population of 280000. The official spoken language is French.
The city Tours in France has a population of 140000. The official spoken language is French.
The city Berlin in Germany has a population of 3500000. The official spoken language is German.
The city Warsaw in Poland has a population of 1700000. The official spoken language is Polish.
The city Montreal in Canada has population of 1700000. The official spoken language is French.

Laden Sie Wissen im folgenden Formular hoch, um Hallozenten zu vermeiden:

Kopieren

Cities such as Strasbourg, Tours, Lyons, Montreal, Abidjan, Yaounde, Madagascar, and Dakar use French as the official spoken language.