Deep Learning. ¿Qué es? (3)

Cuando hablamos de las tecnologías para Call Center, remarcamos la importancia que la Inteligencia Artificial está tomando a la hora de mejorar la eficiencia y la calidad de las llamadas. Concretamente, destacamos cómo el Deep Learning obtiene mejores resultados que otros métodos de Machine Learning para la realización eficiente de tareas rutinarias sin fluctuaciones de calidad.

En esta ocasión, vamos a analizar en profundidad qué el deep learning exactamente y cómo puede beneficiar a nuestra actividad en los centros de llamadas.

¿Qué es el Deep Learning?

El Deep Learning es una rama del Machine Learning mediante la cual las máquinas pueden procesar grandes cantidades de datos con la ayuda de redes neuronales inspiradas en el funcionamiento del cerebro humano. 

Las conexiones existentes se van mejorando y ampliando con la nueva información de entrada, de manera que el sistema va aprendiendo sin necesidad de intervención humana. Y así va mejorando constantemente las decisiones y predicciones que realiza. 

Volviendo al ejemplo de los gatos de nuestro artículo anterior para tratar de ver las diferencias con las técnicas anteriores. Ya sabemos que un ordenador no es capaz de reconocer imágenes de un vistazo, sino que debe realizar para ello un análisis de ciertas características concretas de la imagen. 

En el proceso de Deep Learning se analizan capa a capa los datos introducidos (en este caso, la imagen). En la primera capa de la red neuronal artificial, el sistema comprueba, por ejemplo, qué color tiene cada uno de los píxeles. Cada píxel es procesado entonces por una neurona de la red. En la capa siguiente se identificarán los contornos y esquinas y, en la siguiente, se analizarán características más complejas.  

Las informaciones que se recaben pasarán a formar parte de un algoritmo flexible que se mejora a sí mismo basándose en los resultados que se van transmitiendo de una capa a la siguiente. De esta manera, el ordenador puede decidir, tras haber realizado numerosos análisis, si la imagen muestra un perro, un gato o una persona. 

Al principio del proceso tiene lugar un entrenamiento en el que las conclusiones erróneas del ordenador son corregidas por personas para afinar así el algoritmo. El cual, al poco tiempo, será capaz de mejorar su propia capacidad de reconocimiento por sí mismo. 

Alterando los enlaces entre las neuronas y adaptando la ponderación de las variables dentro del algoritmo, ciertas informaciones de entrada (fotos variadas de gatos, por ejemplo) conducirán, cada vez de forma más exacta y con menos fallos, a ciertos resultados (identificación del gato). Cuantas más imágenes se le propongan al sistema, más aprenderá.

Para las personas no siempre está claro qué patrones ha identificado el ordenador en el proceso de Deep Learning para llegar a cierta conclusión. Pero el sistema es capaz de optimizar sus reglas continuamente por sí solo. Esto tiene puntos a favor y puntos más cuestionables: 

Puntos fuertes: 

• Mejores resultados que con otros métodos de Machine Learning. 
• No es necesario desarrollar características ni etiquetar los datos manualmente. 
• Realización eficiente de tareas rutinarias sin fluctuaciones de calidad. 
• Funcionamiento sin complicaciones con datos no estructurados. 
• Cada vez hay más servicios que simplifican el uso de las redes neuronales artificiales. 

Puntos débiles: 

• Requiere una alta potencia de procesamiento. 
• El desarrollo de algoritmos de aprendizaje necesita relativamente mucho tiempo. 
• Se necesitan grandes cantidades de datos de entrada. 
• Se necesitan más datos de entrenamiento que con otros métodos de Machine Learning. 
• Las decisiones tomadas por el sistema no suelen entenderse del todo (es como una caja negra). 

Facebook Artificial Intelligence Researchers creó un sistema para observar cómo dos bots interactuaban en una situación de negociación. Los resultados de las pruebas del sistema mostraron que los «bots» estaban conversando en un lenguaje extraño y aparentemente erróneo. Sin embargo, no se trataba de un error, ya que el sistema había creado su propio idioma. Ante este tipo de interacción por cuenta propia Facebook decidió desactivarlo.

En un momento los especialistas creyeron que se trataba de un error, pero luego llegaron a la conclusión de que, en realidad, la máquina había desarrollado su propio idioma y decidieron apagarla. 

La inteligencia artificial consistía en dos agentes virtuales, llamados Bob y Alice, que comenzaron a conversar en un lenguaje propio que, al parecer, consideraban más efectivo para cumplir sus objetivos. A continuación, se reproduce un fragmento de la charla de las máquinas, que fue difundido por el sitio Fast Company. 

Bob: «I can i i everything else» 
Alice: «balls have zero to me to me to me to me to me to me to me to» 

En español se traduce así: 

Bob: «Yo puedo yo yo todo lo demás» 
Alice: «bolas tienen cero a mí a mí a mí a mí a mí a mí a» 

Extracto de la conversación entre Bob y Alice.

Esto que parece un sinsentido, en realidad exhibe un patrón, según identificaron los desarrolladores a cargo del proyecto. El «yo» y «a mí» fueron utilizados para representar lo que se obtendría en un intercambio potencial (cabe recordar que la máquina estaba siendo entrenada para negociar), algo más puntual y práctico que las frases que se emplean en cualquier idioma convencional. 

«No establecimos una recompensa para que el sistema decidiera seguir usando el inglés», explicó Dhruv Batra, investigador y miembro del grupo de investigadores de Inteligencia artificial de Facebook (FAIR, por sus siglas en inglés). El algoritmo había sido programado para llevar adelante conversaciones efectivas y prácticas, de ahí que tomó la decisión de generar un lenguaje para realizar su tarea de la mejor manera posible, al menos a su entender. 

«Queríamos tener bots que pudieran hablar con la gente», dijo Mike Lewis, otro investigador de FAIR. Y eso no iba a ser posible si se empeñaban en hablar un «idioma robótico». 

Pero más allá de eso, el principal problema para los expertos es que si ese nuevo sistema resulta imposible de comprender, se afectaría el futuro desarrollo de otras tecnologías.  

¿Como utilizamos a diario el Deep Learning?

Asistente de voz  

Uno de los ejemplos más conocidos de aplicación de Deep Learning son los asistentes de voz como Alexa, el asistente de Google o Siri. Gracias a esta tecnología, mejoran su vocabulario y su comprensión lingüística. 

Traducciones y redacciones de textos  

Con la ayuda del Deep Learning, los ordenadores pueden redactar textos que no sólo son correctos gramatical y ortográficamente, sino que, por ejemplo, también pueden imitar el estilo de autores concretos siempre que hayan recibido suficiente input para entrenarse. 

En los primeros intentos en este ámbito, los sistemas de IA crearon artículos de Wikipedia de una gran calidad. 

Seguridad Cibernética  

Los sistemas de inteligencia artificial con Deep Learning, gracias a su aprendizaje autónomo y continuo, funcionan especialmente bien a la hora de identificar irregularidades en la actividad del sistema. De esta manera, pueden avisar de posibles ataques de hackers. 

Además, puesto que los sistemas también integran material de vídeo, pueden protegerse mejor los lugares que están típicamente en el punto de mira de ataques, como los aeropuertos, ya que las máquinas pueden detectar anormalidades en el tráfico habitual del lugar.

¿Cómo puede el Deep Learning mejorar la satisfacción del cliente?

Como podrás ver en detalle en la entrada en la que hablamos sobre las diferencias existentes entre Inteligencia Artificial, Machine Learning y Deep Learning, sabrás que la combinación de estas tres tecnologías te permitirán transformar datos de audio no estructurados en datos estructurados, lo que te permitirá mejorar la eficiencia y productividad de las operaciones en el Call Center.

El enfoque de Upbe es combinar estas tres fuerzas para, entre otras cosas:

• Simplificar las curvas de aprendizaje
• Optimizar la gestión de llamadas
• Ayudar a los auditores a tomar mejores decisiones
• Permitir a los agentes adaptar el discurso en función de las mejores prácticas
• Personalizar las estrategias de atención al cliente y comerciales basadas en el contexto de cada cliente
• Reducir el número de llamadas
• Optimizar los KPI fundamentales
• Etc.

Ejemplo de implementación exitosa de Deep Learning en Call Center

Gracias al progreso que ha logrado la Inteligencia Artificial (IA) mediante el Deep Learning en el análisis de audios en los últimos tiempos, se ha vuelto viable la capacidad de verificar e identificar a los hablantes de manera automática. Anteriormente, podría haber sido difícil extraer inteligencia empresarial de los datos conversacionales debido a la falta de separación de los interlocutores. Pero ahora, existe la posibilidad de estructurar toda esa información sabiendo quién dice qué gracias a la diarización del hablante.

La diarización del hablante tiene el potencial de generar mucho valor para cualquier empresa o centro de llamadas. En el contexto del Call Center, la diarización tiene múltiples casos de uso y es una herramienta valiosa que puede mejorar significativamente la eficiencia y la inteligencia de negocio.

Curso de IA aplicada a negocio

Este texto es parte de nuestro curso de Inteligencia Artificial aplicada a negocio. Son 9 entregas que recibirás en tu correo y que te ayudarán a entender mejor la IA y cómo se aplica en los negocios. Es un curso de iniciación, hecho por personas de negocio para personas de negocio. Aquí tienes toda la información.