Inicie um Chatbot RAG Agentic com MongoDB e Dataworkz

O que é um agente?

Um agente é uma entidade computacional artificial com uma conscientização de seu ambiente e dados associados dentro do contexto. Esses agentes podem interagir no caso do comércio eletrônico ou executar uma parte de tarefas complexas conforme necessário.

Geração aumentada de recuperação

RAG é uma abordagem que aprimora os LLMs com dados proprietários, permitindo que eles gerem respostas mais precisas e sensíveis ao contexto, enquanto reduzem as alucinações.

Figura 1. RAG convencional

RAG agêntica

A RAG agêntica introduz uma implementação de RAG baseada em agentes de IA. Nesse modelo, o agente pode acessar diferentes ferramentas e funções, o que permite que ele vá além da recuperação e geração de informações – ele permite planejar. Os agentes podem determinar se precisam recuperar informações específicas ou não, decidir qual ferramenta usar para a recuperação e formular queries. Essas funcionalidades são cruciais, pois permitem que o agente obtenha informações de várias fontes de dados e lide com queries complexas que exigem mais de uma fonte para formular a resposta. A RAG agêntica pode aprimorar as interações com os clientes e agilizar os processos em todos os setores.

Figura 2. RAG agêntica

Para mais detalhes, consulte Dataworkz Agentic RAG.

Figura 3. Comparação entre RAG convencional e RAG agêntica

Impacto no Setor de Varejo

O setor de varejo adotou rapidamente a IA generativa. Em 2024, um quarto dos consumidores usou IA em sua experiência de compra, representando um aumento de 4% em relação ao ano anterior.

Alguns casos de uso para AI generativa no setor de varejo incluem:

• chatbots de suporte ao cliente: chatbots movidos a IA da Gen que fornecem assistência em tempo real e têm reconhecimento do contexto das políticas comerciais, do histórico do usuário e das preferências.

• Recomendações personalizadas de produtos: recomendações de clientes com base em seus preferências específicas, necessidades e pedidos anteriores. Essas recomendações personalizadas tornam as compras mais fáceis de fazer para os clientes e aumentam as chances de uma compra bem-sucedida.

• Conteúdo de marketing dinâmico: os aplicativos da Gen AI podem gerar ações, e-mails e mensagens personalizadas para cada cliente, aumentando o engajamento, as vendas e a retenção.

Uma introdução ao Dataworkz

O Dataworkz é uma plataforma de RAG como serviço que transforma a forma como as organizações criam e implantam aplicativos de IA. Sua arquitetura baseada em agentes e recuperação otimizada para grafos ajudam grandes empresas a lançar aplicativos RAG sofisticados em horas, em vez de meses.

A plataforma elimina a necessidade de montar equipes especializadas em AI, pois conta com um construtor intuitivo e sem código que implementa automaticamente as melhores práticas no desenvolvimento de RAG. Ao contrário das abordagens tradicionais que nos prendem às decisões arquitetônicas iniciais, o Dataworkz possibilita experimentação rápida: é possível testar diferentes estratégias de recuperação, variações de prompts e combinações de modelos em um ambiente controlado antes da confirmação para produção.

O Dataworkz oferece aplicativos RAG prontos para produção sem a sobrecarga tradicional de criar e manter uma infraestrutura complexa de IA.

Esta arquitetura consiste nos seguintes componentes principais:

• Recuperação de conhecimento otimizada por grafo para relacionamentos complexos.

• Arquitetura agêntica para raciocínio avançado.

• Construtor sem código com melhores práticas integradas.

• Suporte completo ao ciclo de vida, da experimentação à produção.

• Flexibilidade de BYO — LLM, modelo de incorporação e banco de dados vetorial.

• Segurança e escalabilidade em nível corporativo.

Aproveitando o MongoDB com a Dataworkz

O Dataworkz simplifica o processo de criação de pipelines RAG ao proporcionar uma experiência fácil para extrair dados não estruturados, configurar uma estratégia de divisão em partes e criar embeddings vetoriais. O construtor Dataworkz RAG também permite que os desenvolvedores escolham diferentes mecanismos de recuperação – lexical, semântico ou grafo –, com diferentes limites para criar o contexto para responder a uma pergunta do usuário.

A integração também permite o em processamento e a análise de dados em tempo real, garantindo que os modelos de IA usem os dados mais atuais para obter respostas precisas e relevantes.

Arquitetura RAG agêntica

Para criar resultados transformadores, os sistemas RAG convencionais, que utilizam principalmente técnicas de pesquisa vetorial, precisam se integrar com informações atualizadas de bancos de dados operacionais.

O MongoDB Atlas Vector Search oferece suporte integrado para incorporações vetoriais, o que elimina a necessidade de um banco de dados vetorial separado, simplificando a arquitetura e reduzindo a complexidade.

Com os agentes Dataworkz, os revendedores podem oferecer acesso controlado às coleções MongoDB configurando-as como ferramentas. Em muitos casos, os clientes têm uma camada de API que abstrai as coleções subjacentes. O Dataworkz pode se integrar à API REST ou GraphQL.

Além disso, qualquer pipeline RAG configurado no Dataworkz pode ser uma ferramenta para um agente. Essa funcionalidade dá aos agentes a capacidade de compreender dados não estruturados em um site do SharePoint, uma página wiki do Confluence ou em markdown, dependendo da pergunta do usuário.

Os varejistas existentes com aplicativos que aproveitam o MongoDB como sua plataforma de dados podem se beneficiar da integração próxima do Dataworkz com o MongoDB e sua adoção de IA podem incorporar o RAG agentivo em suas soluções.

Os agentes do Dataworkz podem acessar diversas fontes de dados e usar LLMs de raciocínio para decidir qual ferramenta usar para dar a resposta à pergunta de um usuário. Um agente pode acessar e alternar entre diferentes coleções ou bancos de dados do MongoDB para recuperar dados estruturados, como status da remessa, perfis dos clientes, preferências e histórico de pedidos. Além disso, soluções de terceiros, como RH (Epicor) e CM (Salesforce), podem ser integradas por meio de APIs expostas por meio dos fornecedores. Juntas, essas ferramentas permitem que o agente entenda as perguntas do usuário dentro do contexto e forneça respostas personalizadas e relevantes.

As etapas a seguir explicam como um agente do Dataworkz funciona:

1. O framework de agente do Dataworkz organiza casos de uso em cenários, como responder a perguntas sobre políticas de armazenar, pesquisar um pedido ou fornecer suporte ao cliente.

2. O agente usa um LLM para planejar como dar uma resposta a uma pergunta com base na query do usuário, no contexto da conversa, na memória e nas ferramentas disponíveis, como o acesso às coleções do MongoDB. O LLM determina uma sequência de etapas para coletar as informações necessárias. Este processo é iterativo; após cada etapa, o agente verifica se tem contexto suficiente para fornecer uma resposta ou se são necessários recuperação e planejamento adicionais.

3. Por fim, o agente usa o contexto coletado para gerar uma resposta, tomar ação ou fazer uma pergunta de esclarecimento ao usuário, se necessário.

Figura 4. Arquitetura RAG agêntica do Dataworkz e do MongoDB