学习目标
完成本单元后，你将能够：
- 描述 Amazon Bedrock 如何与 Einstein Trust Layer 集成。
- 解释实际应用和用例。
本模块由 Salesforce 与 AWS 合作制作，AWS 拥有并维护本文所述的产品、服务与功能。
将托管模型引入 Einstein
Amazon Bedrock 与 Einstein 的集成，将托管在 Amazon Bedrock 上的模型引入 Salesforce，让你能够把客户关系管理（CRM）数据与领先 AI 公司提供的模型、或自己微调定制的模型结合使用。
想象一家制造公司，想尝试 Amazon Bedrock 上的基础模型。公司可以用特定的产品知识和行业经验微调该模型，再安全地把它集成到 Salesforce 环境中。这样，销售代表就能在 Sales Cloud 中访问训练有素、精细调优的 AI 洞察并生成内容，帮助他们写出更有效的销售方案、更好地理解客户需求，并提升整体生产力。
保障数据安全
Amazon Bedrock 与 Einstein 的集成建立了一条安全通道，数据和 AI 请求在其中流动。大致流程是：当用户在 Salesforce 中发起 AI 任务（生成内容、分析客户数据或创建预测）时，请求先经过 Einstein Trust Layer（1），由它验证请求、应用安全协议并确保符合数据隐私要求；随后请求到达 Amazon Bedrock（2），由模型处理；响应再沿原路返回，经过 Trust Layer。
Einstein Model Builder 是在 Salesforce 中管理 AI 模型的中心，提供低代码环境来注册和管理模型——使用模型前需要先注册，提供凭据和配置信息。注册后，模型即可用于 Prompt Builder，构建、测试和微调可在整个 Salesforce 平台使用的 AI 提示，并按需将响应扎根于 CRM 数据。
深入了解实际应用和用例
假设你是一家 IT 公司的客户服务经理，想将 Amazon Bedrock 与 Einstein 集成，可以按以下步骤进行：
- 在 Amazon Bedrock 中选择或定制一个 AI 模型。
- 使用 Einstein Model Builder 将模型注册到 Salesforce。
- 通过 Prompt Builder 为常见客户场景（如故障排查、产品升级、升级决策）创建特定模板。
- 客服和同事现在可以直接在 Salesforce 控制台访问这些 AI 能力——例如客户发邮件询问技术问题时，AI 能立即推荐相关解决方案。
下面看看不同团队如何使用这一集成。
销售运营
- 优先排序线索：分析销售数据，根据转化可能性、近期互动等因素生成预测性线索评分。
- 销售预测：使用基于历史销售和行业数据微调的定制模型，生成准确的预测，发现潜在市场趋势或季节性模式。
- 自动化报告：自动生成报告，汇总绩效指标，用于定期销售复盘。
客户服务
- 实时支持建议：分析客户查询，推荐相关回复或故障排查步骤。
- 内容与情感分析：自动将客户邮件路由到正确的团队。
- 知识库增强：通过总结近期客户互动、自动生成文章、填补知识空白，来完善和更新知识库。
营销
- 活动内容生成：生成电子邮件、社交媒体帖子和广告文案等活动素材，与每个客户群体产生共鸣。
- 预测性洞察：基于 CRM 和历史数据，预测哪个营销活动效果最好。
- 自动化任务：自动化重复性营销任务，如项目管理、SEO 审计等。
跟随集成步骤与最佳实践
在本单元中，你将了解 Get Cloudy Consulting 的用例、它在客户支持和数据安全方面的关键挑战，以及如何用 Amazon Bedrock 和 Einstein 解决这些问题。先识别具体问题，再定义高层集成步骤，最后由 AWS 提供集成最佳实践。
学习目标
完成本单元后，你将能够：
- 描述 Einstein 与 Amazon Bedrock 的集成如何提升客户支持的效率和一致性。
- 识别 Einstein 与 Amazon Bedrock 集成的先决条件。
- 描述成功集成自定义模型的最佳实践。
Get Cloudy Consulting 的挑战
Get Cloudy Consulting 是一家咨询和云软件公司，提供跨时区、跨语言的企业软件解决方案。它使用 Salesforce 作为主要的客户关系管理（CRM）和支持平台，每天处理数千次客户互动，但在支持与数据安全方面面临一些挑战。
技术咨询通常需要深入的产品知识，迫使支持客服花大量时间检索很快就会过时的文档，导致不同客服、不同地区的响应质量不一致——尤其在高峰期或复杂查询时出现延迟。此外，公司必须在全球运营中维护客户数据隐私，满足不同地区的合规要求，并保护敏感的定价与合同信息。
集成带来的收益
Einstein 与 Amazon Bedrock 的集成通过将 Salesforce 的客户数据管理与 Bedrock 的先进 AI 能力结合，同时依靠 Einstein Trust Layer 保障安全，来解决这些挑战。公司可以从中获益：
- 基于公司 CRM 系统数据生成响应。
- 基于相似历史案例获得 AI 辅助建议。
- 自动分类工单，减少等待时间。
- 客户数据保留在 Salesforce 内，AI 模型零数据保留。
- 借助 Einstein Trust Layer 满足数据隐私法规和毒性检测。
- AI 互动的审计追踪提供透明度和可问责性。
高层集成步骤
在动手集成前，先理清整体流程：识别 Get Cloudy Consulting 的具体问题，为集成提供背景；然后定义成功集成 Einstein 与 Amazon Bedrock 所需的高层步骤；最后，AWS 提供集成最佳实践。
先决条件
在集成 Einstein 与 Amazon Bedrock 之前，Get Cloudy Consulting 必须满足以下先决条件。
AWS 先决条件：
- 活跃的 AWS 账户：拥有访问和管理 Amazon Bedrock 所需权限的活跃 AWS 账户。
- 基础模型访问：在 Amazon Bedrock 中设置好模型。
Salesforce 先决条件：
- Salesforce 访问权限：拥有 Data 360 的访问权限。
- Einstein 附加 SKU：在 Einstein 中启用 Einstein for Sales、Service 或 Platform 附加 SKU，以使用 BYO LLM 功能。
集成步骤
满足先决条件后，即可开始集成：
- 初始设置：在 AWS Identity and Access Management（IAM）控制台中，为 IAM 用户授予 invoke 权限，以访问 Amazon Bedrock 中的模型。
- 模型注册：在 Salesforce 中，于 Einstein Model Builder 注册基础或自定义 Bedrock 模型，提供所需凭据（AWS 访问密钥和秘密密钥）并配置模型参数。
- 提示配置：使用 Salesforce Prompt Builder 创建自定义提示，确保响应一致。
自带模型（BYOM）最佳实践
将自己的模型引入 Einstein 时，需要注意以下几点：
- 模型兼容性：可以使用 AI Models（原 Einstein Studio）引入自己的模型，并在 Prompt Builder 中编写提示模板，再集成到自己的应用或工作流中。
- 性能验证：必须彻底测试和基准测试自定义模型的性能，确保满足用例所需的准确性和响应时间阈值。
- 伦理 AI 原则：建立清晰的准则，确保模型有效、准确，不引入偏见或不适当内容。
- 安全数据实践：模型从你提供的数据中学习，而不是存储数据；实施治理和安全措施保护静态和传输中的敏感信息。
- 透明文档：记录一切——从模型架构到训练数据和性能特征，并维护更新、再训练和监控的清晰流程。
成功集成的最佳实践
要实现自定义模型与 Einstein 的无缝集成，请考虑以下最佳实践：
- 监控和反馈循环：实施稳健的监控策略，跟踪模型在 Salesforce 中的持续表现。
- 协作和知识共享：参与更广泛的 Einstein 和 Amazon Bedrock 开发者社区，学习他人经验并分享自己的心得。
- 持续改进：把 Einstein 集成视为迭代过程，定期评估和优化模型、数据和部署流程，推动持续改进。
遇到问题时的求助途径
如果在集成自定义模型时遇到问题，可以参考以下资源：
- Einstein 文档：Einstein 平台服务开发者指南提供模型部署、API 使用等全面文档。
- Amazon Bedrock 文档：提供导出模型、与其他 AWS 服务集成的指南。
- Salesforce 开发者论坛：Trailblazer 社区是提问、分享经验和协作的优质资源。
- AWS re:Post：AWS 专家社区，可咨询设计、构建、部署和运维 AWS 工作负载的问题。
- Salesforce 与 AWS 支持渠道：高优先级紧急问题可联系 Salesforce 和 AWS 支持团队获取个性化指导。