Avant de commencer
Avant de travailler sur votre agent IA, prenez un peu de recul sur le contenu génératif et le moteur de raisonnement de MessageMind.
Quand vous avez utilisé un chatbot par le passé, vous l'avez probablement trouvé lent ou difficile à utiliser. La plupart des bots ne sont pas très bons pour comprendre ce que veulent vos clients, ni pour savoir comment répondre ou agir comme le ferait un agent humain.
En combinant les informations de votre base de connaissances avec une IA de pointe, avec MessageMind™ vous n'avez pas simplement un chatbot. Vous avez un agent IA génératif, conçu pour effectuer des tâches que seuls les agents humains pouvaient accomplir jusqu'à présent. Il comprend plus que le texte tapé : vos clients peuvent envoyer des messages vocaux, des images, des vidéos, des positions, des liens et des documents, et votre agent IA les lit, les comprend et agit en conséquence.
Ce guide vous présentera la technologie MessageMind™ que nous utilisons pour rendre l'expérience client avec un agent IA différente de tout chatbot que vous avez utilisé auparavant.
Le secret derrière la capacité de votre agent IA à comprendre et à écrire des messages réside dans l'IA, ou intelligence artificielle, que MessageMind™ utilise en coulisses. De manière générale, l'IA est un éventail de programmes informatiques complexes conçus pour résoudre des problèmes comme le font les humains. Elle peut traiter diverses situations et intégrer divers types de données ; dans le cas de votre agent IA, elle se concentre sur l'analyse du langage pour connecter les clients à des réponses.
Quand un client interagit avec votre agent IA, celui-ci utilise des Large Language Models, ou LLM, des programmes entraînés sur de grandes quantités de texte, pour identifier ce que demande le client. Sur la base des schémas que le LLM a identifiés dans les données textuelles, il peut analyser une question d'un client et déterminer l'intention derrière. Il peut ensuite analyser les informations de votre base de connaissances dont le sens correspond à ce que le client recherche.
L'IA générative est un type de LLM qui utilise son analyse du contenu existant pour créer du nouveau contenu. Elle construit des phrases mot après mot, en fonction des mots qui ont le plus de chances de suivre ceux qu'elle a déjà choisis. En utilisant l'IA générative, votre agent IA construit des réponses basées sur des morceaux de votre base de connaissances qui contiennent les informations que le client cherche, et les formule de manière naturelle et conversationnelle.
Les données d'entraînement des LLM peuvent contenir du contenu nuisible ou indésirable, et l'IA générative peut parfois générer des détails qui ne sont pas vrais, qu'on appelle hallucinations. Pour combattre ces problèmes, votre agent IA utilise un ensemble supplémentaire de modèles pour garantir la qualité de ses réponses.
Avant d'envoyer toute réponse générée à votre client, votre agent IA vérifie que la réponse soit :
- Sûre : la réponse ne contient pas de contenu nuisible.
- Pertinente : la réponse répond réellement à la question du client. Même si l'information dans la réponse est correcte, elle doit être l'information que le client cherchait pour lui offrir une expérience positive.
- Précise : la réponse correspond au contenu de votre base de connaissances, ainsi votre agent IA peut vérifier que sa réponse est vraie.
Avec ces vérifications en place, vous pouvez avoir l'assurance que votre agent IA a non seulement pris des décisions raisonnables sur la façon d'aider votre client, mais lui a aussi envoyé des réponses de haute qualité.
Votre agent IA fonctionne sur un Reasoning Engine sophistiqué créé par MessageMind™ pour fournir aux clients les connaissances et solutions dont ils ont besoin. Le Reasoning Engine fait partie de la plateforme propriétaire de MessageMind™ : ce n'est ni un chatbot en marque blanche, ni une surcouche de ChatGPT. L'ingénierie MessageMind™ construit et maintient le backend et l'orchestration IA, en combinant plusieurs modèles d'IA et en choisissant le meilleur modèle pour chaque tâche.
Quand les clients posent une question à votre agent IA, celui-ci prend en compte les éléments suivants pour décider de la prochaine étape :
- Contexte de la conversation : la conversation précédente contient-elle un contexte utile pour mieux répondre à la question ?
- Base de connaissances : la base de connaissances contient-elle l'information que le client recherche ?
- Systèmes métier : y a-t-il des Actions configurées avec votre agent IA qui lui permettent de récupérer l'information recherchée par le client ?
À partir de là, il décide comment répondre au client :
- Question de suivi : si votre agent IA a besoin de plus d'informations pour aider le client, il peut en demander.
- Base de connaissances : si la réponse à la requête du client est dans la base de connaissances, il peut l'obtenir et l'utiliser pour rédiger une réponse.
- Systèmes métier : si la réponse est dans une des Actions configurées avec votre agent IA, celui-ci peut la récupérer via un appel API.
- Transfert (handoff) : si votre agent IA ne peut pas répondre au client, il peut le transférer à un agent humain pour une assistance complémentaire.
Ensemble, le mécanisme qui prend ces décisions complexes sur la façon d'aider le client s'appelle le Reasoning Engine de MessageMind™. Tout comme un agent humain prend des décisions sur la façon d'aider un client en se basant sur ce qu'il sait de ce que le client veut, le Reasoning Engine prend en compte une variété d'informations pour déterminer comment résoudre la demande du client de la façon la plus efficace possible.
Beaucoup de chatbots IA sont vulnérables aux prompt injections ou jailbreaks, c'est-à-dire des prompts qui poussent le chatbot à fournir des informations qu'il ne devrait pas. Par exemple, des informations confidentielles ou non sûres.
Le moteur de raisonnement derrière les agents IA de MessageMind™ est structuré de manière à rendre très difficile la réussite des attaques adversariales contre les LLM. Plus précisément, il dispose de :
- Une série de sous-systèmes IA qui interagissent ensemble, chacun modifiant le contexte autour du message du client.
- Plusieurs instructions de prompt qui rendent la tâche à effectuer très claire, en demandant à l'agent IA de ne pas partager son fonctionnement interne et ses instructions, et de rediriger les conversations loin de la discussion banale.
- Des modèles qui visent à détecter et filtrer le contenu nuisible dans les entrées et sorties.
Avec des tests d'IA générative à la pointe avant chaque nouveau déploiement, MessageMind™ garantit une expérience d'interaction client sûre et efficace.
Quand vous connectez votre agent IA à votre base de connaissances et commencez à servir du contenu généré automatiquement à vos clients, cela peut sembler magique. Mais ce n'est pas le cas ! Ce chapitre vous présente ce qui se passe en coulisses quand vous commencez à servir du contenu de base de connaissances aux clients.
Comment MessageMind™ ingère votre base de connaissances
Quand vous liez votre base de connaissances à votre agent IA, celui-ci copie tout votre contenu, afin de pouvoir le parcourir rapidement et servir des informations pertinentes. Voici comment ça se passe :
-
Quand vous liez votre agent IA à votre base de connaissances, l'agent IA importe tout votre contenu.
Selon les outils que vous utilisez pour créer et héberger votre base de connaissances, celle-ci se met à jour à différentes fréquences :
- Si votre base de connaissances est dans Zendesk ou Salesforce, votre agent IA vérifie les mises à jour toutes les 15 minutes.
- Si votre agent IA n'a pas eu de conversations, soit immédiatement après l'avoir lié à votre base de connaissances soit au cours des 30 derniers jours, votre agent IA met la synchronisation en pause. Pour déclencher une synchro, faites une conversation de test avec votre agent IA.
- Si votre base de connaissances est hébergée ailleurs, vous ou votre équipe MessageMind™ devez construire une intégration pour la crawler et téléverser le contenu vers la Knowledge API de MessageMind™. Dans ce cas, la fréquence des mises à jour dépend de l'intégration.
-
Votre agent IA découpe vos articles en chunks, afin de ne pas avoir à parcourir de longs articles à chaque fois qu'il cherche une information. Il peut juste regarder les chunks plus courts.
Tandis que chaque article peut couvrir une variété de concepts liés, chaque chunk ne devrait couvrir qu'un seul concept clé. De plus, votre agent IA inclut le contexte de chaque chunk ; chaque chunk contient les titres qui le précédaient.
-
Votre agent IA envoie chaque chunk à un Large Language Model (LLM), qu'il utilise pour attribuer aux chunks des représentations numériques correspondant au sens de chacun. Ces valeurs numériques s'appellent des embeddings, et il les enregistre dans une base de données.
La base de données est alors prête à fournir des informations que les modèles d'IA de MessageMind™ peuvent assembler en réponses naturelles aux questions des clients.
Comment MessageMind™ crée des réponses à partir du contenu de la base de connaissances
Après avoir enregistré le contenu de votre base de connaissances dans une base de données, votre agent IA est prêt à le fournir pour répondre aux questions de vos clients. Voici comment il s'y prend :
-
Votre agent IA envoie la requête du client au LLM, afin d'obtenir un embedding (une valeur numérique) correspondant à l'information demandée.
Avant d'aller plus loin, l'agent IA fait passer le contenu par une vérification de modération via le LLM pour voir si la question du client était inappropriée ou toxique. Si c'était le cas, votre agent IA rejette la requête et ne poursuit pas la génération de réponse.
-
Votre agent IA compare ensuite les embeddings entre la question du client et les chunks de sa base de données, pour voir s'il trouve des chunks pertinents qui correspondent au sens de la question. Ce processus s'appelle la recherche (retrieval).
Votre agent IA cherche la meilleure correspondance de sens dans la base de données par rapport à ce que le client a demandé, ce qu'on appelle similarité sémantique, et enregistre les trois chunks les plus pertinents.
Si la question est un suivi d'une précédente, votre agent IA peut demander au LLM de réécrire la question pour inclure du contexte et augmenter les chances d'obtenir des chunks pertinents. Par exemple, si un client demande à votre agent IA si la boutique vend des cookies, et que l'agent IA dit oui, le client peut répondre "combien ça coûte ?". Cette question n'a pas assez d'informations en elle-même, mais une question comme "combien coûtent vos cookies ?" fournit un contexte suffisant pour obtenir un chunk significatif.
Si votre agent IA ne trouve pas de correspondance pertinente à la question du client parmi les chunks de la base de données à ce stade, il sert au client un message lui demandant de reformuler sa question ou escalade la requête à un agent humain, plutôt que de tenter de générer une réponse au risque de fournir des informations inexactes.
-
Votre agent IA envoie les trois chunks de la base de données les plus pertinents pour la question du client au LLM pour les assembler en une réponse. Puis votre agent IA fait passer la réponse générée par trois filtres :
- Le filtre Sûreté vérifie que la réponse générée ne contient pas de contenu nuisible.
- Le filtre Pertinence vérifie que la réponse générée répond effectivement à la question du client. Même si l'information est correcte, elle doit être celle que le client recherchait pour lui offrir une expérience positive.
- Le filtre Précision vérifie que la réponse générée correspond au contenu de votre base de connaissances, afin de vérifier que la réponse de l'agent IA est vraie.
-
Si la réponse générée passe ces trois filtres, votre agent IA la sert au client.