Come costruire un agente AI

Cosa rende un atleta un campione da medaglia d'oro? La formazione. Cosa rende un musicista un virtuoso? La formazione. Eppure la formazione non si applica solo alle persone. Ormai le aziende riconoscono il valore della formazione dell'intelligenza artificiale (AI) per aiutarla a progredire. La creazione e la formazione di un agente AI sta diventando essenziale per la crescita; insegnando a un agente AI a comprendere il linguaggio umano, questo può rispondere meglio e svolgere compiti più utili che mai.

Con il progredire della tecnologia AI, questi agenti diventeranno sempre più sofisticati e capaci, colmando il divario tra le aspettative umane e le prestazioni dell'AI. Vediamo dunque che cos'è un agente AI, le basi della progettazione e della formazione dell'AI e i passaggi per addestrare un agente AI in autonomia.

Argomenti trattati

• Che cos'è un agente AI?
• Comprendere le basi della creazione di agenti AI
• Le 6 fasi della creazione e della formazione degli agenti AI
• Sviluppa e addestra il tuo agente AI

Un agente AI è un programma informatico progettato per aiutare le persone a svolgere compiti e rispondere a domande. Il termine chiave in tal ambito è aiutare le persone.

Gli agenti di intelligenza artificiale (AI) offrono supporto nelle attività quotidiane, come la gestione delle e-mail e la pianificazione degli appuntamenti, apprendendo da una varietà di input linguistici. Queste attività possono spaziare dall'impostazione di promemoria e gestione delle pianificazioni alla trasmissione di informazioni, come aggiornamenti meteo o notizie. Gli agenti AI sono programmati per comprendere e rispondere al linguaggio umano, il che rende le interazioni con loro più naturali e facili da gestire.

Esistono molti tipi di agenti AI, tra cui agenti di assistenza e agenti autonomi. Un esempio di agenti di assistenza sono gli agenti integrabili negli strumenti dei collaboratori per aiutarli a svolgere attività personalizzate e specifiche per il loro ruolo. Oggi gli agenti autonomi sono ormai in grado di comprendere le richieste dei clienti e rispondervi senza l'intervento umano. Questo avviene utilizzando un agent builder, come Agentforce, per creare agenti che operano in modo dinamico  anziché seguire regole predefinite  e che vengono attivati da variazioni nei dati e automazioni

La formazione di un agente AI comporta diverse fasi chiave per garantirne un funzionamento efficace ed efficiente. Questo include la raccolta e la preparazione dei dati, nonché la formazione, la valutazione, il fine-tuning e la distribuzione di modelli. Inoltre, comprende il monitoraggio e l'aggiornamento dell'agente per assicurarsi che rimanga in linea con i tuoi obiettivi. Analizziamo i passaggi in modo che tu possa imparare a farlo in modo autonomo.

La progettazione e la formazione di un agente AI implica insegnargli a comprendere e rispondere al linguaggio umano in modo utile e pertinente. Dall'intelligenza artificiale generativa (GenAI) all' AI conversazionale, tutto ruota attorno ai tuoi dati. La formazione include diversi concetti chiave dei campi dell'intelligenza artificiale, in particolare dell'apprendimento automatico e dell'elaborazione del linguaggio naturale (NLP) . Esaminiamoli uno per uno.

L'apprendimento automatico (ML) è un tipo di AI che fornisce ai sistemi la capacità di apprendere e migliorare automaticamente dall'esperienza senza essere programmati. Durante l'addestramento di un agente AI, gli algoritmi di apprendimento automatico utilizzano dati storici (esempi di interazioni umane) per trovare modelli e prendere decisioni. Più dati elabora l'intelligenza artificiale, più è in grado di prevedere le richieste degli utenti ed elaborare una risposta.

L'elaborazione del linguaggio naturale (NLP) è una branca dell'AI che tratta l'interazione tra computer ed esseri umani attraverso il linguaggio naturale. L'obiettivo è far sì che i computer elaborino e comprendano grandi volumi di dati in linguaggio naturale. In un agente AI, l'NLP permette al sistema di comprendere, interpretare e generare il linguaggio umano in modo naturale e comprensibile.

L'etichettatura dei dati è una fase chiave della formazione dell'AI in cui l'uomo annota i dati, aggiungendo tag o etichette significative ai dati grezzi in modo che l'AI possa comprenderli. Ad esempio, nella formazione di un agente AI, l'etichettatura dei dati potrebbe comportare l'etichettatura delle parti del discorso nelle frasi, l'identificazione del sentiment di un testo o la categorizzazione delle query sui dati. Questi dati etichettati fungono da guida per l'AI, che li utilizza per capire il contesto e l'intento degli input dell'utente.

Quando si sviluppa un agente AI, il primo passo consiste nel definire chiaramente cosa si desidera che faccia. Si tratta di decidere quali attività e funzioni specifiche l'agente dovrà svolgere. Ecco come farlo:

Innanzitutto, occorre determinare le attività e le funzioni dell'agente AI. Elenca i problemi che vuoi che l'agente AI risolva o le attività che vuoi che gestisca. Vuoi un agente autonomo? Ti serve per rispondere alle domande dei clienti, aiutare gli utenti a fare acquisti online o fornire informazioni sulla tua attività? Le funzioni del tuo agente AI devono armonizzarsi con le esigenze che si prefigge di soddisfare.

Ad esempio, hai bisogno di un agente di shopping virtuale? Questo agente aiuta gli utenti a visitare i negozi online, offrendo consigli d'acquisto personalizzati basati sulle preferenze dell'utente e sul suo comportamento d'acquisto passato. Può suggerire idee regalo, trovare le offerte migliori o persino aiutare a scegliere accessori di moda.

Successivamente, occorre identificare il pubblico di destinazione. Utenti diversi hanno aspettative e modi diversi di interagire con la tecnologia. Ad esempio, un agente AI progettato per i professionisti del settore medico potrebbe aver bisogno di comprendere e utilizzare accuratamente la terminologia medica.

Inoltre, occorre considerare casi d'uso o situazioni specifiche in cui l'agente AI verrà utilizzato. Definirli può aiutare a chiarire quali funzioni e capacità sono necessarie. Ad esempio, un chatbot per il servizio clienti deve gestire richieste, reclami ed eventualmente transazioni, mentre un agente di shopping virtuale deve essere in grado di suggerire prodotti, confrontare i prezzi e capire le preferenze degli utenti.

Proprio come uno studente impara dai libri di testo, un agente AI impara dai dati. Se i dati non sono corretti o di scarsa qualità, l'AI imparerà cose sbagliate e commetterà errori. Dati di alta qualità assicurano che l'AI sia in grado di comprendere ed elaborare accuratamente gli input degli utenti.

Per addestrare il tuo agente AI, devi raccogliere dati che riflettano il tipo di interazioni che avrà con gli utenti. Ciò potrebbe includere:

• Trascrizioni di testo: raccogli le trascrizioni di conversazioni tratte da registri di chat, ticket di assistenza o e-mail simili alle interazioni previste con l'AI.
• Registrazioni vocali: se l'AI risponderà a comandi o richieste vocali, le registrazioni vocali sono essenziali per aiutarla a comprendere accenti, intonazioni e pattern diversi.
• Registri delle interazioni: i dati delle interazioni precedenti con sistemi simili possono fornire insight sui comportamenti degli utenti e sulle richieste o i comandi più comuni.

Una volta ottenuti i dati, è necessario prepararli per la formazione pulendoli. Ciò comporta la rimozione dei dati irrilevanti o errati, la correzione degli errori e la garanzia di coerenza tra i dati, come ad esempio correggere gli errori di battitura nelle trascrizioni di testo o filtrare il rumore di fondo nelle registrazioni vocali.

Infine, i dati devono essere etichettati. Si tratta di aggiungere etichette (tag o metadati) per descrivere cosa rappresenta ogni dato. Ad esempio, puoi etichettare un testo con l'intento dell'utente, come "prenotare un volo" o "chiedere gli orari del negozio". Questo aiuta l'AI a capire il contesto e lo scopo degli input dell'utente.

Questa fase consiste nel selezionare il giusto modello di apprendimento automatico che determinerà la capacità della tua AI di apprendere dai dati e di svolgere le sue attività.

Esistono due tipi di modelli di apprendimento automatico:

1. Reti neurali: si tratta di modelli potenti che imitano il modo in cui funziona il cervello umano. Sono particolarmente abili nell'elaborare grandi quantità di dati e nel riconoscere pattern, il che li rende ideali per comprendere e generare il linguaggio umano.
2. Apprendimento per rinforzo: questo tipo di modello apprende per tentativi ed errori, utilizzando il feedback proveniente dalle proprie azioni per migliorare nel tempo. È utile per gli agenti AI che devono prendere decisioni oppure ottimizzare il loro comportamento in base alle interazioni con gli utenti.

Ma come scegliere il modello appropriato?

Considera le funzioni dell'agente AI e le attività che vuoi che svolga. Ad esempio, se l'agente deve comprendere e generare risposte simili a quelle umane, una rete neurale potrebbe essere la scelta migliore.

Inoltre, devi valutare i dati che hai raccolto. Le reti neurali, ad esempio, richiedono grandi quantità di dati per un addestramento efficace, mentre l'apprendimento per rinforzo potrebbe essere adatto a scenari in cui l'AI può imparare mentre interagisce con gli utenti.

Hai anche la possibilità di scegliere modelli pre-addestrati. Si tratta di modelli sviluppati e addestrati da ricercatori su grandi set di dati, che possono rappresentare un ottimo punto di partenza perché hanno già appreso molte informazioni generali sul linguaggio e sulle interazioni umane.

Ecco alcuni esempi di modelli pre-addestrati:

• GPT (Generative Pre-trained Transformer): questo modello è perfetto per generare testo e può essere messo a punto per svolgere attività specifiche, come rispondere a domande o scrivere contenuti.
• BERT (Bidirectional Encoder Representations from Transformers): Noto per la sua capacità di comprendere il contesto di una parola in base a ciò che la circonda, è utile per le attività che richiedono una comprensione profonda del linguaggio, come l'analisi del sentiment o la traduzione linguistica.

Sebbene i modelli pre-addestrati abbiano un'ampia conoscenza, potrebbero non essere specializzati nelle attività specifiche che il tuo agente AI deve svolgere, per cui dovrai metterli a punto un'operazione che consiste nel proseguire la formazione di un modello pre-addestrato su un set di dati specifico, consentendogli di adattarsi alle sfumature della tua particolare applicazione.

È il momento di addestrare effettivamente il modello di apprendimento automatico utilizzando i dati che hai preparato. In questa fase, l'AI inizia a imparare dagli esempi che le hai fornito, in modo da poter eseguire le attività da sola.

Ecco i passaggi da seguire per l'addestramento del tuo agente AI:

1. Configurare l'ambiente: prima di iniziare la formazione, configura l'ambiente di apprendimento automatico. Ciò potrebbe comportare l'installazione di librerie software e framework necessari per l'apprendimento automatico.
2. Caricare i dati: importa i dati puliti ed etichettati nel tuo ambiente in modo che possano essere utilizzati per la formazione.
3. Suddividere i dati: dividi i dati in almeno due set, formazione e test. Il set di formazione è quello che verrà usato per insegnare il modello, mentre il set di test viene usato per valutare il livello di apprendimento del modello.
4. Scegliere un modello: in base a questa decisione, inizializza il modello di apprendimento automatico che desideri addestrare.
5. Configurare i parametri di formazione: imposta i parametri che guideranno il processo di formazione. Questo include il tasso di apprendimento, la dimensione del batch e il numero di epoche. Il tasso di apprendimento stabilisce in che misura il modello aggiusta i suoi parametri in risposta agli errori osservati durante l'elaborazione dei dati. La dimensione del batch indica il numero di campioni di dati visti dal modello prima che aggiorni i suoi parametri interni. Infine, il numero di epoche, che rappresentano passaggi completi attraverso l'intero set di dati di formazione, influisce sulla profondità di apprendimento. La maggior parte delle epoche fornisce al modello più opportunità di apprendere dai dati.
6. Addestrare il modello: avvia il processo di formazione. Il modello utilizzerà i dati di formazione per apprendere, regolando i suoi parametri interni per minimizzare gli errori.
7. Monitorare il processo di formazione: tieni traccia delle metriche delle prestazioni come l'accuratezza o la perdita durante la formazione. Queste metriche ti diranno in che misura il modello sta imparando. Se il modello non funziona come previsto, potrebbe essere necessario regolare i parametri di formazione. Ad esempio, se la perdita di formazione non diminuisce, considera la possibilità di ridurre il tasso di apprendimento.

Lo sviluppo di un agente AI comporta il test e la convalida del sistema per assicurarsi che funzioni come previsto e che raggiunga gli obiettivi prefissati. Questa fase ti aiuta a identificare e risolvere eventuali problemi prima che l'agente AI sia completamente distribuito.

Inizia facendo eseguire all'agente AI una serie di attività o query predefinite per vedere come risponde. È come fare un mini-esame per vedere se ha imparato quello che doveva fare.

Misura l'accuratezza e l'efficienza con cui l'agente AI esegue le attività. Controlla se le risposte sono corrette, quanto tempo ci vuole per rispondere e se le interazioni sono fluide.

Dovrai poi scegliere tra i diversi metodi di test:

• Test unitario: testa i singoli componenti o le parti dell'agente AI per assicurarti che ognuno di essi funzioni correttamente da solo.
• Test utente: invita utenti reali a testare l'agente AI in condizioni controllate. In questo modo potrai vedere come l'agente si comporta in scenari reali e come gli utenti interagiscono con lui.
• Test A/B: confronta due versioni dell'agente AI per determinare quale delle due funziona meglio. Ad esempio, potresti testare due diversi stili di risposta o flussi di interazione per vedere quale è più efficace.

Fai attenzione all'overfitting e alle prestazioni insufficienti. L'overfitting si verifica quando un agente AI ottiene buoni risultati sui dati di formazione, ma risultati scarsi sui dati nuovi e invisibili. Per risolvere il problema dell'overfitting, puoi utilizzare tecniche come la convalida incrociata, in cui si ruotano i dati utilizzati per la formazione e test per garantire che il modello si generalizzi correttamente.

Inoltre, se l'agente AI non si comporta secondo le aspettative, considera la possibilità di rivedere la fase di formazione per regolare i parametri, aggiungere altri dati o addirittura riqualificare il modello.

Predisponi dei meccanismi per raccogliere il feedback degli utenti, come sondaggi, moduli di feedback o domande dirette. Pay attention to what users like and dislike, and what they find confusing. Utilizza il feedback per apportare continui miglioramenti all'agente AI. Ciò potrebbe comportare la modifica dei flussi di conversazione, la formazione del modello con più dati o la modifica dell'interfaccia utente.

È giunto infine il momento di distribuire l'agente AI in un ambiente reale e scoprire come l'AI interagisce con gli utenti reali.

Decidi dove distribuire l'agente AI: sul tuo sito web, all'interno di un'app per dispositivi mobili o su una piattaforma ad attivazione vocale. Quindi, integra l'agente AI nella piattaforma scelta. Ciò potrebbe comportare l'inserimento di un codice in un sito web, la configurazione dell'agente in un' app per dispositivi mobili o l'impostazione dell'agente con le API di una piattaforma vocale.

Una volta integrato, avvia l'agente AI per iniziare a interagire con gli utenti. Assicurati che tutti i sistemi di supporto siano pronti per un lancio impeccabile.

Controlla regolarmente le prestazioni dell'agente AI. Comprende correttamente le query degli utenti? Come gestisce conversazioni complesse? Puoi utilizzare strumenti che forniscono insight in tempo reale sulle prestazioni dell'agente AI e che sono in grado di mostrarti i tempi di risposta, i tassi di successo e i livelli di soddisfazione degli utenti.

Puoi farlo raccogliendo il feedback degli utenti direttamente attraverso la piattaforma, ad esempio sotto forma di valutazioni, commenti o link diretti a sondaggi dopo le interazioni con l'agente AI. Inoltre, puoi impostare la registrazione degli errori per rilevare quando le cose vanno storte. Ricevi una notifica se si verifica un picco improvviso di errori o un calo delle prestazioni, consentendo un'azione rapida.

Distribuendo l'agente AI con attenzione e predisponendo sistemi di monitoraggio, puoi assicurarti che non solo parta alla grande, ma che si adatti e migliori nel tempo, continuando a soddisfare le esigenze e le aspettative degli utenti.

Con questo, hai completato la formazione. La progettazione e la formazione del tuo agente AI può sembrare un'impresa ardua, ma Salesforce ti permette di essere all'avanguardia nell'innovazione tecnologica che alimenta il progresso della tua azienda. Ottieni l'accesso a strumenti e framework all'avanguardia che semplificano il processo di formazione, garantendo che il tuo agente AI funzioni in modo intelligente ed efficiente. Sfruttando la potenza dell'AI, raggiungerai nuovi livelli di produttività e insight, trasformando i dati in strategie attuabili per la crescita.

Il futuro è già qui se delinei il percorso del tuo agente con Salesforce e prepari il terreno per un ambiente aziendale più intelligente e connesso.

Caylin White è Editorial Lead e Growth Manager per le piccole imprese presso Salesforce. Scrive contenuti da oltre 15 anni per molti settori SaaS, come WordPress e BuzzSumo. È specializzata in SEO ma è sicura di aggiungere una prospettiva incentrata sull'uomo a ogni articolo.