Jitterbit Sentiment Analysis Agent

Übersicht

Jitterbit stellt den Sentiment Analysis Agent Kunden über den Jitterbit Marketplace zur Verfügung. Dieser Agent nutzt KI, um die Stimmung von Kundenservice-Fällen zu bewerten und Organisationen dabei zu helfen, Trends der Kundenzufriedenheit zu verstehen und Fälle zu identifizieren, die Aufmerksamkeit erfordern. Der Agent verwendet die Retrieval-Augmented Generation (RAG)-Technik, die KI-Reasoning mit Zugriff auf externe Tools und Datenquellen kombiniert.

Sentiment-Analyse ist eine NLP-Technik (Natural Language Processing), die bestimmt, ob ein Text eine positive, negative oder neutrale Haltung ausdrückt. Der Agent wendet diese Technik auf Salesforce-Fälle und deren Kommentare an und liefert Erkenntnisse wie die anfängliche Stimmung beim Öffnen eines Falls, die Endstimmung nach Interaktionen und einen vorgeschlagenen Lösungsstatus.

Der Agent arbeitet mit Azure OpenAI zusammen, um Falltext zu analysieren und die Stimmung zu klassifizieren. Der Agent führt die folgenden Aufgaben aus:

• Stellt eine Verbindung zu Salesforce her, um Fall- und Kommentardaten mit Jitterbit Studio abzurufen.
• Sendet Fallinhalt an Azure OpenAI zur Sentiment-Analyse.
• Speichert die Analyseergebnisse entweder in Jitterbit Cloud Datastore oder Jitterbit App Builder.
• Stellt eine benutzerdefinierte API über Jitterbit API Manager bereit, um Sentimentdaten nach Fallnummer oder Kontoname aus Cloud Datastore abzufragen.

Dieses Dokument erläutert die Einrichtung und den Betrieb dieses KI-Agents. Es behandelt Architektur und Voraussetzungen, Beispiel-API-Abfragen, die zeigen, was der Agent kann, und Schritte zur Installation, Konfiguration und zum Betrieb des KI-Agents.

KI-Agent-Architektur

Dieser KI-Agent analysiert die Stimmung von Salesforce-Kundenservice-Fällen. Ein typischer Workflow folgt diesen Schritten:

1. Der Agent läuft nach Plan oder manuell und fragt Salesforce nach Fällen ab, die seit der letzten Ausführung geändert wurden.
2. Für jeden Fall extrahiert der Agent die Fallnummer, den Betreff, die Beschreibung, Kommentare und zugehörige Falldetails. Der Agent sendet diesen Inhalt dann an Azure OpenAI.
3. Azure OpenAI analysiert den Text und gibt Sentiment-Klassifizierungen zurück. Diese Klassifizierungen enthalten Anfangsstimmung, Endstimmung, vorgeschlagenen Lösungsstatus und eine Erklärung.
4. Der Agent speichert die Analyseergebnisse in Cloud Datastore oder App Builder.

5. Benutzer können auf Sentimentdaten auf folgende Weise zugreifen:

   • Cloud Datastore: Daten direkt über die benutzerdefinierte API nach Fallnummer, Kontoname oder Kundenname abfragen. Dieser KI-Agent enthält vorgefertigte API-Request-Handler speziell für Cloud Datastore-Speicherung. Jeder REST-Client oder jede Anwendung kann diese API-Endpunkte nutzen, einschließlich Web-Anwendungen, mobiler Apps, Microsoft Teams, Slack, SMS-Services oder anderen Plattformen.

   • App Builder: Wenn Sie App Builder für die Speicherung verwenden, können Sie auf die Sentimentdaten auf zwei Wegen zugreifen:

     1. Eine benutzerdefinierte Anwendung erstellen: Erstellen Sie eine interaktive Anwendung in App Builder, um die Sentimentdaten zu visualisieren und mit ihnen zu interagieren. Dieser Ansatz bietet eine benutzerfreundliche Oberfläche für technisch nicht versierte Benutzer. Informationen zum Erstellen einer benutzerdefinierten Anwendung finden Sie unter So erstellen Sie eine intelligente Anwendung.

     2. Eine benutzerdefinierte API erstellen: Konfigurieren Sie eine benutzerdefinierte API, um in App Builder gespeicherte Sentimentdaten abzufragen und so die Integration mit bestehenden Anwendungen oder Systemen (wie Web-Anwendungen, mobilen Apps, Microsoft Teams, Slack oder SMS-Services) zu ermöglichen. Dies erfordert die Erstellung zusätzlicher Workflows und API-Konfigurationen, die über den Umfang dieser Anleitung hinausgehen.

Workflow-Diagramme

Die folgenden Diagramme zeigen die zwei Hauptworkflows in dieser Integration.

Sentiment-Analyse

Der Agent läuft nach Plan oder manuell, um Salesforce-Fälle zu analysieren:

API-Abfrage

Benutzer fragen Sentimentdaten aus Cloud Datastore über die benutzerdefinierte API ab:

Voraussetzungen

Sie benötigen die folgenden Komponenten, um diesen KI-Agent zu verwenden.

Harmony-Komponenten

Sie müssen über eine Jitterbit Harmony-Lizenz mit Zugriff auf die folgenden Komponenten verfügen:

• Jitterbit Studio
• Jitterbit API Manager
• Jitterbit Cloud Datastore oder App Builder
• Jitterbit Sentiment Analysis Agent als Lizenz-Add-on erworben

Unterstützte Endpoints

Der KI-Agent integriert die folgenden Endpoints. Sie können andere Systeme unterstützen, indem Sie die Endpoint-Konfigurationen und Workflows des Projekts ändern.

Large Language Model (LLM)

Der KI-Agent nutzt Azure OpenAI als LLM-Provider für die Sentiment-Analyse. Um Azure OpenAI zu nutzen, benötigen Sie ein Microsoft Azure-Abonnement mit Berechtigungen, um eine Azure OpenAI-Ressource mit einem bereitgestellten gpt-4o-Modell zu erstellen.

Datenquelle

Der KI-Agent nutzt Salesforce als Quelle für Kundenfall-Daten.

Beispiel-API-Abfragen

Die folgende Tabelle zeigt Beispiel-API-Anfragen, mit denen Sie Sentiment-Analyseergebnisse aus Cloud Datastore abfragen können. Diese API-Abfragen gelten nur, wenn Sie Cloud Datastore für die Speicherung verwenden.

Installation, Konfiguration und Betrieb

Führen Sie diese Schritte aus, um diesen KI-Agent zu installieren, zu konfigurieren und zu betreiben:

1. Projekt installieren.
2. Microsoft Azure-Ressourcen erstellen.
3. Jitterbit Cloud Datastore vorbereiten.
4. Projektvariablen konfigurieren.
5. Verbindungen testen.
6. Projekt bereitstellen.
7. Benutzerdefinierte Jitterbit-API erstellen.
8. Projekt-Workflows überprüfen.
9. Projekt-Workflows auslösen.
10. Fehlerbehebung.

Projekt installieren

Führen Sie diese Schritte aus, um das Studio-Projekt zu installieren:

1. Melden Sie sich beim Harmony-Portal unter https://login.jitterbit.com an und öffnen Sie Marketplace.

2. Suchen Sie den KI-Agent mit dem Namen Jitterbit Sentiment Analysis Agent. Sie können die Suchleiste verwenden oder im Bereich Filter unter Typ die Option KI-Agent auswählen, um die Anzeige zu filtern.

3. Klicken Sie auf den Link Dokumentation des KI-Agenten, um seine Dokumentation in einem separaten Tab zu öffnen. Halten Sie den Tab offen, um später darauf zu verweisen.

4. Klicken Sie auf Start Project, um ein Konfigurationsdialogfeld zu öffnen, in dem Sie den KI-Agent als Studio-Projekt importieren können.

   Hinweis

   Falls Sie den KI-Agent noch nicht erworben haben, wird stattdessen Get agent angezeigt. Klicken Sie darauf, um ein Informationsdialogfeld zu öffnen. Klicken Sie dann auf Submit, damit sich ein Vertreter mit Ihnen über den Kauf des KI-Agenten in Verbindung setzt.

   Tipp

   Das Konfigurationsdialogfeld enthält eine Warnung, die Vorlage nicht zu importieren, bevor Endpunkt-Anpassungen angewendet werden. Diese Warnung gilt nicht für diesen KI-Agent. Sie können sie ignorieren und die in dieser Dokumentation empfohlene Schrittfolge einhalten.

5. Klicken Sie auf Next.

6. Wählen Sie in Konfigurationsschritt 2 Create a New Project eine Umgebung aus, in der Sie das Studio-Projekt erstellen möchten, und klicken Sie auf Create Project.

7. Ein Fortschrittsdialogfeld wird angezeigt. Nachdem angezeigt wird, dass das Projekt erstellt wurde, verwenden Sie den Dialoglink Go to Studio oder öffnen Sie das Projekt direkt von der Seite Projekte von Studio aus.

Microsoft Azure-Ressourcen erstellen

Erstellen Sie die folgenden Microsoft Azure-Ressourcen und halten Sie die Informationen zur Konfiguration des KI-Agenten bereit. Um diese Ressourcen zu erstellen und zu verwalten, müssen Sie über ein Microsoft Azure-Abonnement mit den entsprechenden Berechtigungen verfügen.

Azure OpenAI-Ressource

Sie müssen eine Azure OpenAI-Ressource erstellen und ein gpt-4o-Modell über das Azure AI Foundry-Portal bereitstellen.

Sie benötigen den Bereitstellungsnamen, die Azure OpenAI-Endpunkt-URL und den API-Schlüssel, um die Azure OpenAI-Projektvariablen zu konfigurieren. Führen Sie diese Schritte aus, um diese Werte zu ermitteln:

1. Öffnen Sie im Azure AI Foundry-Portal die spezifische OpenAI-Ressource.

2. Suchen Sie auf der Zielseite der Ressource die Werte für die Endpunkt-URL (azure_openai_base_url) und den API-Schlüssel (azure_openai_api_key).

3. Wählen Sie im Navigationsmenü unter Shared resources die Option Deployments. Der Bereitstellungsname (azure_deployment_id) wird in der Liste angezeigt.

Jitterbit Cloud Datastore vorbereiten

Überspringen Sie diesen Abschnitt, wenn Sie App Builder für die Speicherung verwenden.

Falls Sie Cloud Datastore verwenden, erstellen Sie einen Schlüsselspeicher mit dem Namen Sentiment_Analysis. Die Felder Key, AlternativeKey und Value sind standardmäßig vorhanden. Fügen Sie die benutzerdefinierten Felder mit den Namen und Typen in der folgenden Tabelle hinzu.

Sie können die Werte von Feldern, die automatisch ausgefüllt werden oder die der Agent nicht verwendet, leer lassen.

Sentimentanalyse-Speicher (Sentiment_Analysis)

Dieser Schlüsselspeicher speichert KI-generierte Sentimentanalyseergebnisse für jeden Salesforce-Fall. Die Stimmungswerte geben an, ob die Fallkommunikationen positiv, negativ oder neutral sind. Der Agent füllt diese Daten automatisch beim Ausführen auf. Fügen Sie die folgenden benutzerdefinierten Felder hinzu:

Projektvariablen konfigurieren

Im Studio-Projekt müssen Sie Werte für die folgenden Projektvariablen festlegen.

Um Projektvariablen zu konfigurieren, verwenden Sie das -Aktionsmenü des Projekts, um Projektvariablen auszuwählen. Diese Aktion öffnet eine Schublade am unteren Rand der Seite, in der Sie die Werte überprüfen und festlegen können.

Cloud Datastore

Konfigurieren Sie diese Variable nur, wenn Sie Cloud Datastore für die Speicherung verwenden.

Allgemein

Azure OpenAI

Salesforce

App Builder

Diese Variablen nur konfigurieren, wenn Sie App Builder für den Speicher verwenden.

Detaillierte Anweisungen zum Konfigurieren von API-Schlüsseln und REST-API-Endpunkten finden Sie unter App Builder-App als REST-API-Endpunkt veröffentlichen.

API-Schlüssel abrufen

So rufen Sie einen API-Schlüssel für die Variable app_builder_api_key ab:

1. Erstellen Sie einen API Key-Sicherheitsanbieter in IDE > Security Providers.
2. Weisen Sie den API-Schlüssel einem Benutzer in IDE > User Management zu.

Endpunkt-URL suchen

So finden Sie den richtigen Wert für die Variable app_builder_endpoint_url:

1. Navigieren Sie zu IDE > REST APIs.
2. Suchen Sie Ihre Anwendung im Panel Application. Der Endpunktname wird in der Spalte Endpoint angezeigt.
3. Suchen Sie im Panel Business Objects die Tabelle, die als REST-Ressource veröffentlicht ist. Der Ressourcenname wird in der Spalte Name angezeigt.
4. Konstruieren Sie die Endpunkt-URL mit diesem Format: rest/v1/{ApplicationEndpoint}/{ResourceName}.

Verbindungen testen

Testen Sie die Endpunktkonfigurationen, um die Konnektivität mithilfe der definierten Projektvaraablenwerte zu überprüfen.

Um Verbindungen zu testen, gehen Sie zur Registerkarte Projektendpunkte und Konnektoren in der Design-Komponentenpalette, bewegen Sie den Mauszeiger über jeden Endpunkt und klicken Sie auf Test.

Projekt bereitstellen

Stellen Sie das Studio-Projekt bereit.

Um das Projekt bereitzustellen, verwenden Sie das -Aktionsmenü des Projekts und wählen Sie Bereitstellen aus.

Benutzerdefinierte Jitterbit-API erstellen

Erstellen Sie eine benutzerdefinierte API mit dem API Manager für die Operationen in den Workflows Main Entry - Datastore API Request Handler und Main Entry - Query Customer API Request Handler.

Diese benutzerdefinierte Jitterbit-API löst zwei Operationen aus, die Cloud Datastore abfragen. Sie müssen zwei Services für diese benutzerdefinierte API erstellen.

Konfigurieren und veröffentlichen Sie die benutzerdefinierte API mit den folgenden Einstellungen für den ersten Service:

Konfigurieren und veröffentlichen Sie die benutzerdefinierte API mit den folgenden Einstellungen für den zweiten Service:

Nachdem Sie jeden Service konfiguriert haben, veröffentlichen Sie die benutzerdefinierte API.

Speichern Sie die API-Service-URL der veröffentlichten API zur Verwendung bei API-Anfragen. Um die Service-URL zu finden, gehen Sie zur API-Details-Schublade auf der Registerkarte Services, bewegen Sie den Mauszeiger über die Spalte Actions des Service und klicken Sie auf API-Service-URL kopieren.

Projekt-Workflows überprüfen

Überprüfen Sie im offenen Studio-Projekt die Workflows und Beschreibungen in der folgenden Tabelle, um zu verstehen, was jeder Workflow tut.

Tool - Get Salesforce Cases

Dieser Workflow automatisiert die Verarbeitung von Fällen und Kommentaren, indem Details aus Salesforce extrahiert (basierend auf LastModifiedDate) und zur Stimmungsanalyse versendet werden. Der Workflow speichert die Ergebnisse an Ihrem gewählten Speicherziel (Cloud Datastore oder App Builder).

Sie müssen diesen Workflow zuerst ausführen, um alle Falldaten zu laden und die Stimmungsanalyse zu generieren. Weitere Informationen zum Ausführen des Workflows finden Sie unter Trigger the project workflows.

Main - AI Agent Tools Logic

Dieser Workflow verarbeitet einzelne Fälle, die vom Workflow Tool - Get Salesforce Cases eingehen. Er versendet den Fallinhalt (einschließlich Betreff, Beschreibung und Kommentare) an Azure OpenAI, das den Text analysiert und Stimmungsklassifizierungen wie Positiv, Negativ oder Neutral zurückgibt. Der Workflow ruft dann den entsprechenden Utility-Workflow auf, um die Analyseergebnisse zu speichern.

In der Konfiguration der Salesforce Query activity ruft die folgende Abfrage Fall- und Kommentarinformationen ab. Falls Ihre Salesforce-Organisation diese Objekte und Felder nicht verwendet oder Fall- und Kommentarinformationen in verschiedenen Objekten oder Feldern gespeichert sind, müssen Sie die Abfrage so anpassen, dass sie mit dem Datenmodell Ihrer Salesforce-Organisation übereinstimmt:

SELECT  Account.Id,
        Account.Name,
        CreatedBy.Email,
        CreatedBy.Name,
        LastModifiedBy.Email,
        LastModifiedBy.Name,
        Owner.Email,
        Owner.Name,
        (SELECT CreatedBy.Email,
                CreatedBy.Name,
                Id,
                CommentBody,
                CreatedDate,
                LastModifiedDate,
                LastModifiedBy.Email,
                LastModifiedBy.Name
         FROM CaseComments),
        Id,
        CaseNumber,
        Comments,
        CreatedDate,
        Description,
        LastModifiedDate,
        Origin,
        Priority,
        Reason,
        Status,
        Subject,
        Type
FROM    Case
WHERE   LastModifiedDate > [Last_Modified_Date_Variable]
        AND AccountId != null

Utility - Store to App Builder

Dieser Workflow speichert Stimmungsanalyseergebnisse für jeden Fall in App Builder. Sie können auf diese Daten auf zwei Wegen zugreifen:

1. Erstellen Sie eine benutzerdefinierte Anwendung: Erstellen Sie eine interaktive Anwendung in App Builder, um die Stimmungsdaten zu visualisieren und damit zu interagieren. Dieser Ansatz bietet eine benutzerfreundliche Oberfläche für nicht-technische Benutzer. Informationen zum Erstellen einer benutzerdefinierten Anwendung finden Sie unter How to build an intelligent application.

2. Erstellen Sie eine benutzerdefinierte API: Konfigurieren Sie eine custom API, um in App Builder gespeicherte Stimmungsdaten abzufragen, was die Integration mit vorhandenen Anwendungen oder Workflows ermöglicht. Dies erfordert das Erstellen zusätzlicher Workflows und API-Konfigurationen über das hinaus, was in dieser Anleitung behandelt wird.

Utility - Store and Query to Cloud Datastore

Dieser Workflow speichert und fragt Stimmungsanalyseergebnisse für jeden Fall in Cloud Datastore ab. Verwenden Sie diesen Workflow, wenn Sie auf die Stimmungsdaten über die API zugreifen möchten, ohne eine benutzerdefinierte Anwendung zu erstellen. Cloud Datastore bietet Backend-Speicher, den Sie durch API-Anfragen abfragen können.

Main Entry - Datastore API Request Handler

Dieser Workflow verwaltet eingehende API-Anfragen von Benutzern, die die Stimmungsanalyse nach Fallnummer oder Kontoname aus Cloud Datastore abfragen möchten. Eine benutzerdefinierte Jitterbit-API löst den Workflow jedes Mal aus, wenn ein Benutzer mit der API interagiert. Konfigurationsinformationen finden Sie unter Create the Jitterbit custom API.

Main Entry - Query Customer API Request Handler

Dieser Workflow verwaltet eingehende API-Anfragen von Benutzern, die eine Stimmungsanalyse nach Kundenname aus Cloud Datastore abfragen möchten. Dieser Workflow bietet eine alternative Abfragemethode für den Zugriff auf Cloud Datastore-Daten. Eine benutzerdefinierte Jitterbit-API löst den Workflow jedes Mal aus, wenn ein Benutzer mit der API interagiert. Konfigurationsinformationen finden Sie unter Create the Jitterbit custom API.

Trigger the project workflows

Führen Sie für das initiale Laden von Daten den Vorgang im ersten Workflow Tool - Get Salesforce Cases aus. Um den Vorgang auszuführen, bewegen Sie den Cursor über den Vorgang und wählen Sie die Option Run aus. Führen Sie den Vorgang in Zukunft erneut aus, wenn Ihre Daten aktualisiert werden.

Die folgenden Workflows werden durch die benutzerdefinierten Jitterbit-APIs ausgelöst und funktionieren nur mit Cloud Datastore:

• Main Entry - Datastore API Request Handler: Dieser Workflow wird durch API-Anfragen (mit Authentifizierung) ausgelöst und führt Abfragen nach Key (Fallnummer) oder AlternativeKey (Kontoname) durch.
• Main Entry - Query Customer API Request Handler: Dieser Workflow wird durch API-Anfragen (mit Authentifizierung) ausgelöst und führt Abfragen nach customerName (Kundenname) durch. Dieser Workflow bietet eine alternative Abfragemethode für Cloud Datastore-Daten.

Alle anderen Workflows werden durch andere Vorgänge ausgelöst und werden nachgelagert zu den oben aufgeführten Workflows ausgeführt. Diese Workflows sind nicht für die unabhängige Ausführung vorgesehen.

Fehlerbehebung

Bei Problemen überprüfen Sie die folgenden Protokolle auf detaillierte Informationen zur Fehlerbehebung:

• API logs
• Operation logs

Wenden Sie sich an den Jitterbit support für weitere Unterstützung.