このシナリオでは、Universal Containers は統合された Data Cloud オブジェクトからプロンプトテンプレートにデータを取り込むことを目指しており、その最適な方法は Data Cloud トリガーフローを使用することです。このタイプのフローは、Salesforce Data Cloud オブジェクト内のデータ変更に基づいてアクションをトリガーするように特別に設計されています。
Data Cloud によってトリガーされるフローは、統合データモデルの変更をリッスンし、関連データを自動的にシステムに取り込み、プロンプトテンプレートで利用できるようにします。これにより、生成AI コンテキストで使用されるデータは、リアルタイムかつ最新の状態であることが保証されます。
詳細なガイダンスについては、Data Cloud によってトリガーされるフローと、Data Cloud と生成 AI ソリューションの統合に関する Salesforce ドキュメントを参照してください。

顧客から報告されたプロンプトテンプレートの有効性の低さに対処するため、Salesforce Agentforce Specialists はプロンプトビルダースコアカード（オプション B）を使用する必要があります。このツールは、関連性、正確性、安全性、グラウンディングなどの主要な基準に照らしてプロンプトテンプレートを評価および監視することを明確に目的としています。スコアカードを活用することで、スペシャリストはテンプレートの弱点を体系的に特定し、データに基づいて改善を行うことができます。ユーザーからのフィードバックに基づく監視と改善（オプション A）は一般的なベストプラクティスですが、プロンプトビルダースコアカードは、プロンプトの有効性を維持するための文書化されたプロセスに準拠した、構造化された評価のための Salesforce 推奨ツールです。適切な評価を行わずにグラウンディングオブジェクトを変更すること（オプション C）は事後対応的であり、根本原因への対処にはなりません。
参考文献:
* Salesforce EinsteinAgentforce Specialist認定ガイド: プロンプト ビルダー スコアカードを使用してプロンプトを評価し、結果に基づいて反復することに重点を置いています。
* Trailhead モジュール:「Einstein for Developers」では、プロンプトのパフォーマンスを評価するための重要なツールとしてスコアカードが強調されています。
* Salesforce ヘルプドキュメント: 事前定義された基準に照らしてプロンプトを評価する際のスコアカードの役割について詳しく説明します。

エージェントにおける大規模言語モデル（LLM）の役割は、ユーザー入力を分析し、実行すべき最適なアクションを特定することです。LLMは自然言語理解を用いてユーザーのリクエストを分解し、実行すべきアクションの正しい順序を決定します。
これにより、LLMは実行されるタスクとアクションがコンテキストに適切であり、適切な順序で実行されることを保証します。このプロセスにより、ユーザーのリクエストを事前定義されたSalesforceアクションまたはフローにマッチングすることで、シームレスでAIを活用したエクスペリエンスがユーザーに提供されます。
その他のオプションは、次の理由で正しくありません。
A は同様のリクエストを見つけることについて言及していますが、この文脈ではそれは LLM の主な役割ではありません。
C は、アクセスと優先度による並べ替えに重点を置いていますが、これは LLM よりもセキュリティ モデルとガバナンスによって処理されます。
参考文献:
Salesforce Einstein のエージェントアクションに関するドキュメント
大規模言語モデルに関する Salesforce AI ドキュメント

XGBoost モデルからの推論をスタンドアロンのデータ モデル オブジェクト (DMO) として Salesforce のデータ クラウドに統合するには、次の手順を実行します。
* Databricks でサービス エンドポイントを作成します。
* トレーニング済みのモデルをリアルタイム推論に使用できるようにするには、サービング エンドポイントが必要です。
Databricks は、エンドポイントを介してモデルをホストおよび公開するためのツールを提供します。
* モデルビルダーを使用してモデルを構成します。
* エンドポイントを作成した後、Agentforce スペシャリストは、Einstein Studio のモデル ビルダー内でエンドポイントを設定する必要があります。モデル ビルダーは、外部エンドポイントを Salesforce Data Cloud と統合し、推論を DMO として処理および保存します。
* オプション B: サービス エンドポイントは Einstein Studio では作成されず、統合前に Databricks などの外部プラットフォームで設定されます。
* オプション C: モデル推論を Salesforce Data Cloud に取り込むために Python SDK コネクタは使用されません。適切なツールはモデルビルダーです。