Cuando están bien implementados, los bots omnicanales traen importantes beneficios a las empresas. Por un lado, mejoran la experiencia del cliente al proveer autoservicio 24/7. Por otro, reducen los costos de atención al permitir una atención ilimitada sin necesidad de incrementar el equipo de agentes. Pero no todos los bots son iguales. El tipo de bot más adecuado a cada empresa dependerá de los objetivos a los que esté orientado.
Existen chatbots que no emplean inteligencia artificial, y que son propicios para resolver dudas sencillas, o para recabar datos del usuario. Y están los bots cognitivos, que aplican inteligencia artificial para comprender con alto grado de precisión el lenguaje natural de los usuarios. En esta nota puedes conocer más en detalle los distintos tipos de bots que existen.
Hoy nos centraremos en los bots cognitivos, también llamados “smart bots” («bots inteligentes») o bots con NLU (“Natural Language Understanding”, es decir, con comprensión del lenguaje natural). Estos bots son tecnológicamente complejos ya que además de ser capaces de interpretar contextualmente las expresiones del usuario (mediante inteligencia artificial), aplican “Machine Learning”, o sea, van aprendiendo en cada interacción volviéndose cada vez más precisos en las interacciones.
Pero para lograr esa precisión, los bots deben ser entrenados. No basta desarrollar la tecnología y abandonar al bot por su cuenta. Por eso, vamos a contarles cómo se entrena al bot para que pueda comprender las expresiones de los usuarios, y por qué es importante mantener ese entrenamiento también después de que se pone en marcha el bot.
¿Cómo funciona la capacidad de interpretación de un bot cognitivo?
Al interactuar con el bot, los clientes preguntan, solicitan algo o reclaman mediante frases o expresiones. Cada frase tiene una INTENCIÓN, lo que el usuario quiere hacer o recibir.
Por ejemplo, imaginemos un bot que agenda consultas médicas. El usuario puede expresar su intención diciendo “quiero agendar una consulta” o directamente preguntar “¿hay turnos disponibles para dermatología este mes?”. Lo que hace el NLU es interpretar qué intención hay detrás dentro de una expresión, considerando un determinado contexto.
La frase también puede contener datos que aporten a la resolución de la intención, por ejemplo, si ya en la frase el usuario me dice para qué fechas y para qué especialidad médica quiere agendar su consulta, es importante que tenga la capacidad de detectarlas para no repreguntar algo ya informado por el usuario. Esos datos que aportan a la intención dentro de un contexto de NLU, se denominan ENTIDADES.
¿Cómo desarrollamos un bot que contemple todo lo que involucra este ejemplo?
En primer lugar se debería definir lo que se llama el MODELO COGNITIVO. Esto significa definir qué intenciones será capaz de interpretar el bot y qué datos o entidades tendría que ser capaz de interpretar de una expresión. En este caso, el modelo cognitivo tendría la intención “agenda” y las entidades serían fecha y hora de consulta, especialidad y nombre del médico, por ejemplo.
El paso siguiente es entrenar al bot utilizando expresiones de ejemplo sobre cada intención y entidad. Por ejemplo: “Quiero agendar”, “Me gustaría pedir consulta con X médico”, “Escribo para coordinar una consulta”.
En tercer lugar, hay que diseñar la lógica del bot. Ya que una cosa es interpretar lo que el usuario dice y otra es darle comportamiento, es decir, definir qué hace el bot con eso que interpreta. El diseñador de bots de inConcert, por ejemplo, es una herramienta muy visual, que permite diseñar la lógica del bot como un flujo por el cual se va transitando de acuerdo a lo que se vaya interpretando y los mensajes del usuario. Aquí también se realiza la integración con sistemas de terceros, en caso de ser necesario (por ejemplo, la integración con la agenda de consultas para ver la disponibilidad e ir marcando las reservas).
En este ejemplo vemos estos elementos en acción, aplicados a una reserva de hotel:
El aprendizaje activo del bot
El último paso, es poner a andar el bot y aprender de la interacción de los usuarios y de sus nuevas expresiones. Esto se suele denominar “aprendizaje automático”, pero creemos que es más acertado llamarle “Aprendizaje Activo” ya que no es 100% automático. No es que el bot asume por sí solo cómo interpretar una nueva expresión y eso se toma como válido. Cuando realiza una nueva interpretación, si no está seguro, notifica al humano para que este establezca, finalmente, si la interpretación es correcta.
Es importante que, como parte del mantenimiento del bot, haya un equipo que revise periódicamente esas «expresiones sugeridas«. De esta manera, el bot puede continuar aprendiendo y dando respuestas más precisas.
Como vemos, el proceso que involucra al desarrollo de un bot es sumamente multidisciplinario. Muchos perfiles profesionales aportan en la construcción del bot. Por el contrario a lo que se cree, no se trata solamente de un proceso técnico, sino que involucra marketing, comunicación, lingüística y también el área operativa.
Conoce más sobre el mundo de los bots omnicanales en nuestro webinar especial dedicado a este tema:
¿Te gustaría automatizar la atención en tu empresa empleando bots?
