Lanza un agente conversacional Agentic RAG con MongoDB y Dataworkz

¿Qué es un Agente?

Un agente es una entidad computacional artificial con conocimiento de su entorno y de los datos asociados dentro del contexto. Estos agentes pueden interactuar en el caso del comercio electrónico o realizar una parte de tareas complejas según se requiera.

generación de recuperación aumentada

RAG es un enfoque que aumenta LLMs con datos propios para que puedan generar respuestas más precisas y conscientes del contexto, mientras también se reducen las alucinaciones.

Figura 1. RAG convencional

Agentic RAG

Agentic RAG introduce una implementación de RAG basada en agentes de IA. En este modelo, el agente puede acceder a diferentes herramientas y funciones, lo que le permite ir más allá de la recuperación y generación de información: le permite planificar. Los agentes pueden determinar si necesitan recuperar información específica o no, decidir qué herramienta usar para la recuperación y formular consultas. Estas capacidades son fundamentales, ya que permiten al agente extraer información de múltiples fuentes de datos y gestionar complejas queries que requieren más de una fuente para formular la respuesta. RAG agente puede mejorar las interacciones con los clientes y agilizar los procesos en todas las industrias.

Figura 2. RAG agentico

Para obtener más detalles, consulta Dataworkz Agentic RAG.

Figura 3. Comparación entre RAG convencional y agente

Impacto en la industria de venta minorista

El sector minorista adoptó rápidamente la IA generativa. En 2024, una cuarta parte de los consumidores utilizó IA en su experiencia de compra, lo que representa un aumento del 4% respecto al año anterior.

Algunos casos de uso de la IA generativa en la venta minorista incluyen:

• Bots conversacionales de soporte al cliente: Chatbots impulsados por IA generativa que proveen asistencia en tiempo real y conocen contextualmente las políticas empresariales, el historial del usuario y las preferencias.

• Recomendaciones de productos personalizadas: Recomendaciones a los clientes basadas en sus gustos específicos, necesidades y pedidos anteriores. Estas recomendaciones personalizadas hacen que las compras sean más agradables para los clientes y aumentan las posibilidades de una compra exitosa.

• Contenido dinámico de marketing: Las aplicaciones Gen IA pueden generar promociones personalizadas, correos electrónicos y mensajes para cada cliente, aumentando la interacción, las ventas y la retención.

Presentando Dataworkz

Dataworkz es una plataforma RAG-as-a-service que transforma la forma en que las organizaciones desarrollan y implementan aplicaciones de IA. Su arquitectura basada en agentes y la recuperación optimizada por grafos ayudan a las grandes empresas a lanzar aplicaciones RAG sofisticadas en horas en lugar de meses.

La plataforma elimina la necesidad de equipos especializados en IA mediante un constructor intuitivo sin código que implementa automáticamente las mejores prácticas en el desarrollo de RAG. A diferencia de los enfoques tradicionales que te atan a decisiones arquitectónicas prematuras, Dataworkz permite una experimentación rápida: puedes probar diferentes estrategias de recuperación, variaciones de indicaciones y combinaciones de modelos en un entorno controlado antes de comprometerte con la producción.

Dataworkz ofrece aplicaciones RAG listas para producción sin la sobrecarga tradicional de construir y mantener una compleja infraestructura de IA.

Esta arquitectura consta de los siguientes componentes clave:

• Recuperación de conocimientos optimizada por grafos para relaciones complejas.

• Arquitectura basada en agentes para un razonamiento sofisticado.

• Constructor sin código con mejores prácticas integradas.

• Soporte completo para todo el ciclo de vida, desde la experimentación hasta la producción.

• BYO flexibilidad: LLM, modelo de embedding y base de datos vectorial.

• Seguridad y escalabilidad de nivel empresarial.

Aprovechando MongoDB con Dataworkz

Dataworkz agiliza el proceso de creación de pipelines RAG al ofrecer una experiencia amigable para extraer datos no estructurados, configurar una estrategia de particionamiento y crear incrustaciones de vectores. El constructor RAG de Dataworkz también permite a los desarrolladores elegir diferentes mecanismos de recuperación—léxica, semántica o por grafo, con diferentes umbrales para construir el contexto para responder a una pregunta de un usuario.

La integración también permite el procesamiento y análisis de datos en tiempo real, garantizando que los modelos de IA utilicen los datos más recientes para obtener respuestas precisas y relevantes.

Arquitectura Agente-RAG

Para generar resultados transformadores, los sistemas RAG convencionales, que utilizan principalmente técnicas de búsqueda vectorial, deben integrarse con información actualizada de las bases de datos operativas.

MongoDB Atlas búsqueda vectorial ofrece soporte integrado para incrustaciones vectoriales, lo que elimina la necesidad de una base de datos vectorial separada, simplificando la arquitectura y reduciendo la complejidad.

Con los agentes de Dataworkz, los comercios minoristas pueden ofrecer acceso controlado a las colecciones de MongoDB configurándolas como herramientas. En muchos casos, los clientes tienen una capa de API que abstrae las colecciones subyacentes. Dataworkz puede integrarse con REST API o GraphQL.

Además, cualquier pipeline de RAG configurada en Dataworkz puede ser una herramienta para un agente. Esta capacidad brinda a los agentes la posibilidad de comprender datos no estructurados en un sitio de SharePoint, una página wiki de Confluence o Markdown, según la pregunta del usuario.

Los minoristas que ya cuentan con aplicaciones basadas en MongoDB como su plataforma de datos pueden beneficiarse de la estrecha integración de Dataworkz con MongoDB, y su adopción de IA puede incorporar RAG agéntico en sus soluciones.

Los agentes de Dataworkz pueden acceder a múltiples fuentes de datos y utilizar LLM razonadores para decidir qué herramienta utilizar para responder a la pregunta de un usuario. Un agente puede acceder y cambiar entre diferentes colecciones o bases de datos de MongoDB para recuperar datos estructurados como el estado del envío, perfiles de clientes, preferencias e historiales de pedidos. Además, soluciones de terceros como ERP (Epicor) y CRM (Salesforce) pueden integrarse a través de APIs expuestas por los proveedores. Juntos, estas herramientas permiten al agente comprender las preguntas de los usuarios en contexto y proporcionar respuestas personalizadas y relevantes.

Los siguientes pasos explican cómo funciona un agente de Dataworkz:

1. El marco de agentes de Dataworkz organiza los casos de uso en escenarios, como responder preguntas sobre políticas de la tienda, buscar un pedido o proporcionar atención al cliente.

2. El agente emplea un LLM de razonamiento para planificar cómo responder a una pregunta basada en la query del usuario, el contexto de la conversación, la memoria y las herramientas disponibles, como el acceso a las colecciones de MongoDB. El LLM determina una secuencia de pasos para recopilar la información necesaria. Este proceso es iterativo; después de cada paso, el agente comprueba si tiene suficiente contexto para proporcionar una respuesta o si se necesita una recuperación y planificación adicionales.

3. Por último, el agente utiliza el contexto obtenido para generar una respuesta, tomar una acción o pedir al usuario una pregunta aclaratoria si es necesario.

Figura 4. Arquitectura RAG agentic de Dataworkz y MongoDB