Procesamiento de lenguaje natural (NLP) en una plataforma de voz de cliente. Características

Hemos conseguido explicar las diferencias entre Inteligencia Artificial, Machine Learning y DeepLearning. También, en este artículo, hemos detallado las técnicas de ML más relevantes, como el NLP y sus sub-ramas (NLU y NLG). Tienes los conceptos claros. Dominas el contexto general de este tipo de herramientas y ha llegado el momento de elegir un software que te ayude a optimizar tu operación. 

¿En qué debes fijarte? En el webinar del pasado 3 de junio, Jonathan Espinosa, científico de datos en Predictiva, un experto en IA y sus subramas, nos contaba cuáles eran las cinco cualidades que toda herramienta o solución NLP tiene que cumplir. Estas decisiones son relevantes: se llevan una parte considerable del presupuesto y acertar es vital. 

En este vídeo puedes ver sus recomendaciones: 

Como resumen, te dejamos aquí esas 5 cualidades que toda solución NLP (Procesamiento de Lenguaje Natural) debe cumplir: 

Soporte de idiomas 

La plataforma debe admitir el idioma de los datos de entrada. Y, si somos más estrictos, debería de admitir el lenguaje con las particularidades especiales y dialectos que pueda tener el dominio de aplicación del sistema. Si vas a implementar esta herramienta en Latinoamérica, por ejemplo, el sistema debe soportar extranjerismos como “broder” o “buenaso”. Un ejemplo para visualizar esta necesidad en tu contact center es entender que el el modelo fonético de sistema ASR tiene que soportar el ceceo o seseo.  

Calidad del resultado 

Una buena solución de NLU debería ser capaz de reconocer entidades lingüísticas, extraer las relaciones entre ellas y utilizar software semántico para comprender el contenido, sin importar cómo se exprese. Existen métricas de calidad que permiten determinar la calidad de los modelos construidos. La métrica más conocida es el accuracy, que se usa para determinar el ratio de casos correctos identificados. Existen otras como el recall y el precision.

Velocidad 

El proceso de percibir e interpretar el idioma debe hacerse rápidamente en un sistema NLP. Un ejemplo de esto son las auditorias de calidad. Muchas empresas no pueden permitirse esperar varios días para evaluar las llamadas.

Esta dimensión es muy importante; se debe conocer la capacidad de cómputo de la herramienta a implementar y el volumen de datos que la empresa necesita procesar. Esos requerimientos se van a materializar directamente en unas necesidades de hardware que respondan a la necesidad de velocidad. 

Muchos de sistemas de Machine Learning tienen factores de procesamiento para estimar dicha velocidad. El factor (RT – real time factor) de los ASR‘s es uno de ellos. Un factor 5 indicaría que un audio de 5 segundos es transcrito en 1 segundo. Esas métricas te ayudarán a entender este si cumple la herramienta con esta condición.

Flexibilidad 

Un modelo debe tener la suficiente plasticidad y robustez para responder a distintos escenarios. En la flexibilidad es clave el concepto de generalización de los modelos de ML. En ellos se busca que un modelo sea capaz de responder correctamente ante estímulos vistos en entrenamientos y ante estímulos nuevos no vistos en entrenamiento. 

Facilidad de uso 

La solución NLP debe ser fácil de usar tanto para empleados técnicos como no técnicos. Los usuarios de aplicaciones IA deben de disponer de interfaces que permitan:

1. Deben permitir la preparación de conjuntos de datos de entrenamiento de calidad: las interfaces deben de disponer de herramientas para la adquisición y preparación datos, así como de métricas para evaluar los modelos de Machine Learning.
2. También deben soportar entrenamiento de modelos de ML: los datos ingresados deben ser utilizados para construir un modelo ML que aprenda la tarea deseada.
3. Es recomendable verificar las métricas del ML: los modelos entrenados deben ser evaluados con métricas para determinar la calidad de los mismos.
4. Deben desplegar los modelos fácilmente: se pretende que los modelos entrenados sean utilizados. Y para ello la herramienta debe facilitar a los usuarios el despliegue de dichos modelos en sus entornos.
5. Deben permitir cambios a ajustes o personalización de los modelos: en un entorno empresarial un modelo puede requerir ciertos ajustes para enfrentar nuevos problemas. Un ejemplo de esto podría ser un modelo ML que identifique un ítem como el “saludo” en una llamada, si el modelo es implementado inicialmente en campañas de Argentina y en un futuro dicha campaña es extendida a México, el modelo debería de permitir agregar más muestras de entrenamiento para que el modelo aprenda expresiones de saludos de México y las agregue a su base de conocimiento.

Todos los puntos son muy importantes, pero como decía Noelia, nuestra COO, el último lo consideramos fundamental a la hora de ofrecer a los responsables de operaciones o negocio, con menos cualificación técnica, una herramienta potente. Que puedan operar con ella sin formación técnica. Para estos profesionales es importante sentir que la herramienta, desde el minuto 1, les ayuda a explotar sus datos con una curva de aprendizaje sencilla.

¿Cómo te ayudamos con Upbe y nuestro sistema NLP?

Implementar cuadros de mando que ayuden a la toma de decisiones con rapidez y flexibilidad es parte de la propuesta de valor de Upbe. Cuadros fáciles de consultar y con posibilidad de profundizar sin tener que estar semanas aprendiendo cómo utilizar una herramienta es clave para el éxito en tu operación.

Si estás buscando una herramienta de SA, piensa en lo que la Inteligencia Conversacional puede ayudar a tu negocio. Piensa en la libertad y flexibilidad que te daría dentro de tu compañía tener una plataforma self-service con una instalación sencilla y una prueba de concepto de no más de 2 semanas.