در دنیای رو به پیشرفت هوش مصنوعی، تعریف «جستجو» دچار تحولی عمیق شده است. دیگر جستجوها محدود به تطابق ساده کلمات کلیدی نیستند؛ بلکه جستجوی سازمانی حرکت به سمت درک و منطقی کردن داده‌ها در یک رابط کاربری محاوره‌ای را آغاز کرده‌اند و در نهایت، به شناسایی عوامل هوش مصنوعی خودمختار برای تغییر شکل نحوه انجام کارها در سازمان‌ها منجر می‌شوند. این تحول، که به واسطه نوآوری‌هایی چون جستجوی وکتوری، گراف‌های دانش و استدلال عاملی پیش می‌رود، نحوه دسترسی، درک و اقدام شرکت‌ها بر اساس حجم وسیع اطلاعات موجود را مجدداً شکل می‌دهد.
امروزه سازمان‌ها با چالش مدیریت چشم‌انداز وسیع و پراکنده داده‌ها مواجه هستند. داده‌هایی که توسط هر سازمان جمع‌آوری می‌شوند، معمولاً به سه نوع تقسیم می‌شوند: داده‌های ساختارمند، نیمه‌ساختارمند و بدون ساختار. حجم عظیمی از محتوای بدون ساختار تولیدشده توسط سازمان‌ها شامل تراکنش‌های تلفنی، اسناد رسمی، پیام‌های Slack و ایمیل‌هاست که ارزش بالایی دارند اما اغلب مورد استفاده قرار نمی‌گیرند. استفاده از این محتوا به دلیل فرمت‌های ناهمگون، کیفیت پایین داده‌ها و الزامات فزاینده در زمینه حریم خصوصی و امنیت، چالش‌برانگیز است. این چالش‌ها با ورود عوامل هوش مصنوعی قابل تعامل، که باید اطلاعات دقیق را شناسایی کرده و به طور خودکار و ایمن بر اساس داده‌ها عمل کنند، بیشتر نیز خواهد شد.
برای ایجاد اثربخشی واقعی، این عوامل به دسترسی به اطلاعات جامع، دقیق و غنی از نظر زمینه به‌ویژه در مورد مشتریان نیاز دارند. در بسیاری از موارد، آن‌ها قادر به شناسایی بینش‌های لازم برای حل مشکلات مشتریان یا اقدام پیشگیرانه نیستند. به عنوان مثال، ممکن است داده‌های مربوط به تاریخچه وفاداری مشتری یا وضعیت خانوادگی او در سیستم‌های مختلف پنهان شده باشد که مانع از انجام ساده‌ترین اقدامات خودکار مانند ارسال یک اعلان شخصی برای یک پیشنهاد سفر خانوادگی می‌شود. وقتی داده‌ها در سیلوهای جداگانه، پراکنده یا شلوغ قرار می‌گیرند، عوامل هوش مصنوعی مجبور به پیش‌بینی می‌شوند که منجر به خروجی‌های غیرقابل اعتماد می‌شود و سازمان‌ها را در چرخه «داده‌های نامناسب = هوش مصنوعی نامناسب» گرفتار می‌کند.
موتورهای جستجوی سنتی به شدت به کلمات کلیدی وابسته‌اند. اگر یک سند، عبارات دقیق مورد نظر شما را نداشته باشد، ممکن است اطلاعات حیاتی را از دست بدهید. اولین جهش قابل توجه در جستجوی فعال‌شده توسط هوش مصنوعی با معرفی جستجوی وکتوری به وجود آمد. جستجوها معمولاً به صورت گفتاری یا به زبان طبیعی بیان می‌شوند و سیستم‌ها باید مفهوم پشت کلمات را درک کنند. جستجوی وکتوری داده‌ها و پرسش‌ها را به نمایش‌های عددی تبدیل می‌کند و این امکان را می‌دهد که سیستم بر اساس شباهت معنایی، نه صرفاً وجود کلمات، مطابقت دهد. این بدان معناست که یک پرسش مانند «احساس مشتری نسبت به محصول XYZ» می‌تواند اسنادی مرتبط را پیدا کند، حتی اگر واژه «احساس» به طور صریح استفاده نشده باشد ولی در مورد نظرات، بررسی‌ها یا احساسات مشتریان صحبت کرده باشد.
با این حال، پیچیدگی داده‌های سازمانی نیاز به اقدامات بیشتری دارد. در حالی که جستجوی وکتوری یک گام قوی ابتدایی است، تنوع زیاد فرمت‌های محتوا و نیاز به درک عمیق‌تر زمینه، موجب ظهور ایندکس‌گذاری غنی‌شده شده است. در این فرآیند، هوش مصنوعی ابتدا داده‌ها را درک کرده و یک همانی گراف‌مانند ایجاد می‌کند. این اطلاعات غنی با فراهم کردن زمینه ضروری، کیفیت پاسخ‌های جستجو را افزایش می‌دهد و نتایج دقیق‌تری را ارائه می‌دهد.
شرکت‌ها علاوه بر اسناد بدون ساختار، حجم عظیمی از اطلاعات حیاتی را در پایگاه‌های داده ساختاریافته نیز دارند. به منظور یکپارچه‌سازی کامل تجربه جستجو، فناوری تبدیل زبان طبیعی به SQL (NL2SQL) وارد عمل می‌شود. این نوآوری به کاربران این امکان را می‌دهد تا سوالاتی درباره داده‌های ساختاریافته به زبان ساده بپرسند، و سیستم هوش مصنوعی به صورت خودکار آن را به کد SQL برای بازیابی داده‌ها ترجمه می‌کند.
در Salesforce، ما به شدت بر بهینه‌سازی جستجو و نسل تقویت‌شده با بازیابی (RAG) در Data Cloud تمرکز کرده‌ایم تا عملکرد و دقت برنامه‌های هوش مصنوعی تولیدی را بهبود ببخشیم، به‌ویژه برای تقویت عاملان هوش مصنوعی مانند Agentforce. رویکرد هیبریدی Salesforce که شامل ترکیب جستجوی وکتوری و جستجوی کلمات کلیدی است، به محدودیت‌های هر یک از این مدل‌ها پرداخته و منجر به نتایج دقیق‌تر و سازگارتری می‌شود.
تردیدی نیست که آینده جستجوی سازمانی، هوشمند، مرتبط و به طور فزاینده‌ای خودمختار خواهد بود. با پذیرش نوآوری‌هایی چون جستجوی وکتوری و گراف‌های دانش، کسب‌وکارها قادر خواهند بود تا سطوح بی‌سابقه‌ای از بینش و کارایی عملیاتی را کشف کرده و نحوه تصمیم‌گیری بر اساس اطلاعات را متحول سازند.