Imagina el siguiente escenario: contratas a un nuevo colaborador para reforzar tu equipo de atención al cliente. En pocas horas, este personaje consigue leer y adquirir el conocimiento de centenas de miles de diálogos que han sido grabados y transcritos, a través de tu call center, en los últimos años. ¿Imposible? No tanto. Con el uso de los chatbots combinados con el poder de las nuevas arquitecturas de las redes neurales, este escenario está cada vez más cerca de ser una realidad para tu marca.
El uso de chatbots ha venido revolucionando la manera como se realiza la atención al cliente por un buen motivo: hace posible que las empresas resuelvan problemas sin la necesidad de intervención humana. Sin embargo, uno de los principales “defectos” de los nuevos asistentes virtuales es el hecho de que la conversación puede volverse demasiado mecánica, y poco natural, y limitada a un cierto conjunto de mensajes pre-definidos.
En otras palabras, un chatbot hoy, raramente pasaría la prueba de Turing, creada por Alan Turing en 1950, para medir la capacidad de una máquina de demostrar inteligencia semejante o igual a la de un ser humano. Al hablar con los bots, hoy los consumidores saben que están hablando con una máquina.
Esta realidad ha ido cambiando. Diversos avances en el área de la inteligencia artificial prometen convertir, no solamente la conversación e los bots, en algo más fluido, sino también aumentar el vocabulario y la capacidad de respuesta de ellos.
Una de las técnicas que está siendo utilizada para este fin que estamos probando en E.life son las nuevas arquitecturas de redes neurales, que se basan en prever la próxima interacción con un ser humano tomando en consideración las interacciones anteriores.
Esto se da a través de la utilización de dos redes en conjunto, con una función de codificar y otra de decodificar las entradas (mensajes enviados al bot).
Para que una red neural funcione bien, y produzca resultados próximos a un ser humano, necesita ser entrenada. El éxito de esta técnica se da debido al tipo de entrenamiento utilizado para las redes neurales, y se trata de un entrenamiento de punta a punta con un conjunto de datos estructurados en forma de preguntas y respuestas.
La técnica funciona de modo que cuanto mayor sea el conjunto de datos de entrada, mayor la calidad de la salida computada. Vale la pena resaltar que la presencia de “ruido” en los datos no es un gran impedimento para que esta sea una buena forma de alimentar con inteligencia a nuestros chatbots.
Varias pruebas ya están siendo aplicadas utilizando esta tecnología en modelos de conversación, como el tratamiento de problemas de hepdesk y la traducción de mensajes para otros idiomas. Con el uso de la técnica, buscamos crear Bots para plataformas como Facebook messenger que sean más fluidos en la conversación y menos parecidos con apps abarrotados de menús.
En una de las primeras pruebas que realizamos con una base de datos de un cliente de telefonía, se realizó el siguiente diálogo con un bot:
Usuario: Buen día
BOT: Buen día!
Usuario: Necesito ayuda 
BOT: ¡Buen día! ¿Qué fue lo que pasó?
Usuario: Perdi mi chip
BOT: Hola, haz lo siguiente. Manda un mensaje de correo para nosotros al siguiente email: atención@telefonica.com con el nombre del titular, número de identificación, un número telefónico de casa y uno de celular. Tan pronto nos sea posible verificaremos tu caso.
Usuario: Ok, muchas gracias
BOT: Hola! Estamos felices de saber que haz quedado satisfecho con nuestros servicios. Cualquier duda que tengas, estamos para servirte, ¿ok?
En este caso tenemos un área de domínio del conocimiento que es la atención al cliente de una compañía telefónica. En breve, se espera que el estado del arte de conversación hombre-máquina produzca resultados que permitan que un ser humano no consiga distinguir si esta hablando con otro ser humano o con un robot sobre la mayoría de los asuntos de conocimiento humano. Uno de los sueños que tenía Alan Turing.
Cauanne Linhares y Jairson Vitrino
Directores del equipo de tecnología de E.life
