VectorShift: Crie Aplicações de IA para Pontuação de Leads Sem Código

O Poder da Inteligência Artificial nas Aplicações Modernas

No dinâmico mundo da Inteligência Artificial (IA), a capacidade de desenvolver aplicações inovadoras tornou-se um diferencial para otimizar a produtividade e automatizar processos complexos. A IA está transformando a maneira como empresas e indivíduos operam, simplificando fluxos de trabalho e integrando-se a diversas aplicações para agilizar tarefas. Este artigo explora como construir aplicações de IA robustas sem a necessidade de conhecimento em programação, utilizando uma plataforma intuitiva de arrastar e soltar.

Apresentando VectorShift: Sua Plataforma No-Code para Automação com IA

VectorShift é uma plataforma confiável e integrada que oferece soluções de IA generativa no-code, low-code e prontas para uso. Ela permite a criação de soluções de IA poderosas, como motores de busca, assistentes de IA, chatbots e diversos fluxos de trabalho automatizados. Com VectorShift, é possível automatizar a pesquisa, o suporte ao cliente, o alcance de vendas, a criação de conteúdo e otimizar fluxos de trabalho em geral.

A plataforma permite centralizar e sincronizar dados em tempo real entre diversas aplicações, como Notion, Google Drive, Slack, Salesforce, Discord, entre outras, facilitando a busca em sua base de conhecimento e a automação de tarefas em escala.

Construindo uma Aplicação de IA para Pontuação de Leads com VectorShift

Este tutorial foca na criação de uma aplicação de IA projetada especificamente para equipes de vendas, com o objetivo de automatizar o processo de conversão de leads em clientes através de uma pontuação alimentada por IA. Utilizando agentes de IA implantados através do VectorShift, demonstraremos como otimizar o gerenciamento de leads e priorizar leads de alta qualidade.

Passo 1: Configurando o Pipeline no VectorShift

Após criar uma conta ou fazer login no VectorShift (utilizando e-mail, conta Google ou GitHub), você será direcionado ao painel principal de pipelines. Aqui, é possível gerenciar todos os pipelines criados, desde chatbots até motores de busca. O marketplace oferece templates prontos que podem ser clonados e adaptados às suas necessidades.

Para começar, crie um novo pipeline do zero. No construtor de arrastar e soltar, adicione os seguintes nós:

• Nó de Entrada (Input): Para receber o nome do cliente/empresa.
• Nó de Saída (Output) (x2): Um para o relatório da empresa e outro para a pontuação do lead.
• Nó LLM OpenAI (x2): Um para analisar o perfil da empresa e outro para avaliar o alinhamento com o perfil do cliente ideal.
• Nó de Carregador de Dados (Data Loader) - Exa AI Search: Para realizar buscas no Google sobre a empresa.
• Nó de Texto (Text Input): Para fornecer contexto sobre os produtos e casos de uso da sua empresa (VectorShift, neste exemplo).
• Nó de Leitor de Base de Conhecimento (Knowledge Base Reader): Para consultar informações vetorizadas sobre seus produtos.

Passo 2: Detalhando a Lógica do Pipeline VectorShift

O fluxo de trabalho será configurado da seguinte maneira:

1. O Nó de Entrada receberá o nome da empresa (ex: 'Apple', 'IBM'). Este nome será enviado para:
   • O Nó Exa AI Search para buscar informações públicas sobre a empresa.
   • O primeiro Nó LLM OpenAI, que também receberá os resultados da busca do Exa AI. Este LLM terá um prompt de sistema para analisar o perfil da empresa, seu setor, produtos/serviços principais, base de clientes primária e escala estimada. A saída deste LLM (o relatório da empresa) será conectada a um dos Nós de Saída e também ao segundo Nó LLM OpenAI.
2. O Nó de Texto conterá uma descrição dos produtos e casos de uso da VectorShift. A saída deste nó alimentará o Nó de Leitor de Base de Conhecimento.
3. Para o Nó de Leitor de Base de Conhecimento, criaremos uma nova base de conhecimento. Daremos um nome (ex: 'VectorShift KB'), ativaremos a Análise Avançada de Documentos (beta) e o Hybrid Search para melhor recuperação de informações. Nesta base, adicionaremos URLs relevantes, como o site principal da VectorShift e sua página de documentação (docs.vectorshift.ai), que serão automaticamente vetorizadas. Os resultados desta base de conhecimento serão enviados para o segundo Nó LLM OpenAI.
4. O segundo Nó LLM OpenAI receberá duas entradas de prompt: 'Detalhes da Empresa' (vindo da base de conhecimento) e 'Perfil do Cliente' (vindo do relatório gerado pelo primeiro LLM). O prompt de sistema deste LLM será instruído a:
   • Analisar o perfil do cliente e determinar se ele corresponde ao público-alvo da sua empresa.
   • Considerar como as necessidades e operações do cliente se alinham com os produtos e capacidades oferecidos (detalhes da empresa).
   • Destacar áreas chave onde seus produtos poderiam agregar valor.
   • Avaliar o grau de correspondência entre seus produtos e o perfil da empresa.
   • Atribuir uma pontuação de 1 a 10 com base na força dessa correspondência.
5. A resposta deste segundo LLM será conectada ao segundo Nó de Saída, que será nomeado 'Pontuação'.

É recomendável ativar a opção 'Stream Responses' nas configurações avançadas dos nós LLM para obter respostas mais rápidas, especialmente em bulk jobs.

Passo 3: Exportando e Utilizando a Aplicação de Pontuação de Leads

Após configurar e conectar todos os nós, clique em 'Deploy Changes'. Em seguida, você pode exportar este pipeline como um 'Bulk Job'. Dê um nome ao job (ex: 'CustomerLeadApp').

Na interface do Bulk Job, você poderá:

• Personalizar o estilo da aplicação.
• Configurar o cabeçalho e botões.
• Adicionar linhas manualmente para inserir nomes de empresas ou fazer upload de dados em massa (ex: de um arquivo CSV).

Ao executar o 'Run Bulk Job' com os nomes das empresas inseridos (ex: 'Apple', 'IBM'), a aplicação processará cada uma, gerando um relatório detalhado da empresa e uma pontuação de lead correspondente, indicando o quão adequado aquele lead é para os produtos VectorShift.

Conclusão: Democratizando o Desenvolvimento de IA com VectorShift

A plataforma VectorShift demonstra como é possível criar aplicações de IA sofisticadas, como um sistema de pontuação de leads, sem escrever uma única linha de código. Ao integrar LLMs, bases de conhecimento e ferramentas de busca, as empresas podem automatizar análises complexas e otimizar seus processos de vendas. Essa abordagem no-code capacita mais pessoas a desenvolverem soluções de IA, impulsionando a inovação e a eficiência em diversas áreas.