Denna månad hade vi otroliga partnerskap med stora företag, som delade ut prenumerationer på AI-verktyg helt gratis. Detta är verktyg som kommer att effektivisera din verksamhets tillväxt och förbättra din effektivitet.

Enbart genom att vara en beskyddare den här månaden fick du tillgång till sex betalda prenumerationer helt gratis. Du får inte bara tillgång till dessa prenumerationer, utan du får också möjlighet till rådgivning, nätverkande, samarbete med gemenskapen och med mig själv. Du får tillgång till dagliga AI-nyheter, resurser, tävlingar och mycket mer.

Om du är intresserad, kolla in patreon-länken i beskrivningen nedan för att få tillgång till dessa förmåner.

I det här avsnittet kommer vi att visa hur man skapar AI-agenter som kan arbeta med tabelldata, vilket gör dem bättre på att läsa och bearbeta numeriska värden än stora språkmodeller. Dessa AI-agenter kommer att kunna bearbeta stora mängder numeriska data, som finansiella rapporter, och besvara frågor om ett företags prestanda, prissättningsstrukturer och annan relaterad data.

För att skapa denna AI-agent kommer vi att använda Vector Shift, en plattform som möjliggör enkel skapande av AI-agenter med sitt drag-och-släpp-gränssnitt, utan behov av kodning. Processen kommer att involvera följande steg:

1. Inmatnings- och utmatningsnod: Vi börjar med att ställa in en inmatningsnod och en utmatningsnod för att definiera automationsflödet.

2. Open AI GPT-4-modell: Vi kommer att använda Open AI GPT-4-modellen, som är den bäst presterande stora språkmodellen, för att klassificera de inkommande frågorna och avgöra om de rör prissättning eller allmän information om Ford-bilar.

3. Villkorssats: Vi kommer att lägga till en villkorssats för att dirigera frågorna till lämplig bearbetningsnod, antingen den stora språkmodellen från Open AI eller CSV-frågeladdaren.

4. CSV-frågeladdare: Vi kommer att skapa en CSV-frågeladdarnod för att bearbeta de numeriska data från Ford:s finansiella rapport, vilket gör att AI-agenten kan ge exakt prisinformation.

5. Kunskapsbas: Vi kommer att integrera en kunskapsbas som innehåller Ford:s årsrapport, vilket gör att AI-agenten kan besvara allmänna frågor om företaget.

6. Sammanfoga utdata: Slutligen kommer vi att använda en sammanslagningsnod för att kombinera utdata från de olika bearbetningsnoderna och skicka det slutliga svaret till utmatningsnoden.

Genom att följa denna process kommer vi att skapa en mångsidig AI-agent som kan hantera både numeriska dataförfrågningar och allmänna frågor om Ford, och erbjuda en smidig användarupplevelse för kunder som interagerar med chattboten.

För att skapa en AI-agent som kan klassificera frågor och bearbeta numeriska data, kommer vi att följa dessa steg:

1. Inmatningsnod: Börja med en inmatningsnod för att ta emot användarnas frågor.

2. Villkorsnod: Lägg till en villkorsnod för att klassificera frågorna i två kategorier: relaterade till prissättning eller allmän information om Ford.

3. Open AI GPT-4-nod: Använd en Open AI GPT-4-nod för att klassificera frågorna. Ställ in ett systemmeddelande för modellen att identifiera om frågan handlar om prissättning eller allmän information.

4. CSV-frågeladdarnod: För prissättningsrelaterade frågor, lägg till en CSV-frågeladdarnod för att bearbeta de numeriska data från en CSV-fil som innehåller Ford:s prissättningsinformation.

5. Kunskapsbasnod: För frågor om allmän information, lägg till en kunskapsbasnod som innehåller Ford:s årsrapport. Detta kommer att låta agenten ge kontextuell information om företaget.

6. Stor språkmodellnod: Lägg till en annan stor språkmodellnod för att förbättra utdatagenereringen från CSV-frågeladdaren.

7. Sammanslagningsnod: Använd en sammanslagningsnod för att kombinera svaren från de olika grenarna och skicka det slutliga utdata till utmatningsnoden.

8. Distribuera som chattbot: När pipelinen är klar kan du distribuera den som en chattbot som kan integreras på din webbplats eller andra plattformar, så att kunder enkelt kan komma åt prisinformation och allmän information om Ford.

För att sammanfoga de olika grenarna och bearbeta förfrågningar kommer vi att vidta följande steg:

1. Sammanfoga grenar: Vi har tre huvudgrenar i vår pipeline - villkorsnoden, CSV-frågeladdaren och kunskapsbasförfrågan. Vi kommer att använda en "Sammanslagningsnod" för att kombinera utdata från dessa grenar och skicka det slutliga svaret till utmatningsnoden.

2. Stora språkmodellnoder: Vi har lagt till flera stora språkmodellnoder för att hantera olika typer av förfrågningar. Den första klassificerar förfrågan som antingen om prissättning eller allmän information. Den andra bearbetar CSV-förfrågan, och den tredje hanterar kunskapsbasförfrågningar.

3. CSV-frågeladdare: Denna nod ansvarar för att bearbeta numeriska data från CSV-filen. Den använder naturligt språk-SQL för att extrahera relevant information baserat på användarens förfrågan.

4. Kunskapsbas: Vi har lagt till en kunskapsbas som innehåller Ford:s årsrapport. Detta gör att agenten kan besvara allmänna frågor om företaget och dess finanser.

5. Distribuera som chattbot: Slutligen kan vi distribuera denna pipeline som en chattbot. Vector Shift gör detta enkelt - vi kan konfigurera chattbotens utseende, integreringsalternativ (t.ex. webbplats, WhatsApp, Slack) och andra inställningar för att göra den redo för användning.

Nyckelaspekterna i denna lösning är förmågan att hantera både numeriska och kontextuella förfrågningar, användningen av flera stora språkmodeller för att specialisera svaren, och den smidiga distributionen som en chattbot. Detta gör att slutanvändaren kan interagera med en kraftfull AI-agent som kan ge detaljerad information om Ford:s prissättning och finanser.

I den här självstudien har vi visat hur man skapar en AI-agent med Vector Shift som kan fråga och bearbeta data, särskilt finansiella data för Ford Motor Company. De viktigaste höjdpunkterna i denna automatisering inkluderar:

1. Klassificering av frågor: AI-agenten använder en OpenAI GPT-4-modell för att klassificera de inkommande frågorna i två kategorier - prissättningsrelaterade frågor och allmänna frågor om Ford.

2. Bearbetning av numeriska data: För prissättningsrelaterade frågor använder agenten en CSV-frågeladdare för att extrahera relevant prisinformation från en förinstallerad CSV-fil som innehåller Ford:s prissättningsdata.

3. Förfrågningar om allmän kunskap: För allmänna frågor om Ford utnyttjar agenten en kunskapsbas som innehåller företagets finansiella rapporter för att ge informativa svar.

4. Sammanfogning av svar: Agenten kombinerar svaren från de olika bearbetningsnoderna med hjälp av en sammanslagningsnod för att ge ett komplett svar till användaren.

5. Distribution som chattbot: Den färdiga automatiseringen kan distribueras som en chattbot, vilket gör att användare kan interagera med AI-agenten via olika kanaler som en webbplats, WhatsApp eller Slack.

Detta exempel visar på Vector Shifts mångsidighet när det gäller att skapa praktiska AI-drivna lösningar som kan hantera både numeriska och kontextuella data. Genom att automatisera processen att fråga och svara på frågor om ett företags finansiella prestanda kan företag förbättra sin kundservice och ge värdefulla insikter till sina kunder.