Studio: Base de conocimientos

Índice:

1. Introducción
2. Cómo acceder a la Base de conocimientos
3. Catálogo
4. Configurar el catálogo
5. Configurar la Base de conocimientos en la pestaña Herramientas
6. Potencia tu Base de conocimientos con preprocesamiento
7. Búsqueda híbrida
8. Buenas prácticas
9. Blip Academy
    

Introducción

La Base de conocimientos es una funcionalidad que centraliza documentos, enlaces y artículos para que el agente virtual acceda rápidamente a información confiable durante las interacciones con los usuarios.

Permite organizar el contenido en catálogos, importar archivos, vincular URL y mantener la información siempre actualizada.

Cómo acceder a la Base de conocimientos

Esta es la pantalla inicial que permite acceder al área de administración de catálogos de la Base de conocimientos. Para acceder, sigue la ruta:

1. En el panel del contrato, localiza la tarjeta Base de conocimientos.
2. Haz clic en Importar base.

Catálogo

Es un agrupador de información dentro de la Base de conocimientos. Centraliza archivos y URL sobre un mismo tema, lo que permite que el agente virtual use estos datos para responder a los usuarios con precisión.

Cómo crear un catálogo

• Al acceder a la Base de conocimientos, haz clic en Crear catálogo.

Esta pantalla solo se mostrará en el primer acceso

• En la ventana que se muestra, escribe el nombre del catálogo. Haz clic en Guardar para finalizar o en Cancelar para salir.

Agregar contenido al catálogo

Después de crear un catálogo, se mostrará la pantalla Configurar catálogo. En ella, podrás agregar archivos y URL que el agente de IA utilizará para responder a los usuarios.

Pasos

1. Haz clic en Agregar contenido.

2. Elige entre:

   • Importar archivo – enviar un documento desde tu computadora.

   • Agregar URL – vincular una página web pública.

Importar archivo

Permite enviar documentos directamente desde tu computadora al catálogo.

Pasos

1. Selecciona la opción Importar archivo. Formatos aceptados: XLSX, CSV, JSON, PDF, TXT, DOCX, PPTX, MD.

2. Arrastra y suelta el documento o haz clic para seleccionarlo.

3. Haz clic en Guardar para finalizar o en Cancelar para regresar.

Puntos importantes

• Los archivos agregados sirven como base para las respuestas del agente.

• Es posible combinar distintos tipos de archivo en un mismo catálogo; sin embargo, cada carga —incluso si contiene documentos duplicados— se agregará al historial del agente.

• Los archivos no se pueden editar: si necesitas modificar el contenido, debes eliminar el archivo anterior o cargar una nueva versión.

• El agente no interpreta contenido en imágenes; por lo tanto, asegúrate de que toda la información relevante esté en el texto.

• Para que el agente pueda enviar medios (imágenes, audios, videos, PDF o enlaces) como respuesta, la Base de conocimientos debe seguir un modelo específico (disponible abajo en Ejemplos de modelos de archivo. Usa el archivo Ejemplo de base de conocimientos del Agente de IA como referencia para estructurar el contenido).

• Todos los enlaces a medios deben ser públicos para garantizar que el agente pueda acceder a ellos y entregarlos correctamente al usuario.

Ejemplos de modelos de archivo

Después de agregar una URL o un archivo por primera vez, se te dirigirá a la pantalla Configurar catálogo, donde podrás administrar todos los archivos y URL vinculados a ese catálogo. En esta pantalla, también es posible incluir nuevos elementos haciendo clic en el botón Agregar contenido.

Nota: El proceso de importación de archivos sigue el mismo procedimiento descrito en el tema Importar archivo.

Agregar URL

Permite vincular una página web pública al catálogo, lo que garantiza que el contenido esté disponible para el agente sin autenticación.

Pasos

1. Haz clic en Agregar contenido;

2. Ingresa la dirección completa (incluido https://);

3. Haz clic en Guardar o Cancelar.

Configurar el catálogo

Pantalla que permite visualizar y configurar todos los elementos (archivos y URL) de un catálogo. Para cada contenido, se muestra información como el nombre y tipo, la fecha y el autor de la última actualización, además del estado de sincronización (Activo, Inactivo o Sincronizando).

Pasos

1. En la pantalla Base de conocimientos, localiza el catálogo deseado.

2. Haz clic en el menú de opciones (ícono de tres puntos) y selecciona Abrir.

Al abrir el catálogo, se mostrará la lista completa de archivos y URL, lo que permitirá consultar los detalles y usar el menú de acciones.

Menú de acciones (ícono de tres puntos) disponible para cada elemento:

• Abrir: Muestra el contenido del elemento seleccionado;
• Descargar: Descarga el archivo en su formato original en tu dispositivo;
• Actualizar: Reemplaza el contenido existente por una nueva versión;
• Restaurar: Revierte el contenido a la versión anterior más reciente guardada en Blip;
• Activar/Desactivar: Define si el contenido estará disponible para que lo use el agente de IA;
• Eliminar: Elimina permanentemente el contenido del catálogo.

Administrar URL vinculadas

Muestra todas las páginas asociadas a una URL pública registrada en el catálogo. Solo las URL accesibles sin autenticación ni bloqueos pueden sincronizarse correctamente.

Pasos

1. En el contenido de tipo URL, haz clic en Abrir.
2. Activa o desactiva la sincronización de cada página.
3. Elimina páginas cuando sea necesario.
4. Usa la búsqueda para localizar páginas específicas.

Configurar la Base de conocimientos en la pestaña Herramientas

La pestaña Herramientas permite que tu agente interactúe con recursos externos y consulte información específica para enriquecer sus respuestas. Actualmente, la Base de conocimientos se conecta al agente como una herramienta, lo que permite que el agente acceda a múltiples contextos de forma organizada.

Cómo agregar una Base de conocimientos

Al hacer clic en Agregar herramienta, se mostrará una lista de opciones. En el submenú Consultar, selecciona la opción Base de conocimientos.

A diferencia de las versiones anteriores, ahora tu agente puede tener una o varias herramientas de este tipo. Esto es útil para separar temas diferentes (por ejemplo, una base para "Dudas técnicas" y otra para "Políticas de RH"), lo que permite una referencia más precisa en las instrucciones del agente.

Configuraciones principales

Para cada herramienta de Base de conocimientos, será necesario definir los siguientes campos:

1. Nombre: Un nombre único que ayude a identificar la herramienta.

2. Descripción: Este campo es fundamental. Aquí explicarás al agente cuándo debe consultar esta base y qué encontrará en ella.

   • Ejemplo: "Usa esta herramienta para responder preguntas sobre precios, planes y métodos de pago."

Seleccionar el contenido (catálogos)

Para que la herramienta tenga información que consultar, necesita Catálogos. Los catálogos centralizan tus archivos y URL.

1. Haz clic en Agregar catálogo.

2. En la ventana que se abrirá, puedes seleccionar catálogos existentes o hacer clic en Crear catálogo para ser redirigido al área de administración de contenido.

Consejo práctico: Puedes seleccionar un catálogo completo o solo contenidos específicos dentro de él, marcando las casillas de selección. Esto te da control total sobre lo que cada herramienta puede "leer".

Optimización y definiciones de consulta

Para garantizar que el agente responda de forma rápida y económica, la plataforma utiliza la tecnología RAG (Retrieval Augmented Generation). Esto significa que, en lugar de leer todos los documentos de una vez, el agente busca únicamente los fragmentos más relevantes para el contexto del usuario.

En la sección Definiciones de la consulta, es posible ajustar:

• Fragmentos devueltos (Chunks): Define cuántos "fragmentos" de información recibe el agente por consulta.

• Recomendación: El valor predeterminado es 3. Agregar más fragmentos puede ayudar al agente a responder mejor, pero consume más tokens y puede superar la ventana de contexto del modelo.

Potencia tu Base de conocimientos con preprocesamiento

El preprocesamiento optimiza los documentos de tu base de conocimientos antes de ponerlos a disposición de los agentes de Studio. Este proceso mejora la calidad de la información, la precisión de las búsquedas y la eficiencia de las respuestas generadas.

Ofrecemos tres tipos de preprocesamiento que pueden habilitarse de acuerdo con tus necesidades.

1. Optimización (limpieza de ruido)

¿Qué es?

La optimización es un proceso automático de limpieza que elimina "ruido" y formatos innecesarios del texto de tus documentos. El objetivo es estandarizar el contenido para garantizar que la IA se enfoque únicamente en la información relevante.

¿Cómo funciona?

Este procesador aplica un conjunto de reglas para perfeccionar el texto. Con base en su configuración predeterminada, ejecuta las siguientes acciones en cada fragmento del documento:

• Corrección de Unicode: Repara caracteres dañados o con una codificación incorrecta.

• Eliminación de HTML: Elimina todas las etiquetas HTML (por ejemplo, <div>, <p>, <span>) que puedan estar presentes en documentos extraídos de la web.

• Normalización de espacios: Elimina espacios múltiples, tabulaciones y saltos de línea excesivos, y los reemplaza por un solo espacio o salto de línea, respectivamente.

Ejemplo práctico:

• Texto original:

<p>La Reunión será el martes.

Consulta el t&oacute;pico principal.</p>

• Texto optimizado:

La Reunión será el martes.

Consulta el tópico principal.

2. Indexación (resúmenes y etiquetas con IA)

¿Qué es?

La indexación utiliza un agente de IA para enriquecer cada fragmento (chunk) de tu documento con un resumen conciso y palabras clave relevantes. Esto crea un "índice semántico" que mejora considerablemente la capacidad del sistema para encontrar la información exacta que busca el usuario.

¿Cómo funciona?

Un agente de IA especializado en síntesis de conocimiento analiza cada fragmento de texto y genera:

• Resumen: Un resumen breve (de 2 a 3 oraciones) que explica el tema específico de ese fragmento.

• Palabras clave: Una lista de 5 a 8 términos esenciales, entidades o términos técnicos encontrados en el texto.

• El proceso se realiza en el mismo idioma del documento original para mantener la coherencia.

Ejemplo práctico:

• Texto del fragmento:
  "El artículo 14 del contrato de servicio estipula que la parte contratada debe notificar a la contratante con 30 días de anticipación sobre cualquier interrupción programada. El incumplimiento de esta cláusula resultará en sanciones económicas, conforme a lo detallado en el Anexo B."

• Resultado de la indexación:

  • Resumen: "Este fragmento detalla la cláusula del artículo 14 sobre la obligación de notificar con 30 días de anticipación las interrupciones del servicio. El incumplimiento de la notificación genera multas económicas."

  • Palabras clave: "contrato de servicio, artículo 14, notificación previa, interrupción programada, cláusula, sanciones económicas, Anexo B"

¿Cuándo usarla?

En documentos que funcionan como una colección de información independiente, donde cada fragmento tiene valor por sí mismo. Es ideal para:

• Bases de preguntas y respuestas (FAQ): Donde cada par de pregunta y respuesta es un "hecho" que debe encontrarse de forma aislada.

• Contenido tabular o dividido: Documentos en los que la información ya está segmentada en bloques, como una hoja de cálculo con descripciones de productos o una lista de políticas internas.

• Artículos o publicaciones de blog: Donde cada párrafo o sección aborda un subtema específico que puede resumirse para facilitar la búsqueda.

Beneficio principal

Crea un "índice" enriquecido que permite al buscador encontrar fragmentos específicos con alta precisión, incluso si la búsqueda del usuario utiliza sinónimos o términos relacionados.

Costo

Consume tokens de IA de acuerdo con el tamaño del documento.

3. Contextualización (lectura semántica global con IA)

¿Qué es?

La contextualización es el preprocesamiento más avanzado. Utiliza un agente de IA para realizar una "lectura semántica global" de todo el documento. Para cada fragmento de texto, la IA describe dónde encaja dentro del contexto general del documento y actúa como un "GPS" para el motor de búsqueda.

¿Cómo funciona?

A diferencia de la indexación, que se enfoca en el contenido del fragmento, la contextualización se enfoca en su ubicación y propósito. El agente de IA lee el documento completo para entender su estructura (capítulos, secciones y flujo de ideas) y después genera una oración breve (de 15 a 25 palabras) para cada fragmento, describiendo su función contextual.

Ejemplo práctico:

• Documento: "Manual de seguridad informática de la empresa"

• Texto del fragmento:
  "Todos los empleados deben usar contraseñas de al menos 12 caracteres, incluidos letras mayúsculas, minúsculas, números y símbolos."

• Resultado de la contextualización:

  • Contexto generado: "Sección de 'Política de contraseñas' del manual, que especifica los requisitos de complejidad de las credenciales de acceso de los empleados."

¿Cuándo usarla?

En documentos largos, continuos y estructurados, donde la posición de una información dentro del conjunto es crucial para su significado. Es ideal para:

• Manuales técnicos y guías del usuario: Donde es importante saber si un fragmento está en la sección de "Instalación", "Solución de problemas" o "Configuración avanzada".

• Contratos y documentos legales: Donde el contexto de una cláusula (por ejemplo, "Cláusula de rescisión", "Anexo de sanciones") es fundamental.

• Artículos científicos e informes de investigación: Donde la estructura (Introducción, Metodología, Resultados y Conclusión) da sentido a cada parte del texto.

Beneficio principal

Actúa como un "GPS" para la búsqueda, informando al sistema no solo qué está en el fragmento, sino dónde encaja dentro del flujo de información del documento.

Costo

Consume tokens de IA de acuerdo con el tamaño del documento.
 

Tabla comparativa

Regla de oro

• Si tus documentos son una colección de hechos, donde cada uno puede leerse de forma independiente, elige la Indexación.

• Si tus documentos cuentan una historia o siguen una estructura lógica, donde el contexto es lo más importante, elige la Contextualización.

• La Optimización es como ordenar la casa antes de decorarla: úsala siempre que sea posible.
   

Cómo usar el preprocesamiento en Studio

Ahora, al hacer clic en “Importar archivos” dentro del catálogo, se abrirá un menú lateral:

En este menú lateral, es posible cargar varios archivos y elegir qué preprocesamiento aplicar a cada uno. Solo selecciona la casilla del preprocesamiento deseado y después haz clic en guardar:

Las bases se cargarán y se preprocesarán. El tiempo de procesamiento puede variar según el tamaño de la base y las configuraciones seleccionadas.

Búsqueda híbrida

La búsqueda híbrida es un recurso que optimiza la experiencia del usuario para resolver dudas rápidamente al combinar la comprensión del lenguaje natural con la búsqueda léxica de términos precisos. Esta funcionalidad ajusta los pesos automáticamente. El sistema establece el equilibrio ideal entre el contexto conversacional y la búsqueda de términos exactos en bases activas. La eficiencia de esta búsqueda también depende en gran medida de la cantidad de chunks configurada en la interfaz. El número de chunks devueltos por tu herramienta de Base de conocimientos es tan importante como la calidad de los datos almacenados.

Información importante

• La interfaz tiene un valor predeterminado de 3 chunks devueltos.

• Es necesario contar con una base de conocimientos activa y estructurada.

• Preferentemente, los chunks deben contener entre 300 y 800 caracteres.

• El tamaño recomendado equivale de 1 a 3 párrafos.

• La base debe estar libre de redundancias.

• La base debe estar bien categorizada.

• La base debe actualizarse periódicamente.

Cómo funciona

Los sistemas de búsqueda estándar pueden entender el sentido general de la pregunta del usuario mediante el lenguaje natural. El sistema puede perder precisión cuando el usuario utiliza términos muy específicos. Las principales pérdidas de precisión ocurren con números, códigos y nombres exactos de funciones presentes en las bases activas. Para mitigar estas limitaciones, la búsqueda híbrida combina simultáneamente dos enfoques de búsqueda:

1. Comprensión del contexto de la pregunta: Se enfoca en comprender semánticamente la intención del usuario.

2. Búsqueda de términos exactos: Se enfoca en la búsqueda léxica para recuperar la exactitud de la palabra clave.

Acciones automáticas de la búsqueda híbrida dinámica

La plataforma ofrece la versión de búsqueda híbrida dinámica. La principal diferencia técnica de esta versión es el ajuste automático del peso de relevancia entre el contexto y el término exacto. El equilibrio depende estrictamente del tipo de pregunta enviada:

• Pregunta más conversacional: El sistema prioriza la comprensión del contexto mediante la búsqueda semántica que ya existe en la plataforma.

• Pregunta más técnica o específica: El sistema prioriza los términos exactos mediante la búsqueda léxica recién agregada.

Ventajas:

• La búsqueda mejora la recuperación de respuestas técnicas.

• La búsqueda destaca especialmente el hallazgo de números y nombres exactos.

• La transición evita que empeoren las respuestas a preguntas formuladas en lenguaje natural.

• La actualización aumenta la consistencia y la solidez de toda la experiencia de búsqueda dentro de una base de conocimientos activa.

Cómo optimizar el número de chunks devueltos

El recurso de búsqueda híbrida funciona de forma completamente automática en su balanceo. La única configuración técnica requerida en la plataforma es la cantidad de chunks configurados. De forma predeterminada, la interfaz tiene configurados 3 chunks. Dependiendo del tamaño de la base, este valor puede ser demasiado pequeño e impedir el buen funcionamiento de la inteligencia. El número de chunks configurado representa la cantidad de páginas que el agente puede consultar antes de formular una respuesta.

Si la base es muy grande (aproximadamente 150 chunks) y la configuración es demasiado baja (como 5 chunks), el agente enfrentará las siguientes fallas:

• Recuperación incompleta: La búsqueda semántica encuentra los documentos relevantes, pero solo 3 o 4 llegan realmente al agente.

• Alucinación contextual: Sin suficiente contexto, el agente comienza a inventar respuestas o a asumir datos incorrectos.

• Pérdida de matices: El sistema pierde la información complementaria presente en los chunks no recuperados.

• Inconsistencia: Una misma pregunta puede generar respuestas completamente diferentes según los chunks devueltos en esa solicitud.

Matriz de recomendaciones según el tamaño de la base

El número de chunks debe acompañar el tamaño de la base. Cuanto más grande sea la base, mayor debe ser la cantidad de chunks devueltos. Sigue las siguientes directrices para ajustar la configuración de la interfaz:

• Base adecuada (de 50 a 150 registros): Configura entre 5 y 15 chunks para flujos estándar.

• Base adecuada compleja: Configura entre 8 y 20 chunks para flujos complejos, con máxima cobertura y bajo costo.

• Base mediana (de 150 a 250 registros): Configura entre 15 y 25 chunks para flujos estándar.

• Base mediana compleja: Configura entre 20 y 35 chunks para flujos complejos, garantizando el equilibrio entre la precisión de la respuesta y la latencia.

• Base grande (de 250 a 500 registros): Configura entre 25 y 50 chunks para flujos estándar.

• Base grande compleja: Configura entre 35 y 65 chunks para flujos complejos, ya que los documentos menos relevantes comienzan a aparecer en la búsqueda.

• Base muy grande (más de 500 registros): Configura hasta el límite técnico máximo de 500 chunks.

• División de la base: Para escenarios que superen esta capacidad, se recomienda dividir el conocimiento en subbases categorizadas por Soporte, Finanzas y Productos.

• Varios agentes: Como alternativa, utiliza Model Router con varios agentes trabajando simultáneamente.

Pruebas de validación de la configuración

Después de aplicar los cálculos, implementa estas seis evaluaciones de seguridad:

1. Prueba de cobertura: Reúne 10 preguntas representativas de tu flujo.

2. Evaluación de cobertura: Ejecuta cada pregunta y confirma que los chunks devueltos cubran más del 80% de la respuesta ideal.

3. Prueba de alucinación: Ejecuta exactamente la misma pregunta 5 veces consecutivas.

4. Evaluación de inconsistencia: Si la respuesta presenta variaciones significativas, existe una inconsistencia alta que indica que los chunks son insuficientes.

5. Corrección de inconsistencia: Aumenta la configuración entre 5 y 10 chunks y repite la evaluación.

6. Prueba de relevancia de puntuación: Accede a la pestaña Búsqueda.

7. Evaluación de relevancia: Analiza la puntuación identificada como relevance_score del último chunk devuelto.

8. Puntuación menor que 0.50: Aumenta obligatoriamente la cantidad de chunks.

9. Puntuación entre 0.50 y 0.65: Considera aumentar la cantidad de chunks.

10. Puntuación mayor que 0.65: La configuración es adecuada y debe mantenerse.
     

Atención a las limitaciones técnicas de costo y latencia

• Usar una configuración alta de chunks aumenta significativamente el volumen de datos consumidos.

• El uso de 15 chunks consume en promedio 450 tokens de entrada.

• El uso de 15 chunks agrega una latencia de 150 a 200 ms.

• El volumen máximo de 500 chunks consume aproximadamente 15,000 tokens de entrada.

• El volumen máximo de 500 chunks genera una latencia alta que varía entre 2,000 y 2,500 ms.

• Evalúa el tiempo máximo de respuesta permitido en el SLA de latencia de tu flujo.

• Si el tiempo máximo tolerado es de 500 ms, limita la configuración a un máximo de 50 chunks.

• Si el tiempo máximo tolerado es de 1 segundo, limita la configuración a un máximo de 100 chunks.

Buenas prácticas

• Mantén el contenido siempre actualizado.
• Usa nombres claros y estandarizados para facilitar las búsquedas.
• Revisa las URL periódicamente para evitar enlaces rotos.

Blip Academy

¿Quieres aprender cómo funciona y cómo trabajar con Blip Studio? Accede a Blip Academy y aprende gratis. 

Para obtener más información, consulta la discusión sobre el tema en nuestra comunidad o los videos de nuestro canal. 😃