O que vir\u00e1 pela frente:<\/h6>- Banco de Dados Vetorial em Nuvem de Dados \u00a0<\/a><\/li>
- O que \u00e9 ajuste fino? \u00a0<\/a><\/li>
- Um banco de dados vetorial pode ser uma op\u00e7\u00e3o melhor \u00a0<\/a><\/li>
- Seus dados propriet\u00e1rios s\u00e3o uma mina de ouro \u2013 use-os! \u00a0<\/a><\/li>
- Gostou de saber mais sobre Banco de dados vetorial e IA ?<\/a><\/li><\/ul><\/div>\n\n\n\n\n\t\n\n\t\t\n\t\t\t
6 estrat\u00e9gias para usar IA generativa com seguran\u00e7a<\/h2>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t\n\t\t\t\t\tBaixar guia<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t\n\t\t\t\t\t<\/div>\n\t<\/div>\n\n\t\t\t<\/div>\n\t\n\t\t\t\n\t\t![\"\"](\"https:\/\/www.salesforce.com\/br\/blog\/wp-content\/themes\/salesforce-blog\/dist\/images\/offer-block\/offer-illustration-layout-two.png\")
\n\n\t\t\n\t\t\t\t\t![\"\"](\"https:\/\/www.salesforce.com\/br\/blog\/wp-content\/themes\/salesforce-blog\/dist\/images\/offer-block\/offer-accent-layout-two.png\")
\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\t\t\t![\"\"](\"https:\/\/www.salesforce.com\/br\/blog\/wp-content\/themes\/salesforce-blog\/dist\/images\/offer-block\/offer-cloud-layout-two.png\")
\n\t\t\n\t<\/div>\n\n\n\nBanco de Dados Vetorial em Nuvem de Dados<\/strong> <\/h2>\n\n\n\nUm banco de dados vetorial de \u00faltima gera\u00e7\u00e3o, como o Data Cloud Vector Database<\/a> , armazena, unifica e indexa dados n\u00e3o estruturados (e-mails, documentos de texto, conte\u00fado 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 transcri\u00e7\u00f5es de chamadas, avalia\u00e7\u00f5es de clientes on-line ou t\u00edquetes de suporte em perfis de clientes. Isso pode ajudar as equipes a pontuar melhor os leads de vendas, extrair insights em tempo real para previs\u00e3o, promover a fidelidade do cliente a longo prazo com servi\u00e7o proativo e criar conte\u00fado gerado por IA que seja mais centrado no cliente. <\/p>\n\n\n\nIntegrado \u00e0 Einstein 1 Platform<\/a> , o Data Cloud Vector Database ingere diferentes tipos de grandes conjuntos de dados de intera\u00e7\u00f5es com clientes em v\u00e1rios pontos de contato, incluindo sites, m\u00eddias sociais e canais de com\u00e9rcio, bem como dados incorporados em PDFs, arquivos de \u00e1udio e v\u00eddeo. Em seguida, ele classifica e organiza esses dados n\u00e3o estruturados e os mescla com dados estruturados para enriquecer os perfis dos clientes e armazen\u00e1-los como metadados<\/a> na Data Cloud<\/a> . Esses metadados podem ser recuperados e ativados rapidamente em qualquer lugar na Einstein 1 Platform. <\/p>\n\n\n\nRahul Auradkar, vice-presidente executivo e gerente geral de Unified Data Services e Einstein da Salesforce, explica como um banco de dados vetorial ajuda voc\u00ea a oferecer melhores experi\u00eancias ao cliente. <\/p>\n\n\n\n
Ele melhora a IA generativa ao fornecer respostas mais relevantes, precisas e atualizadas usando recursos aprimorados de recupera\u00e7\u00e3o de dados e pesquisa sem\u00e2ntica. Os resultados da pesquisa s\u00e3o ent\u00e3o usados para fundamentar ou melhorar o comando de IA com dados relevantes. <\/p>\n\n\n\n
Comparado com o ajuste fino, um banco de dados vetorial pode ser uma \u00f3tima maneira para as empresas obterem resultados melhores e mais relevantes da IA generativa<\/a>. Vamos dar uma olhada no ajuste fino. <\/p>\n\n\n\nO que \u00e9 ajuste fino?<\/strong> <\/h2>\n\n\n\nAjustar um LLM significa trein\u00e1-lo para ser melhor em tarefas espec\u00edficas, como analisar o sentimento do cliente ou resumir o hist\u00f3rico de sa\u00fade de um paciente. <\/p>\n\n\n\n
Com o ajuste fino, voc\u00ea exp\u00f5e o modelo a exemplos ou dados relacionados \u00e0 tarefa que voc\u00ea quer que ele conclua. Por exemplo, um escrit\u00f3rio de advocacia pode ajustar um LLM com informa\u00e7\u00f5es sobre cl\u00e1usulas e termos legais para trein\u00e1-lo e extrair certas informa\u00e7\u00f5es de documentos. <\/p>\n\n\n\n
Mas o ajuste fino \u00e9 custoso, exigindo muito poder de computa\u00e7\u00e3o, expertise espec\u00edfica e infraestrutura adicional. E consome tempo, porque modelos grandes exigem longos per\u00edodos de treino. Quanto maior o modelo, mais tempo \u00e9 necess\u00e1rio. <\/p>\n\n\n\n
Al\u00e9m disso, o ajuste fino \u00e9 uma solu\u00e7\u00e3o paliativa que falha em abordar uma defici\u00eancia mais fundamental: a falta de dados unificados. Por que voc\u00ea deveria se importar com dados unificados? Porque quando os dados da sua empresa s\u00e3o isolados em diferentes partes da sua organiza\u00e7\u00e3o, seus clientes t\u00eam uma experi\u00eancia desconexa e repetitiva. <\/p>\n\n\n
6 estrat\u00e9gias para usar IA generativa com seguran\u00e7a<\/h2>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t\n\t\t\t\t\tBaixar guia<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t\n\t\t\t\t\t<\/div>\n\t<\/div>\n\n\t\t\t<\/div>\n\t\n\t\t\t\n\t\t\n\n\t\t\n\t\t\t\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\t\t\t\n\t\t\n\t<\/div>\n\n\n\nBanco de Dados Vetorial em Nuvem de Dados<\/strong> <\/h2>\n\n\n\nUm banco de dados vetorial de \u00faltima gera\u00e7\u00e3o, como o Data Cloud Vector Database<\/a> , armazena, unifica e indexa dados n\u00e3o estruturados (e-mails, documentos de texto, conte\u00fado 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 transcri\u00e7\u00f5es de chamadas, avalia\u00e7\u00f5es de clientes on-line ou t\u00edquetes de suporte em perfis de clientes. Isso pode ajudar as equipes a pontuar melhor os leads de vendas, extrair insights em tempo real para previs\u00e3o, promover a fidelidade do cliente a longo prazo com servi\u00e7o proativo e criar conte\u00fado gerado por IA que seja mais centrado no cliente. <\/p>\n\n\n\nIntegrado \u00e0 Einstein 1 Platform<\/a> , o Data Cloud Vector Database ingere diferentes tipos de grandes conjuntos de dados de intera\u00e7\u00f5es com clientes em v\u00e1rios pontos de contato, incluindo sites, m\u00eddias sociais e canais de com\u00e9rcio, bem como dados incorporados em PDFs, arquivos de \u00e1udio e v\u00eddeo. Em seguida, ele classifica e organiza esses dados n\u00e3o estruturados e os mescla com dados estruturados para enriquecer os perfis dos clientes e armazen\u00e1-los como metadados<\/a> na Data Cloud<\/a> . Esses metadados podem ser recuperados e ativados rapidamente em qualquer lugar na Einstein 1 Platform. <\/p>\n\n\n\nRahul Auradkar, vice-presidente executivo e gerente geral de Unified Data Services e Einstein da Salesforce, explica como um banco de dados vetorial ajuda voc\u00ea a oferecer melhores experi\u00eancias ao cliente. <\/p>\n\n\n\n
Ele melhora a IA generativa ao fornecer respostas mais relevantes, precisas e atualizadas usando recursos aprimorados de recupera\u00e7\u00e3o de dados e pesquisa sem\u00e2ntica. Os resultados da pesquisa s\u00e3o ent\u00e3o usados para fundamentar ou melhorar o comando de IA com dados relevantes. <\/p>\n\n\n\n
Comparado com o ajuste fino, um banco de dados vetorial pode ser uma \u00f3tima maneira para as empresas obterem resultados melhores e mais relevantes da IA generativa<\/a>. Vamos dar uma olhada no ajuste fino. <\/p>\n\n\n\nO que \u00e9 ajuste fino?<\/strong> <\/h2>\n\n\n\nAjustar um LLM significa trein\u00e1-lo para ser melhor em tarefas espec\u00edficas, como analisar o sentimento do cliente ou resumir o hist\u00f3rico de sa\u00fade de um paciente. <\/p>\n\n\n\n
Com o ajuste fino, voc\u00ea exp\u00f5e o modelo a exemplos ou dados relacionados \u00e0 tarefa que voc\u00ea quer que ele conclua. Por exemplo, um escrit\u00f3rio de advocacia pode ajustar um LLM com informa\u00e7\u00f5es sobre cl\u00e1usulas e termos legais para trein\u00e1-lo e extrair certas informa\u00e7\u00f5es de documentos. <\/p>\n\n\n\n
Mas o ajuste fino \u00e9 custoso, exigindo muito poder de computa\u00e7\u00e3o, expertise espec\u00edfica e infraestrutura adicional. E consome tempo, porque modelos grandes exigem longos per\u00edodos de treino. Quanto maior o modelo, mais tempo \u00e9 necess\u00e1rio. <\/p>\n\n\n\n
Al\u00e9m disso, o ajuste fino \u00e9 uma solu\u00e7\u00e3o paliativa que falha em abordar uma defici\u00eancia mais fundamental: a falta de dados unificados. Por que voc\u00ea deveria se importar com dados unificados? Porque quando os dados da sua empresa s\u00e3o isolados em diferentes partes da sua organiza\u00e7\u00e3o, seus clientes t\u00eam uma experi\u00eancia desconexa e repetitiva. <\/p>\n\n\n
\n\n\t\t\n\t\t\t\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\t\t\t\n\t\t\n\t<\/div>\n\n\n\nBanco de Dados Vetorial em Nuvem de Dados<\/strong> <\/h2>\n\n\n\nUm banco de dados vetorial de \u00faltima gera\u00e7\u00e3o, como o Data Cloud Vector Database<\/a> , armazena, unifica e indexa dados n\u00e3o estruturados (e-mails, documentos de texto, conte\u00fado 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 transcri\u00e7\u00f5es de chamadas, avalia\u00e7\u00f5es de clientes on-line ou t\u00edquetes de suporte em perfis de clientes. Isso pode ajudar as equipes a pontuar melhor os leads de vendas, extrair insights em tempo real para previs\u00e3o, promover a fidelidade do cliente a longo prazo com servi\u00e7o proativo e criar conte\u00fado gerado por IA que seja mais centrado no cliente. <\/p>\n\n\n\nIntegrado \u00e0 Einstein 1 Platform<\/a> , o Data Cloud Vector Database ingere diferentes tipos de grandes conjuntos de dados de intera\u00e7\u00f5es com clientes em v\u00e1rios pontos de contato, incluindo sites, m\u00eddias sociais e canais de com\u00e9rcio, bem como dados incorporados em PDFs, arquivos de \u00e1udio e v\u00eddeo. Em seguida, ele classifica e organiza esses dados n\u00e3o estruturados e os mescla com dados estruturados para enriquecer os perfis dos clientes e armazen\u00e1-los como metadados<\/a> na Data Cloud<\/a> . Esses metadados podem ser recuperados e ativados rapidamente em qualquer lugar na Einstein 1 Platform. <\/p>\n\n\n\nRahul Auradkar, vice-presidente executivo e gerente geral de Unified Data Services e Einstein da Salesforce, explica como um banco de dados vetorial ajuda voc\u00ea a oferecer melhores experi\u00eancias ao cliente. <\/p>\n\n\n\n
Ele melhora a IA generativa ao fornecer respostas mais relevantes, precisas e atualizadas usando recursos aprimorados de recupera\u00e7\u00e3o de dados e pesquisa sem\u00e2ntica. Os resultados da pesquisa s\u00e3o ent\u00e3o usados para fundamentar ou melhorar o comando de IA com dados relevantes. <\/p>\n\n\n\n
Comparado com o ajuste fino, um banco de dados vetorial pode ser uma \u00f3tima maneira para as empresas obterem resultados melhores e mais relevantes da IA generativa<\/a>. Vamos dar uma olhada no ajuste fino. <\/p>\n\n\n\nO que \u00e9 ajuste fino?<\/strong> <\/h2>\n\n\n\nAjustar um LLM significa trein\u00e1-lo para ser melhor em tarefas espec\u00edficas, como analisar o sentimento do cliente ou resumir o hist\u00f3rico de sa\u00fade de um paciente. <\/p>\n\n\n\n
Com o ajuste fino, voc\u00ea exp\u00f5e o modelo a exemplos ou dados relacionados \u00e0 tarefa que voc\u00ea quer que ele conclua. Por exemplo, um escrit\u00f3rio de advocacia pode ajustar um LLM com informa\u00e7\u00f5es sobre cl\u00e1usulas e termos legais para trein\u00e1-lo e extrair certas informa\u00e7\u00f5es de documentos. <\/p>\n\n\n\n
Mas o ajuste fino \u00e9 custoso, exigindo muito poder de computa\u00e7\u00e3o, expertise espec\u00edfica e infraestrutura adicional. E consome tempo, porque modelos grandes exigem longos per\u00edodos de treino. Quanto maior o modelo, mais tempo \u00e9 necess\u00e1rio. <\/p>\n\n\n\n
Al\u00e9m disso, o ajuste fino \u00e9 uma solu\u00e7\u00e3o paliativa que falha em abordar uma defici\u00eancia mais fundamental: a falta de dados unificados. Por que voc\u00ea deveria se importar com dados unificados? Porque quando os dados da sua empresa s\u00e3o isolados em diferentes partes da sua organiza\u00e7\u00e3o, seus clientes t\u00eam uma experi\u00eancia desconexa e repetitiva. <\/p>\n\n\n
Integrado \u00e0 Einstein 1 Platform<\/a> , o Data Cloud Vector Database ingere diferentes tipos de grandes conjuntos de dados de intera\u00e7\u00f5es com clientes em v\u00e1rios pontos de contato, incluindo sites, m\u00eddias sociais e canais de com\u00e9rcio, bem como dados incorporados em PDFs, arquivos de \u00e1udio e v\u00eddeo. Em seguida, ele classifica e organiza esses dados n\u00e3o estruturados e os mescla com dados estruturados para enriquecer os perfis dos clientes e armazen\u00e1-los como metadados<\/a> na Data Cloud<\/a> . Esses metadados podem ser recuperados e ativados rapidamente em qualquer lugar na Einstein 1 Platform. <\/p>\n\n\n\n Rahul Auradkar, vice-presidente executivo e gerente geral de Unified Data Services e Einstein da Salesforce, explica como um banco de dados vetorial ajuda voc\u00ea a oferecer melhores experi\u00eancias ao cliente. <\/p>\n\n\n\n Ele melhora a IA generativa ao fornecer respostas mais relevantes, precisas e atualizadas usando recursos aprimorados de recupera\u00e7\u00e3o de dados e pesquisa sem\u00e2ntica. Os resultados da pesquisa s\u00e3o ent\u00e3o usados para fundamentar ou melhorar o comando de IA com dados relevantes. <\/p>\n\n\n\n Comparado com o ajuste fino, um banco de dados vetorial pode ser uma \u00f3tima maneira para as empresas obterem resultados melhores e mais relevantes da IA generativa<\/a>. Vamos dar uma olhada no ajuste fino. <\/p>\n\n\n\n Ajustar um LLM significa trein\u00e1-lo para ser melhor em tarefas espec\u00edficas, como analisar o sentimento do cliente ou resumir o hist\u00f3rico de sa\u00fade de um paciente. <\/p>\n\n\n\n Com o ajuste fino, voc\u00ea exp\u00f5e o modelo a exemplos ou dados relacionados \u00e0 tarefa que voc\u00ea quer que ele conclua. Por exemplo, um escrit\u00f3rio de advocacia pode ajustar um LLM com informa\u00e7\u00f5es sobre cl\u00e1usulas e termos legais para trein\u00e1-lo e extrair certas informa\u00e7\u00f5es de documentos. <\/p>\n\n\n\n Mas o ajuste fino \u00e9 custoso, exigindo muito poder de computa\u00e7\u00e3o, expertise espec\u00edfica e infraestrutura adicional. E consome tempo, porque modelos grandes exigem longos per\u00edodos de treino. Quanto maior o modelo, mais tempo \u00e9 necess\u00e1rio. <\/p>\n\n\n\n Al\u00e9m disso, o ajuste fino \u00e9 uma solu\u00e7\u00e3o paliativa que falha em abordar uma defici\u00eancia mais fundamental: a falta de dados unificados. Por que voc\u00ea deveria se importar com dados unificados? Porque quando os dados da sua empresa s\u00e3o isolados em diferentes partes da sua organiza\u00e7\u00e3o, seus clientes t\u00eam uma experi\u00eancia desconexa e repetitiva. <\/p>\n\n\nO que \u00e9 ajuste fino?<\/strong> <\/h2>\n\n\n\n