Best practice per le risorse di conoscenza

Miglioramento della qualità della risposta

Se un utente interagisce con il dataset di una compagnia aerea come il seguente:

Gli Utenti possono richiedere informazioni su aeroporti specifici utilizzando i loro nomi (ad esempio Dulles o Raegan) anziché il codice aeroporto (ad esempio IAD. o DCA), come mostrato di seguito:

In questo esempio, il bot non è in grado di interpretare il significato o il significato dei nomi forniti. Per ovviare a questo problema, è possibile fornire informazioni dettagliate in un file Excel a colonna singola. Il file deve definire i codici aeroportuali su tre righe separate, come mostrato nell'immagine seguente. Ad esempio, "IAD è il codice aeroportuale dell'aeroporto internazionale di Washington Dulles".

Una volta che il file è stato caricato, analizzato e salvato, come descritto sopra, è possibile ricevere risposte precise che sfruttano le conoscenze del file caricato.

Sono state trasferite solo le informazioni pertinenti a MicroStrategy AI.

Per visualizzare le risposte precise del bot dopo il caricamento del file Excel:

Use Case e best practice

Seguire le seguenti best practice quando si utilizzano risorse di conoscenza:

Ogni risorsa di conoscenza deve includere alcune parole chiave o parole con definizioni semantiche simili utilizzate sia nella domanda che nella risorsa di conoscenza. Queste somiglianze sono necessarie per consentire l'uso della risorsa di conoscenza quando si risponde a una domanda. Se la risorsa di conoscenza include regole generiche, le risposte automatiche e i bot avranno problemi a correlare semanticamente la conoscenza alla domanda. Le regole generiche possono essere inserite nelle istruzioni personalizzate del bot.

Incorporare definizioni che chiariscano i nomi degli oggetti del bot, inclusi termini, acronimi o sinonimi. Ad esempio:

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)
                                                        

Fornire le definizioni di oggetti esistenti per guidare gli utenti a formulare le loro domande con i termini corretti. Ad esempio, quando un utente specifica una metrica come la seguente:

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.
                                                        

È utile definire il gergo aziendale prima di inserirlo nell'analisi:

Includere definizioni specifiche fondamentali per l'analisi dei dati. Ad esempio:

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
                                                        

Sfruttando le conoscenze di cui sopra, il bot può fornire risultati più accurati considerando l’età del paziente nel dataset, come parametro di riferimento generalizzato per 120/80 mm Hg Non sarà applicato universalmente a tutte le età e a tutti i sessi.

Calcola metriche derivate utilizzando quelle esistenti. Ad esempio, dove Entrate e C3 sono metriche esistenti:

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

È possibile includere le definizioni dei valori degli elementi di attributo per migliorare la comprensione delle query degli utenti da parte del bot. Come spiegato in Miglioramento della qualità della risposta, le conoscenze possono essere definite come segue:

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.
                                                        

Per testare l'efficacia di un dato aggiuntivo prima di aggiungerlo alla risorsa di conoscenza, è possibile aggiungere la conoscenza alla query stessa. Ad esempio:

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.
                                                        

Se il contesto aggiuntivo restituisce la risposta prevista, è possibile aggiungerla alla risorsa di conoscenza.

Evitare il seguente comportamento quando si utilizzano risorse di conoscenza:

Le definizioni non devono contenere informazioni non pertinenti.
Le prestazioni della risposta dipendono dalla riga della risorsa di conoscenza e dal numero di righe pertinenti della domanda. Evitare di aggiungere troppe righe o troppe informazioni a ogni riga. Ciò può confondere l'IA e provocare allucinazioni.

Ad esempio, se si prevedono domande basate su ruoli e responsabilità per i dipendenti di un reparto vendite, è possibile utilizzare le seguenti definizioni:

Copia

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.

Tuttavia, passando l'intero testo a MicroStrategy L’intelligenza artificiale aumenta il numero di token e ritarda il tempo di risposta. Le informazioni dovrebbero invece essere suddivise in più righe:

Copia

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.

Evitare di incorporare informazioni aggiuntive sugli attributi all'interno del testo e aspettarsi che sia il bot a estrarle, quindi utilizzarle per filtrare e aggregare i dati.

Si consideri ad esempio un dataset con Continent, Country, e City attributi e Population e Area metrics.

In questo esempio, se un utente chiede: "Quante città in cui ho viaggiato hanno il francese come lingua parlata?", Il programma seguente contiene informazioni aggiuntive su Country attributo e può causare allucinazioni all’IA.

Copia

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.

Caricare le informazioni nel modulo seguente per evitare allucinazioni:

Copia

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