Un'azienda ha implementato una soluzione AI/ML per aiutare gli agenti del servizio clienti a rispondere a domande frequenti che cambiano nel tempo. Gli agenti dovrebbero essere in grado di porre domande e ricevere risposte generate automaticamente alle comuni richieste dei clienti. Qual è l'approccio PIÙ conveniente per soddisfare questi requisiti?

L'implementazione della Retrieval-Augmented Generation (RAG) combinata con il prompt engineering è l'approccio più conveniente. RAG consente al modello di recuperare informazioni pertinenti da una base di conoscenza esterna e di utilizzarle per generare risposte, garantendo che le risposte siano aggiornate e accurate anche quando le FAQ cambiano. Il prompt engineering ottimizza le query per ottenere le risposte desiderate dal modello. Regolarmente ottimizzare il modello (fine-tune) sarebbe costoso e richiederebbe tempo ogni volta che le FAQ cambiano. Addestrare il modello utilizzando dati contestuali o pre-addestrare e confrontare il modello con dati contestuali sono processi intensivi in termini di risorse e tempo, non ideali per informazioni che cambiano frequentemente.