Hur Atlas resonemangsmotor driver Agentforce

Innovationshastigheten inom AI-världen – och särskilt generativ AI – fortsätter i en halsbrytande takt. Med den tekniska sofistikering som finns tillgänglig nu utvecklas branschen snabbt från assisterande konversationsautomatisering till rollbaserad automatisering som förstärker arbetsstyrkan. För att artificiell intelligens (AI) ska kunna efterlikna en prestation på mänsklig nivå är det viktigt att förstå vad som gör människor mest effektiva på att utföra jobb: åtgärdsförmåga. Människor kan ta in data, resonera kring möjliga vägar framåt och vidta åtgärder. Att utrusta AI med den här typen av förmåga kräver en extremt hög nivå av intelligens och beslutsfattande.

På Salesforce har vi utnyttjat de senaste framstegen inom stora språkmodeller (LLM) och resonemangstekniker för att lansera Agentforce. Agentforce är en uppsättning färdiga AI-agenter – autonoma, proaktiva applikationer utformade för att utföra specialiserade uppgifter – och en uppsättning verktyg för att bygga och anpassa dem. Dessa autonoma AI-agenter kan tänka, resonera, planera och samordna på en hög nivå av sofistikering. Agentforce representerar ett kvantsprång inom AI-automatisering för kundtjänst, försäljning, marknadsföring, handel med mera.

Den här artikeln belyser de innovationer som kulminerade i Atlas resonemangsmotor – hjärnan bakom Agentforce, som inkuberades på Salesforce AI Research – och som intelligent och autonomt samordnar åtgärder för att ge företag en agentlösning i företagsklass.

Tidigare i år lanserade vi Agentforce Assistant, som nu har utvecklats till en Agentforce-agent för kundrelationshantering (CRM). Agentforce Assistant var en generativ AI-driven konversationsassistent som härledde sin intelligens från en mekanism som kallas Chain-of-Thought reasoning (Cot). I denna mekanism imiterar AI-systemet mänskligt beslutsfattande genom att generera en plan som innehåller en sekvens av steg för att uppnå ett mål.

Med CoT-baserat resonemang kunde Agentforce Assistant samskapa och samarbeta i arbetsflödet. Detta gjorde den ganska avancerad jämfört med traditionella botar, men den lyckades inte riktigt härma en människoliknande intelligens. Den genererade en plan som innehöll en sekvens av åtgärder som svar på uppgifter, och utförde sedan dessa åtgärder en efter en. Om planen var felaktig fanns det dock inget sätt att be användaren omdirigera den. Detta ledde till en AI-upplevelse som inte var anpassningsbar: användare kunde inte ge ny och användbar information allt eftersom en konversation fortskred.

När vi utförde rigorösa tester på Agentforce Assistant med tusentals säljare från vår egen säljorganisation (Org 62), framkom vissa mönster:

• Copilots konversationsupplevelse med naturligt språk var mycket bättre än traditionella botar, som förväntat, men den uppnådde ännu inte den heliga graalen att vara verkligt människolik. Det behövde vara mer konversationslikt.
• Copilot gjorde ett utmärkt jobb med att uppfylla användarnas mål med de åtgärder som den konfigurerades med, men kunde inte hantera uppföljningsfrågor om information som redan fanns i konversationen. Den behövde använda sammanhang bättre för att svara på fler användarfrågor.
• Allt eftersom vi lade till fler åtgärder för att automatisera fler användningsfall började Copilots resultat att försämras, både vad gäller latens (hur lång tid det tog att svara) och svarskvalitet. Den behövde skalas effektivt till tusentals användningsfall och applikationer som kunde dra nytta av det.

Vi bestämde oss för att hitta en lösning på dessa problem, och det ledde till skapandet av Agentforce.

Agentforce är den branschledande, konversationsbaserade automatiseringslösningen i företagsklass som kan fatta proaktiva och intelligenta beslut i stor skala med liten eller ingen mänsklig inblandning. Flera framsteg gör det möjligt.

• Samordning baserad på ReAct-promptar jämfört med CoT. Omfattande experiment och tester visade att promptar i resonemangs- och agerandestil (ReAct) gav mycket bättre resultat jämfört med CoT-tekniken. I ReAct-mekanismen går systemet igenom en loop av resonera, agera och observera tills ett användarmål är uppfyllt. Den här typen av looping-metod låter systemet beakta all ny information och ställa förtydligande frågor eller bekräftelser så att användarens mål uppfylls så exakt som möjligt. Detta leder också till en mycket mer flytande och naturligt språkliknande samtalsupplevelse.
• Ämnesklassificering. Vi presenterade ett nytt koncept som kallas ämnen, vilket kopplas till ett användarsyfte eller ett jobb som ska utföras. När en användarinmatning kommer in kopplas den till ett ämne, som innehåller relevant uppsättning instruktioner, företagspolicyer och åtgärder för att uppfylla den begäran. Denna mekanism hjälper till att definiera uppgiftens omfattning och motsvarande lösningsutrymme för LLM, vilket gör att systemet kan skalas utan problem. Instruktioner på naturligt språk inbäddade i ämnen ger ytterligare vägledning och skyddsräcken för LLM. Så, om vi behöver att vissa åtgärder utförs i en viss sekvens, kan det vara en ämnesinstruktion på naturligt språk. Om det finns företagspolicyer som "fri retur i upp till 30 dagar" kan de specificeras som en instruktion och skickas till LLM:en, så att den kan ta hänsyn till dem och informera användarinteraktionen i enlighet därmed. Dessa koncept gör det möjligt för agenter att skala till tusentals åtgärder säkert och tryggt.
• Använda LLM:er för svar. Tidigare begränsade vi systemet till att endast svara med åtgärdsresultat, vilket kraftigt begränsade dess förmåga att svara baserat på den information som var tillgänglig i konversationen. Genom att öppna upp systemet så att LLM:en kan svara med hjälp av kontexten i konversationshistoriken har vi möjliggjort en mycket rikare konversationsupplevelse. Nu kan användare be om förtydliganden och ställa följdfrågor till tidigare resultat, vilket leder till en totalt sett högre måluppfyllelsegrad.
• Tankar/resonemang. Att uppmana LLM:er att dela tankar eller ange skäl för att välja vissa handlingar förhindrar hallucinationer oerhört. Detta har den extra fördelen att det ger insyn i LLM:ens beteende, så att administratörer och utvecklare kan finjustera agenten för att anpassa den till deras behov. Resonemang är som standard tillgängligt på agentverktygets arbetsyta, och användare kan också prompta agenten med följdfrågor så att hen kan förklara sitt resonemang. Detta förhindrar inte bara hallucinationer utan hjälper också till att bygga förtroende.

Förutom Atlas resonemangsmotorn har Agentforce flera andra anmärkningsvärda egenskaper som skiljer den från mängden.

• Proaktiva åtgärder. Användarinmatningar är ett sätt att utlösa agenter. Men Agentforce -agenter kan också utlösas av dataoperationer i CRM eller företagsprocesser och regler, till exempel en statusuppdatering för ett ärende, ett e-postmeddelande som ett varumärke mottagit eller ett möte som börjar om fem minuter. Dessa mekanismer ger agenter en nivå av proaktivitet som gör dem användbara i olika dynamiska företagsmiljöer, vilket utökar deras användbarhet till både front- och backoffice.
• Dynamisk informationshämtning. De flesta företagsanvändningsfall innebär att hämta information eller vidta åtgärder. En av de vanligaste mekanismerna för att mata statisk information till agenter är genom grundning. Det är dock agenters förmåga att utnyttja dynamisk information som låser upp en enorm potential av användningsfall och tillämpningar.
  
  Agentforce stöder flera mekanismer för att utnyttja dynamisk information. Den första är retrieval augmented generation, eller RAG. Genom att använda semantisk sökning på strukturerad och ostrukturerad data i Data Cloud via RAG kan agenter hämta all relevant information från externa datakällor och databaser.
  
  För det andra, med introduktionen av generiska informationshämtningsverktyg som webbsökning och kunskapsfrågor och svar, har vi förstärkt agentens förmåga att hantera komplexa uppgifter. Tänk dig att du undersöker ett företag eller en produkt online med hjälp av webbsökning, och kombinerar det med intern kunskap om företagets regler och policyer, och sedan vidtar en åtgärd i form av en e-postsammanfattning till en kontakt. Genom att kombinera data från flera källor kan agenten hantera företagsuppgifter mycket mer effektivt och ändamålsenligt.
  
  Slutligen kan agenter distribueras i flöden, API:er och Apex-klasser. Genom att göra detta kan all kontextuell information i ett arbetsflöde, såväl som information för olika scenarier, skickas till agenten, vilket förhindrar behovet av att bygga anpassade lösningar och hantera varje scenario separat. Alla dessa mekanismer som gör det möjligt för agenter att utnyttja dynamisk information gör att de kan förstå sin omgivning bättre, vilket ökar deras interaktivitet mångfaldigt.
• Överföring till mänsklig agent. AI är icke-deterministisk och kan hallucinera. Det är därför vi har varit pionjärer inom den robusta Einstein Förtroendelager|säker datahämtning för att tillhandahålla toxicitetsdetektering, inga datalagringsavtal, försvar mot promptinjicering och flera andra mekanismer. Vi har integrerat regler i våra systempromptar för att förhindra att LLM:er avviker från ämnet och hallucinerar. Men trots alla dessa mekanismer är LLM:er fortfarande inte 100 % exakta. För de kritiska affärsscenarier där toleransen för fel är noll är det avgörande att smidigt överföra till en människa, och något som Agentforce har stöd för. Agentforce behandlar "överföring till mänsklig agent" som ytterligare en åtgärd som gör det möjligt att säkert och sömlöst överföra en konversation till människor i alla önskade affärsscenarier.

Trots att det fortfarande är i sin linda är Agentforce revolutionerande för våra kunder. Kunder som Wiley och Saks Fifth Avenue ser en exponentiell effekt på sina affärsnyckeltal med serviceagenten Agentforce. I takt med att innovations- och tekniska framsteg fortsätter att snurra snabbt på Salesforce Research och inom branschen, fortsätter vi att röra oss i blixtsnabb takt för att utnyttja olika innovationer för att göra agenter ännu mer robusta och intelligenta. Några av de framsteg som kunderna kan förvänta sig inom en snar framtid omfattar:

• Ett ramverk för testning och utvärdering för agenter. Introducera ett komplext agentiskt system som Agentforce till företag kräver en enorm mängd testning och validering. Så vi har utvecklat ett robust utvärderingsramverk för att testa åtgärdsresultat, input, output, planeringsnoggrannhet, ämnesklassificering och planerarens tillstånd. Vi har använt det här ramverket för att optimera agenterna baserat på mätvärden som noggrannhet, latens, kostnad att betjäna och förtroende. Till skillnad från majoriteten av allmänt tillgängliga ramverk och riktmärken som främst fokuserar på att utvärdera en LLM:s resultat i uppgifter som matematik, naturvetenskap och allmänkunskaper, är vårt utvärderingsramverk specifikt inriktat på CRM-användningsfall inom affärsverksamhet. Vi har också publicerat världens första LLM-riktmärke och arbetar för närvarande med att göra vårt utvärderingsramverk för agenter tillgängligt för kunder och partner.
• Stöd för flera syften. Detta är en viktig hörnsten i att replikera en människoliknande konversationsmekanism. En hel del dagliga uttryck består av flera orelaterade mål, till exempel ”uppdatera min beställning och hitta en tröja i storlek M”, ”uppdatera ärendestatusen och skicka en sammanfattning av felsökningsstegen till kunden via e-post” och ”boka ett flyg och reservera platser på en restaurang”. Med kombinationen av LLM:s förmåga att förstå naturligt språk, stöd för stora kontextfönster och våra innovativa koncept som ämnen fortsätter vi att experimentera för att skapa en pålitlig, skalbar och säker lösning för våra kunder.
• Multimodalt stöd. Medan majoriteten av digitala interaktioner är textbaserade ökar röst- och visionbaserade interaktioner rikedom av upplevelser flera gånger eftersom de representerar det mest naturliga sättet att interagera med människor. Faktum är att med framsteg som samtidig behandling av multimodala inmatningar, snabbare svarstider, stora kontextfönster och sofistikerade resonemangsfunktioner förväntas den multimodala AI-marknaden växa med cirka 36 % år 2031 . Det finns flera företagsanvändningsfall som direkt kan dra nytta av stöd för flera modaliteter:
  • Användningsfall för röst. Ersätta interaktiv röstrespons (IVR) med generativ AI-driven röstsupport, medarbetarcoachning, utbildning och inskolning.
  • Användningsfall för vision. Produktsökning och jämförelse, surfning i användargränssnittet (webb, mobil), felsökning och problemlösning för fälttjänster.
• Stöd för flera agenter. Interaktioner mellan agenter representerar en av vår tids mest transformativa företagsutvecklingar. Med tanke på deras förmåga att samtidigt hämta, sammanställa och bearbeta information kan system med flera agenter exponentiellt minska bearbetningstiderna för långa, komplexa arbetsflöden som för närvarande sker sekventiellt på grund av överlämning mellan människor. Digitala agenter kan infogas i dessa arbetsflöden för repeterbara databehandlingsuppgifter, och de kan också hjälpa människor som är involverade i dessa processer att bli mer effektiva.
  
  Vi introducerar redan den här typen av multiagentisk paradigm i säljprocessen, där en agent kan fungera som en säljutvecklingsrepresentant för att vårda pipelinen, eller som en säljcoach för att ge råd till en säljare om hur man bäst förhandlar fram en affär. Specialiserade agenter kan också hantera andra aspekter av säljprocessen, som leadkvalificering, offertförberedelse och uppföljning efter försäljning. På samma sätt kan ett servicearbetsflöde bestå av agenter som felsöker, följer upp och tilldelar ärenden, samt agenter som svarar på kundfrågor och hjälper mänskliga representanter.

Agentforce representerar den tredje vågen av AI, efter prediktiv AI och copilots. Med hjälp av Agentforce kan kunder skapa agenter som inte bara svarar på konversationspromptar att vidta åtgärder, utan också förutser, planerar och resonerar med minimal hjälp. Agenter kan automatisera hela arbetsflöden eller processer, fatta beslut och anpassa sig till ny information, allt utan mänsklig inblandning. Samtidigt kan dessa agenter säkerställa en smidig överlämning till mänskliga anställda, vilket underlättar samarbete inom alla affärsområden. Med hjälp av Atlas resonemangsmotor kan dessa agenter implementeras med bara några få klick för att förstärka och omvandla vilken affärsfunktion eller vilket team som helst.