Transcription
Привет всем! Сегодняшнее видео о том, как вы можете создать своего собственного аналитика данных. Я покажу вам, как взаимодействовать с вашими данными из CSV-файла и Excel-файла, как на самом деле извлекать из них инсайты. Мы будем использовать Crei, Weate и EXA Search Tool — это инструменты, которые позволят вам создать собственный рекомендательный движок и извлекать информацию из интернета.
Этот учебник предназначен для VC-аналитика, который будет извлекать информацию о ИИ-агентах, определять, какие из них стоит разрабатывать, и затем подтверждать это рыночными исследованиями, чтобы он мог составить отчет и выработать свои инвестиционные идеи. Этот случай использования также подходит для любого предпринимателя, который хочет понять, что строить дальше. Информация, которую я собираюсь показать вам, — это все собственные данные, которые я собрал за последние несколько месяцев, так что мы будем взаимодействовать с этой информацией и затем генерировать отчеты о том, каких ИИ-агентов стоит создавать. Я очень рад, давайте начнем!
О, кстати, меня зовут Влад, я основатель Elements Agents. Мы создаем ИИ-агентов для клиентов, которые хотят автоматизировать свою работу, поддержку клиентов, набор персонала. Мы разрабатываем множество случаев использования каждую неделю. Если есть конкретный случай использования, о котором вы хотите поговорить, просто запишитесь на встречу со мной ниже. Мы проведем аудит вашего рабочего процесса, и я скажу вам, что строить и стоит ли это делать.
Итак, давайте вернемся к учебнику и углубимся в рабочий процесс. Рабочий процесс будет следующим: мы извлечем данные о задачах, которые компании хотят автоматизировать. Например, предположим, что клиент говорит: "Я сейчас трачу 20 часов в неделю на обработку входящих звонков от клиентов". Затем мы векторизуем эти данные. Все, что вам нужно знать, это то, что это способ взаимодействовать с информацией позже.
Затем мы извлечем инсайты. Как только у вас есть векторизованные данные, вы можете взаимодействовать с ними в базе данных. Если у вас есть 200 задач, которые клиенты пытаются автоматизировать, вы сможете использовать базу данных. Итак, какие отрасли с наибольшей вероятностью могут извлечь выгоду от голосовых агентов? Или какие роли теряют больше всего денег на конкретной задаче? Вся эта информация уже собрана, и мы будем взаимодействовать с ней.
Если вы инвестор или даже предприниматель, вы хотите убедиться, что этот случай использования не изолирован. Вам нужно будет подтвердить его рыночными исследованиями, а затем, наконец, мы сгенерируем отчет. Возвращаясь к примеру голосового агента, логистические компании действительно испытывают трудности с наймом квалифицированной рабочей силы для обработки этих входящих звонков. Это основное препятствие для их роста. Отчет будет тезисом для VC-аналитика, который скажет: "Хорошо, нам нужно найти голосового агента, который поддерживает логистические компании, потому что это большой рынок с серьезной проблемой, которую мы выявили". И мы будем делать это для сотен случаев использования ИИ-агентов автоматически. Это, безусловно, сэкономит массу времени и будет очень полезно.
Итак, у нас есть информация о некоторых задачах, которые компании пытались автоматизировать. Например, проверка статуса воронки, сопоставление SKU с отгрузками, сверка заказов на покупку. И вот сумма денег, которую компании тратят на эту конкретную задачу каждый год. Мы будем использовать эту информацию и затем векторизовать ее с помощью Weate — это открытая векторная база данных. Я покажу вам в учебнике, как это сделать.
Затем, чтобы убедиться, что это действительно тренды, мы поддержим их, собирая различные статьи в интернете с помощью EXA Search. EXA Search — это, по сути, запрос в интернете с использованием LLM. Вы можете подумать, что это немного похоже на Perplexity, за исключением того, что вы можете интегрировать его непосредственно в своих ИИ-агентов.
Наконец, мы будем генерировать отчеты, которые будут выглядеть так. Вот пример отчета: агент по продаже облачных GPU. Задача этого клиента — продавать облачные GPU для ИИ-инференсов. Мы видим, что сумма, которую они могли бы сэкономить каждый год, составляет около 66 000 долларов. Облачные GPU по очевидным причинам критически важны для ускорения ИИ-рабочих нагрузок. Этот агент — это небольшой случай использования, обосновывающий, почему стоит инвестировать или почему стоит создать этого агента.
Мы будем делать это для всей базы данных, и мы будем использовать Crei, который является многоагентной платформой, чтобы сделать это. Если вы хотите узнать больше о том, как создать своего собственного агента, у меня есть более подробные учебники о том, как вы можете строить с помощью Crei. Итак, давайте погрузимся в код.
Перед тем как углубиться в Crei, один критически важный шаг, чтобы взаимодействовать с данными из Excel, — это предварительная обработка этих данных и их векторизация. Здесь у нас есть скрипт, в котором мы будем брать всю информацию из Excel. Вы можете видеть, например, тестирование разработки с использованием Selenium. Мы, по сути, будем отправлять эту информацию в Weate и векторизовать ее. Это будет использовать текстовое встраивание от OpenAI для векторизации этой информации. Эта информация будет отправлена в Weate, и это имя коллекции — Agents 19. Так что Agents 19 — это коллекция, которую мы имеем здесь с различными столбцами, которые были правильно сопоставлены, где мы определили тип этого столбца.
Теперь, когда данные векторизованы, мы можем задавать вопросы этой базе данных. Вместо того чтобы писать сложный запрос, вы можете просто задать вопрос. Например, если мы спросим базу данных, какие отрасли больше всего выиграют от использования ИИ, это вернет информацию о клиенте, который обрабатывает звонки для компании, назначающей встречи. Это случай использования. Затем у нас есть компания по поддержке клиентов, которая хочет обучить своих человеческих агентов для достижения лучших результатов. И затем у нас есть служба поддержки клиентов в Италии, где этот клиент на самом деле хочет записывать встречи и экономить время на этом.
Теперь мы предварительно обработали Excel в векторизованную базу данных. Мы создали инструмент, который наши агенты смогут использовать для запроса этой базы данных. Я покажу вам, как мы связываем все это вместе в Crei. Итак, давайте рассмотрим это. У нас есть один агент, который называется RAG-агент, который будет вызывать этот пользовательский инструмент и задавать вопросы базе данных. Затем у нас будет второй агент, который будет использовать инструменты EXA Search, чтобы дополнить информацию, которую мы имеем.
Возвращаясь к примеру агента по поддержке клиентов, агент по расширению деталей будет проводить исследование в этой области. Наконец, у нас будет агент по отчетам, который будет консолидировать всю эту информацию и определять, каких ИИ-агентов мы должны создать и как это действительно решает основные проблемы в этой отрасли.
Вот соответствующие задачи. Если вы знакомы с Crei, я просто пройдусь по различным задачам и тому, как мы их настраиваем. RAG-агент настраивается в YAML-файле, где мы говорим использовать инструмент векторного поиска Weate, чтобы задавать вопросы базе данных. Затем у нас есть агент по расширению деталей, который будет использовать инструмент EXA Search, чтобы собирать и извлекать дополнительную информацию о каждом из этих случаев использования ИИ-агентов. Он будет специально искать информацию, такую как размер рынка, рост рынка, рыночные проблемы и просто заметки о рынке в этой конкретной отрасли.
Наконец, у нас будет агент по отчетам, который на самом деле будет анализировать все эти данные и затем вырабатывать инвестиционные тезисы, что, по сути, означает: "Стоит ли мне строить этого ИИ-агента или стоит ли инвестировать в эту область?" Вот пример финального отчета, где у нас есть агент, который выработал инвестиционные тезисы для 10 различных агентов, где он, по сути, смотрит, сколько клиент тратит на эту проблему сегодня, как быстро растет рынок, насколько велик рынок, и затем, наконец, вырабатывает тезис о том, как этот ИИ-агент будет решать основную проблему в этой отрасли.
Если вы предприниматель или VC-аналитик, это, вероятно, поможет вам понять, какие ИИ-агенты окажут наибольшее влияние на конкретную отрасль, как они должны общаться и как они могут потенциально оцениваться. Еще одна лучшая практика при использовании Crei — это структурировать ваш вывод. Здесь мы, по сути, создаем объект агента, где мы будем собирать информацию о деятельности компании, задачах, местоположении и роли. Все это поступает из CSV-файла, но затем мы на самом деле будем дополнять этот объект агента информацией, которую мы собрали с помощью инструмента EXA Search, такой как размер рынка, категория рынка, рост рынка, изменения на рынке и заметки о рынке, и мы как бы объясняем агентам, как заполнять эти поля.
Итак, теперь я просто собираюсь запустить Crei. Запрос здесь: "Давайте углубимся в голосовых агентов, лучшие случаи использования для пользовательских голосовых агентов". И теперь он запустит мой Crei и сгенерирует полный отчет о возможностях, отраслях, в которых я должен их создавать. Как вы видите, он работает, извлекая всю информацию из базы данных. Обучение поддержки клиентов, служба поддержки клиентов в Риме, рассказывая, сколько денег они могли бы сэкономить. Затем, как вы видите, у нас есть значения по умолчанию, которые равны "n", потому что он еще не использовал инструмент EXA Search. Он начинает сейчас. Итак, размер рынка обучения поддержки клиентов в Индии 2023 года. Он будет извлекать эту информацию. Вы можете видеть, что он, по сути, вызывает инструмент EXA Search, размер рынка чат-ботов по поддержке клиентов в Италии. Он становится конкретным и пытается заполнить эти поля.
Теперь вы можете видеть, что он заполнил дополнительные поля. Категория рынка — профессиональные услуги по обучению, размер рынка — 2 миллиарда долларов США, растущий на 10% в год. Основные проблемы — высокая текучесть кадров и так далее. И, наконец, давайте посмотрим на отчеты. Это сработало! ИИ-агент для профессиональных услуг по обучению в Индии. Сумма, сэкономленная на клиентах каждый год, составляет около 50 000 долларов. Размер рынка — 2 миллиарда долларов США, растущий на 10%. Основные проблемы — высокая текучесть кадров, быстрые изменения технологий и измерение эффективности обучения.
Почему стоит создать этого агента? Здесь он обосновывает это. ИИ-агент предназначен для помощи в обучении агентов поддержки клиентов, чтобы они были более эффективными. Это поможет решить проблему высокой текучести кадров. ИИ-агент может значительно сократить время и ресурсы, необходимые для того, чтобы новые сотрудники достигли профессионализма, и воспроизвести это для ИИ-агентов в службе поддержки клиентов.
Да, вот так это работает. Весь код, который вы видите здесь, будет доступен на моем GitHub. Если вы хотите запланировать встречу, чтобы обсудить ваш рабочий процесс, или если у вас есть дополнительные вопросы по этому учебнику, не стесняйтесь записаться на встречу со мной. Ссылка будет в описании ниже. В противном случае я увижу вас на следующей неделе с другим случаем использования.