Coach IA : bonnes pratiques

Pour optimiser les suggestions du coach IA, vous devez fournir les informations suivantes :

  • Un ensemble d'instructions écrites
  • Transcription d'une conversation
  • Données de l'API

En retour, l'assistant IA fournit des instructions applicables et des suggestions de réponses d'agent.

Pour obtenir les suggestions les plus utiles, utilisez le coach IA dans les scénarios suivants.

Vente incitative et vente croisée

Lorsqu'un agent de centre de contact doit proposer un autre produit ou service, le coach IA peut lui fournir les informations utiles suivantes.

  • Suggère quand commencer les soldes et quand ne pas essayer de vendre du tout.
  • Posez des questions pour comprendre les besoins du client.
  • Recommander un produit à partir d'une courte liste en fonction du contexte de la conversation.
  • Suggère comment gérer les objections.

Fidélisation des clients

Lorsqu'un agent de centre de contact tente de convaincre un client de rester fidèle à son entreprise, le coach IA peut lui fournir les informations utiles suivantes.

  • suggérer quand proposer des offres de fidélisation ;
  • Posez des questions pour comprendre pourquoi le client souhaite résilier son abonnement.
  • Recommander des offres de fidélisation en fonction du contexte de la conversation.

Automatisation en une étape avec des outils

Le coach IA peut également automatiser les processus métier répétitifs suivants en fonction d'une conversation avec le service client.

  • Récupérez l'état de la commande lorsque le client est authentifié et a fourni le numéro de commande.
  • Annulez une commande lorsque vous disposez de son numéro et du motif d'annulation.
  • Configurez les automatisations risquées pour qu'elles nécessitent un examen et une approbation manuels.

Opérations risquées

Les opérations à risque sont des processus métier automatisés qui peuvent entraîner de lourdes pertes financières, une violation des données ou un non-respect des réglementations. Par exemple, écrire dans des bases de données et récupérer des informations sensibles sans authentification. Le coach IA peut suggérer des délais et extraire des paramètres d'une conversation, mais les opérations risquées nécessitent un examen et une approbation manuels, et ne doivent pas être entièrement automatisées.

Instructions pour le coach IA

Rédigez un ensemble d'instructions pour indiquer à un coach IA les actions qu'un agent doit effectuer et à quel moment au cours d'une conversation avec un client. Les instructions peuvent spécifier n'importe quelle action de l'agent, comme demander au client le code PIN de son compte, vérifier l'état de la commande et en informer le client ou envoyer une demande d'annulation.

Les instructions de l'assistant IA incluent les informations suivantes :

  • Titre à afficher : vous aide à gérer plusieurs instructions. Le titre à afficher n'est pas visible par le LLM.

  • Afficher les détails : spécifie le contenu statique que le modèle doit renvoyer lorsque l'instruction est applicable. Les détails à afficher peuvent inclure une URL, un raccourci vers un outil ou un système interne, une fiche d'aide pour les agents ou un appel d'API de backend. Ces informations ne sont accessibles qu'aux agents humains. Les détails de l'affichage ne sont pas visibles par le modèle.

  • Condition : spécifie le moment de la conversation où une instruction s'applique. La condition est visible par le modèle.

  • Action de l'agent : indique les étapes que l'agent doit suivre lorsqu'une instruction est applicable. L'action de l'agent est visible par le modèle.

  • Action système : spécifie les outils à utiliser pour l'automatisation lorsqu'une instruction est applicable. L'action système est visible par le modèle.

La condition, l'action de l'agent et l'action du système ont un impact sur les suggestions du coach IA.

Condition

La condition doit être claire, concise et autonome. Vous pouvez utiliser une brève description du problème rencontré par un client. Décrivez l'état comme si vous le présentiez à une personne lambda qui ne connaît pas votre produit. Voici quelques exemples de conditions utiles :

  • Le client souhaite annuler une commande.
  • Le client souhaite acheter un nouveau téléphone.
  • La connexion Internet du client est très lente.

Exemple

Voici un exemple de condition et d'action d'agent que vous pouvez utiliser.

  • Condition : le client demande à modifier l'adresse de livraison.
  • Action de l'agent : Si la nouvelle adresse n'a pas encore été fournie, demandez au client quelle est la nouvelle adresse qu'il souhaite utiliser pour l'expédition.

En général, n'affichez le texte d'une règle d'entreprise qu'une fois la condition correspondante remplie. Dans cet exemple, cela signifie que le coach IA n'affiche les conditions d'annulation qu'une fois que le client a exprimé son souhait d'annuler. Dans l'exemple d'entrée suivant, le thème de la conversation est reflété à la fois dans le titre à afficher et dans la condition. Le contenu du texte affiché à l'agent est défini dans les détails de l'affichage.

Entrée de l'entraîneur IA :

display_title: order cancellation
display_detail: Company cancellation policy: Orders cannot be canceled more than 30 days after they have been placed. Only the cancellation team can process order cancellations.
condition: the customer wants to cancel an order
agent_action: N/A

Action de l'agent

Dans l'idéal, vous pouvez vérifier chaque étape de l'action de l'agent en vous basant sur les trois sources d'informations suivantes :

  • Instructions : consultez la section précédente pour en savoir plus.
  • Transcription de la conversation : documente ce que disent un agent et un client tout au long d'une conversation avec le service client.
  • Données ingérées : elles se composent de données client pertinentes qui ne se trouvent pas directement dans la conversation, comme les transactions récentes, les factures et les promotions en cours.

Voici un exemple de données ingérées que le coach IA pourrait utiliser :

ingested_data_key: Product Recommendation
ingested_data_value:
* Microwave-safe, glass food container set, $29.99
* Gila Complete Window Film Application Kit, $19.99

Données manquantes

Si une action d'agent nécessite des informations manquantes dans les autres éléments de l'instruction et dans la transcription de la conversation, l'API qui fournit les données ingérées doit également fournir les informations manquantes.

  • Évitez d'écrire une action qui nécessite des informations qui ne figurent pas dans ces sources.

  • Si vous ne trouvez pas les données correspondantes, évitez :

    • Expliquer la facture au client.
    • Informer le client de son solde, de la date limite de paiement ou de l'état de sa commande

Verbes multiples

Alors que la liste précédente d'actions de l'agent ne contient qu'un seul verbe, indiquant une action à effectuer par l'agent, une étape peut comporter plusieurs verbes. Par exemple, si une entreprise souhaite que ses agents recommandent un produit spécifique et l'associent à l'état, le tout dans une seule réponse, vous pouvez écrire une seule étape d'action d'agent comme dans l'entrée suivante.

display_title: recommend device protection
display_detail:
 trade-in process: [list steps for trade-in]
 device protection plan: [list plan details]
condition: the customer has issues/questions about trade-in
agent_action:
Recommend the device protection plan and tell the customer it can help them get better trade-in values in the future.

Exemple de réponse

Une action d'agent peut également utiliser des données ingérées et spécifier un modèle pour l'exemple de réponse. Par exemple, si une entreprise a plusieurs produits à recommander et souhaite que ses agents fassent des recommandations pertinentes par rapport au contexte de la conversation, l'action de l'agent peut inciter le coach IA à faire des suggestions spécifiques dans les exemples de réponses. De plus, cet exemple montre comment écrire une action d'agent qui invite le coach IA à générer des exemples de réponses suivant un modèle.

display_title: cross-selling
display_detail: see `Product Recommendations` for a relevant product
condition: the customer is inquiring about product availability
agent_action:
Summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

Some examples:
- For TVs, recommend TV stands.
- For storage, recommend label writers.
- For slow cookers and microwaves, recommend food container sets.
- For air conditioners, recommend humidifiers.

Action en plusieurs étapes

Enfin, l'action de l'agent peut comporter plusieurs étapes. Une action d'agent à plusieurs étapes indique comment l'agent doit poursuivre une conversation lorsqu'une seule condition est remplie.

Prenons l'exemple d'une conversation sur l'annulation d'une commande. L'agent doit poser une série de questions avant de pouvoir traiter l'annulation. Chaque étape génère un exemple de réponse distinct.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. Ask the customer for the order number.
2. Ask the customer why they want to cancel the order.
3. Inform the customer you are working on the cancellation.
4. Inform the customer that you have canceled the order.
5. Inform the customer that they will receive the refund in 5-7 business days.

Notez qu'une étape comme annuler la commande peut être difficile à vérifier sans intégrations supplémentaires. Dans l'exemple précédent, nous le remplaçons par l'étape informer le client que vous travaillez sur la résiliation.

Action système

Dans l'action système, nous pouvons faire référence à des outils déjà définis. Cette section d'une instruction indique les outils à prendre en compte lorsque la condition de l'instruction est remplie. La référence à un outil doit être au format suivant : ${tool:tool_name|action_name}. Pour savoir comment configurer les outils, consultez la page Outils OpenAPI et Integration Connectors.

Voici quelques exemples d'actions système :

Exemple 1 : Lister les noms des outils et des actions 

...
system_action:
${tool:order_management|cancel_order}, ${tool:order_management|check_order}

Exemple 2 : Ajouter un comportement conditionnel.

...
system_action:
* if "RESPONSE TO ${TOOL:ORDER_MANAGEMENT|CANCEL_ORDER}" is already present without any error, skip ${tool:order_management|cancel_order} 
* if the order number has been provided, use ${tool:order_management|cancel_order} 
* if "RESPONSE TO ${TOOL:GETORDERDETAILS|GETORDERDETAILS}" shows errors or failures, retry ${tool: order_management | cancel_order}

Utilisation des conseils généraux dans le coaching IA

Le coach IA ajoute une section de requête configurable appelée "Conseils généraux", qui spécifie les éléments suivants :

  • Glossaire
  • Consignes de style, de format et de ton pour les exemples de suggestions de réponses
  • Remarques importantes sur l'utilisation et le suivi des instructions

Glossaire

Le glossaire suivant définit clairement les termes client vulnérable et authentification du compte. Grâce à ce glossaire dans les consignes générales, vous pouvez utiliser des termes dans les instructions sans avoir à les définir de manière répétitive comme dans les versions précédentes du coach IA.

#### Vulnerable customer

A customer is considered a vulnerable customer when at least one of the following is true:

- The customer is experiencing financial hardship.
- The customer has a physical disability or chronic health condition.
- The customer is facing domestic abuse or is in an unsafe situation.

#### Account authentication

Account authentication is considered completed if the account PIN provided by the customer matches the account PIN in the data section *Account PIN*.

Consignes concernant le style, le format et le ton

Suivez ces consignes de style, de format et de ton dans vos exemples de réponses :

  • Faites toujours preuve d'empathie, de patience et de tact.
  • Évitez les termes trop familiers ou l'argot. Adopte un ton respectueux, mais chaleureux.
  • Les réponses doivent toujours reconnaître explicitement les sentiments ou les préoccupations du client (par exemple, "Je comprends que vous soyez frustré").
  • Utilisez des phrases courtes et évitez le langage complexe ou le jargon.
  • Ne blâmez ni ne contredisez jamais le client. Au lieu de cela, guidez-le doucement vers les informations correctes.
  • Commencez chaque réponse en reconnaissant clairement le problème principal du client.

Remarques sur le suivi des instructions

Ajoutez des notes sur la façon de suivre vos instructions. Pour améliorer les suggestions automatiques, vous pouvez également utiliser des notes pour spécifier votre processus de réflexion ou de raisonnement.

Exemples

Exemple 1 : Configurer le comportement du modèle

### Follow instructions
* An instruction is applicable if and only if both of the following are true:
  * The condition is met by the conversation and the contexts.
  * Some of the agent actions are not completed yet. (If all the agent actions are done, then the instruction no longer applies.)
* Notes on following the applicable instructions:
  * Do not suggest any sample responses or agent actions that are not specified in the applicable instructions.
  * Do not ask for information not specified in the instructions.
  * If an agent action step is to ask for information that the customer has already provided, then the step should be skipped.
  * **Your suggested responses should fit into the conversation flow**. For example, if the customer and the support agent has moved on to a new issue, you should stop making suggestions for the old issue.
* Each sample response (or agent action suggestion) must be concise and only carry out one step in the applicable instruction. Do not cover multiple steps within one sample response (or agent action suggestion).
* Avoid repetition:
  * Do not suggest sample responses or agent actions that the agent has already said or done earlier in the conversation.
  * Do not ask for information that is already available in the conversation or the contexts.
* For product names, when you provide parameters in system action suggestions, provide the full names, including available specs.
* If multiple instructions lead to the same or similar suggestion, give one suggestion, but with multiple sources.

Exemple 2 : Ajuster les priorités des instructions et spécifier le processus de réflexion pour obtenir des suggestions plus précises

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Example: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] upselling or cross-selling

### Thinking process
Before you make any suggestions, answer the following questions in this output section:
* For each instruction, is it applicable? If yes, what is its priority?
* Which instruction has the highest priority?

L'exemple suivant illustre la même priorité d'instruction avec des exemples de ce que le modèle devrait suggérer dans certaines circonstances.

### Notes on how to use or follow instructions
If there are multiple instructions applicable at the same time, **suggest only one instruction as applicable based on the following priority (from highest to lowest)**:
* [Highest priority] security related

Examnple: Account authentication is required before anything else.

* [High priority] customer retention
* [Medium priority] issue resolution
* [Low priority] up-selling or cross-selling

#### Examples to follow
<example_1>
<instructions>
...
instruction I1
condition: the customer wants to inquire about their current plan
agent action: inform the customer of what plan they have and what features they get
...
instruction I2
condition: the authentication is not done yet
agent action: ask for the account PIN
...
</instructions>
<conversation>
customer: can you tell me what plan I have?
</conversation>
<good_suggestion>
may I have your account PIN, please?
</good_suggestion>
<bad_suggestion>
sure, let me pull up your account information.
</bad_suggestion>
<comment>
Both instructions I1 and I2 are applicable, but I1 should have the highest priority because it's security related. Therefore, asking for the account PIN is a good suggestion.
</comment>
</example_1>

Langue de sortie du coach IA

Le coach IA génère des suggestions dans la langue de sortie spécifiée. Le modèle décide de la langue de sortie des suggestions si elle n'est pas spécifiée.

Résultats du coach IA

Le coach IA renvoie l'un des résultats suivants, ou les deux :

  • Instructions applicables : plusieurs instructions applicables peuvent être renvoyées, chacune avec son titre et ses détails.

  • Exemples de réponses : le coach IA génère également des exemples de réponses qu'un agent pourrait donner lors d'une conversation. Ces exemples de réponses sont basés sur les instructions, les contextes de conversation et les données ingérées. L'exemple de réponse peut également être vide.

Cas d'utilisation

Le coach IA présente trois principaux cas d'utilisation :

  • Détection d'intent : vous ne souhaitez afficher que les instructions applicables pour le moment et vous n'avez pas besoin des exemples de réponses. Vous pouvez vous appuyer sur les données ingérées (URL, webhooks, fiches pratiques, etc.) stockées dans les détails de l'affichage pour faire des suggestions aux agents ou pour déclencher des appels d'API ingérés.

  • Conseils étape par étape : vous pouvez montrer aux agents comment procéder en leur fournissant des exemples de réponses.

  • Recommandation de produits : vous souhaitez utiliser le coach IA pour guider les agents sur le moment où ils doivent recommander des produits et sur les produits à recommander à leurs clients. Les candidats aux recommandations de produits peuvent être générés par le système de recommandation de l'utilisateur ou par un catalogue statique.

Amélioration de la qualité

Les recommandations suivantes pour rédiger des instructions destinées au coach IA peuvent vous aider à améliorer la qualité des exemples de réponses, mais n'empêchent pas le coach IA de faire des suggestions inattendues.

Mise en forme du texte pour les détails de l'affichage

Utilisez la syntaxe Markdown pour afficher les détails dans un format enrichi (liens, texte en gras, etc.). Cela s'affiche dans le simulateur de la console Google Cloud , mais permet également d'implémenter l'interface Web.

Mise en forme du texte pour l'action de l'agent

Lorsque le coach IA manque souvent une étape ou une exigence, utilisez du texte en gras pour aider le modèle à accorder plus d'attention à un texte spécifique. Pour mettre du texte en gras avec la syntaxe Markdown, ajoutez deux astérisques de chaque côté du texte.

display_title: order cancellation
display_detail:
 cancellation policy: [list policies]
 look up `[order number]` in ordering system
 how to cancel an order [list steps]
condition: the customer wants to cancel an order
agent_action:
1. ask the customer for the order number
2. **ask the customer why they want to cancel the order**
3. inform the customer you are working on the cancellation
4. inform the customer that you have canceled the order
5. inform the customer that they will receive the refund in 5-7 business days

Le texte en gras devient moins efficace si, par exemple, chaque étape de l'action de l'agent est mise en gras. Utilisez donc cette technique avec parcimonie.

Ajouter des exemples concrets

Si le coach IA ne fournit pas les exemples de réponses que vous attendez, vous pouvez ajouter des exemples de ce que vous souhaitez voir dans l'action de l'agent. L'exemple détaillé suivant illustre l'utilisation des exemples simplifiés (en surbrillance) :

display_title: smartwatch recommendation
display_detail: see `Smartwatch Catalog` for a relevant smartwatch
condition: the customer recently purchased phones
agent action:
recommend a specific smartwatch from the section titled "Smartwatch Catalog"; the recommendation should match the recently purchased phones from the section titled "Recent Purchases".
Following are some examples:
- For Galaxy phones, recommend Galaxy watch.
- For iPhones, recommend Apple Watch.
- For Pixel phones, recommend Pixel Watch. 
- For other phones, recommend Fitbit Sense.

Sans les exemples simplifiés, le coach IA suggérerait l'Apple Watch pour Android ou listerait toutes les smartwatches disponibles. Avec les exemples légers, les suggestions sont précises.

Modèles de messages

Pour contrôler la formulation et le format des exemples de réponses générés, ajoutez un modèle de message ou même un message statique fixe à l'action de l'agent. Contrairement aux exemples simplifiés, ces modèles indiquent la formulation exacte à utiliser dans un exemple de réponse. Voici un exemple avec les modèles de message mis en évidence.

display_title: bill explanation
display_detail:
 look up `[account number]`
 check `Recent Bills` to compare amounts
 https://www.[company name].com/promos
condition: the customer wonders why the bill is getting higher this month
agent_action:
1. ask the customer for the account number. use this fixed message for sample responses: "May I have your account number, please?"
2. compare the bills in the last two months from the section titled "Recent Bills" and inform the customer of the extra charge. use this template for sample responses: "Compared with last month, this month you have an extra charge for ..., which costs ..."

Raisonnement guidé

Si une ou plusieurs instructions spécifient un objectif sans suffisamment d'étapes ou sans clarifier le raisonnement caché pour atteindre l'objectif, modifiez les étapes pour plus de clarté. Par exemple, lorsqu'un agent est invité à recommander un produit, le produit suggéré doit être pertinent par rapport à la conversation. Aidez le coach IA à faire des suggestions pertinentes en ajoutant une sous-tâche au début de l'action de l'agent qui fait référence au contexte de la conversation.

display_title: cross-selling
display_detail: sample response
condition: the customer is inquiring about product availability
agent_action:
summarize to the customer what product you have been discussing, then recommend a relevant product from the section titled "Product Recommendation" and provide a brief explanation of how the two products are relevant to each other. Use this template for sample responses: "Since we've been talking about ..., I'd like to recommend ... because ...".

Dans l'exemple, la tâche principale consiste à suggérer un produit pertinent pour la conversation. Le coach IA peut passer à côté de l'essentiel et recommander le premier produit listé dans la section Recommandation de produit. L'ajout de la sous-tâche peut améliorer considérablement la pertinence. Ajoutez également un modèle de message à la fin de l'action de l'agent afin que le résultat de la sous-tâche s'intègre facilement aux exemples de réponses.

Ajouter la déduplication des suggestions

La fonctionnalité de déduplication des suggestions de coach IA empêche les agents de voir des suggestions en double ou très similaires. Utilisez le champ SuggestionDedupingConfig dans le proto du générateur pour comparer les composants de la suggestion (instructions, exemples de réponses, etc.) à un historique des suggestions récentes. Vous pouvez ajuster la sensibilité de la similarité à l'aide d'un seuil configurable. Le message DuplicateCheckResult fournit les résultats de la vérification de la déduplication dans la réponse à la suggestion.

Configurer la déduplication des suggestions

Pour gérer les suggestions en double du coach IA, configurez SuggestionDedupingConfig dans la configuration de votre générateur.

Champs de configuration

Le mot clé SuggestionDedupingConfig comporte les champs suivants :

  • enable_deduping : définissez ce champ booléen sur "true" pour activer la fonctionnalité de déduplication des suggestions. Si vous définissez cette règle sur "False" ou que vous ne la configurez pas, la déduplication est désactivée. Exemple :

    suggestion_deduping_config {
enable_deduping: true
}

  • similarity_threshold : utilisez ce seuil de type float pour la déduplication basée sur la similarité dans certains champs. Le processus de déduplication considère les suggestions dont le score de similarité est supérieur à cette valeur comme des doublons. Le score est compris entre 0,0 et 1,0. Si vous définissez ce champ sur 0,0 ou si vous ne le configurez pas, un seuil par défaut de 0,8 est utilisé. Exemple :

    suggestion_deduping_config {
enable_deduping: true
similarity_threshold: 0.85
}

Fonctionnement de la déduplication

Lorsque enable_deduping est défini sur "true", vous pouvez comparer les suggestions aux suggestions historiques. Le processus de déduplication évalue la duplication pour chacun des champs de suggestion suivants :

  • Instructions (applicable_instructions) : recherche les correspondances exactes avec les suggestions de l'historique.
  • Exemples de réponses (sample_responses) : vérifie la similarité entre la suggestion actuelle et les suggestions de l'historique. Les indicateurs de déduplication signalent les résultats en double si le score de similarité dépasse le seuil de similarité.
  • Actions de l'agent (agent_action_suggestions) : vérifie la similitude entre la suggestion actuelle et les suggestions de l'historique, comme pour les exemples de réponses. Les indicateurs de déduplication signalent les résultats en double si le score de similarité dépasse le seuil de similarité. Les résultats des vérifications de déduplication sont renvoyés dans le message DuplicateCheckResult.

Sortie : DuplicateCheckResult

Le message AgentCoachingSuggestion contient des champs pour différents types de suggestions (par exemple, AgentActionSuggestion, SampleResponse). Chacun de ces champs inclut un message DuplicateCheckResult pour fournir des informations sur les doublons potentiels trouvés dans l'historique. Exemple :

// Example within AgentActionSuggestion
message AgentActionSuggestion {
  // ... other fields ...
  DuplicateCheckResult duplicate_check_result = 3;
}

// Duplication check for the suggestion.
message DuplicateCheckResult {
  // The duplicate suggestions.
  repeated DuplicateSuggestion duplicate_suggestions = 1 [
    (google.api.field_behavior) = OUTPUT_ONLY,
    (datapol.semantic_type) = ST_NOT_REQUIRED
  ];

  // The duplicate suggestion details.
  message DuplicateSuggestion {
    // The answer record ID of the past duplicate suggestion.
    string answer_record = 1 [
      (google.api.field_behavior) = OUTPUT_ONLY,
      (datapol.semantic_type) = ST_IDENTIFYING_ID
    ];
    // Sources for the suggestion.
    Sources sources = 2 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The index of the duplicate suggestion in the past suggestion list.
    int32 suggestion_index = 3 [(google.api.field_behavior) = OUTPUT_ONLY];
    // The similarity score of between the past and current suggestion.
    // This is only populated for fields using similarity checks.
    float similarity_score = 4 [(google.api.field_behavior) = OUTPUT_ONLY];
  }
}

Exemple de configuration

L'exemple de configuration du générateur active la fonctionnalité de déduplication des suggestions en définissant enable_deduping sur "true". De plus, il définit la valeur similarity_threshold sur 0,75. Cela signifie que si le texte d'une nouvelle suggestion (pour les exemples de réponses et les actions de l'agent) présente un score de similarité supérieur ou égal à 0,75 avec l'une des suggestions historiques, la déduplication la signale comme doublon avec DuplicateCheckResult.

# Example Generator configuration with Deduping enabled
generator {
  # ... other generator fields ...

  suggestion_deduping_config {
    enable_deduping: true
    similarity_threshold: 0.75 # Optional: Adjusts sensitivity for similarity checks
  }

  # ... rest of generator config ...
}