Los avances en el procesamiento del lenguaje natural están mejorando las capacidades de los chatbots en toda la empresa. Esto puede traducirse en mayores capacidades de idioma, mayor precisión, soporte para múltiples idiomas y la capacidad de comprender la intención y el sentimiento del cliente.
«Mejores algoritmos de PNL son clave para acelerar el tiempo de rentabilidad de los chatbots empresariales y una mejor experiencia para los clientes finales», dijo Saloni Potdar, líder técnico y gerente de los algoritmos Watson Assistant en IBM. Las capacidades de NLP mejores o mejoradas para chatbots contribuyen en gran medida a superar muchos desafíos que enfrentan las empresas, como la escasez de datos etiquetados, abordar las diferencias en las necesidades de los clientes y la disponibilidad las 24 horas del día, los 7 días de la semana.
Por qué los chatbots necesitan PNL
Los primeros chatbots que se basaban en los flujos del árbol de decisiones para responder preguntas podían ayudar con las transacciones básicas y anticipadas, pero tenían que escalar rápidamente a un agente humano si los clientes realizaban solicitudes con alguna complejidad, dijo Michelle Collins, directora de marketing y desarrollo de productos en Nfinity Avatars. , que crea chatbots impulsados por avatar.
Esto generó frustración para los usuarios que sintieron que perdían el tiempo y tuvieron que repetir su consulta, y aumentó los costos para la empresa que tuvo que pagar a un agente para que manejara la misma solicitud.
La PNL más sofisticada puede permitir que los chatbots utilicen el análisis de intenciones y sentimientos para inferir y recopilar las respuestas de datos adecuadas para ofrecer tasas más altas de precisión en las respuestas que brindan. Esto puede traducirse en mayores niveles de satisfacción del cliente y reducción de costos.
Radhakrishnan Rajagopalan, vicepresidente senior y director global de éxito del cliente, datos e inteligencia de Mindtree, una empresa de consultoría tecnológica y transformación digital, dijo que las mejoras en la PNL también hacen posible interactuar con el cliente en el idioma de su elección. Herramientas como Turing Natural Language Generation de Microsoft y el modelo M2M-100 de Facebook han facilitado mucho la integración de la traducción en chatbots con menos datos. Por ejemplo, el modelo de Facebook ha sido entrenado en 2.200 idiomas y puede traducir directamente cualquier par de 100 idiomas sin utilizar datos en inglés.
La PNL también está haciendo que los chatbots sean cada vez más naturales y conversacionales. «Gracias a la PNL, los chatbots han pasado de ser impersonales, basados en botones y prefabricados, a ser más conversacionales y, por lo tanto, más dinámicos», dijo Rajagopalan.
Vasilis Vagias, arquitecto senior de inteligencia artificial en cnvrg.io, una plataforma de operaciones de aprendizaje automático, dijo que cuatro de los beneficios clave de la mejora de la PNL en los chatbots son:
- Reducción del tiempo de respuesta a problemas críticos que enfrentan los clientes tanto interna como externamente.
- Enormes ahorros de costos en centros de llamadas y departamentos de análisis de marcas / redes sociales.
- Mayores porcentajes de resolución de bots para preguntas e inquietudes, lo que reduce la necesidad de interacciones humanas.
- Entrada manual reducida y dependencia de grandes conjuntos de datos.
Latencia disminuida
La PNL puede reducir drásticamente el tiempo necesario para resolver los problemas de los clientes. Los chatbots pueden integrarse a la perfección con una aplicación de comercio electrónico, financiera o de salud para ofrecer respuestas rápidas a preguntas comunes, o incluso resoluciones simples, dijo Judith Bishop, directora senior de especialistas en inteligencia artificial en Appen, que proporciona herramientas para administrar datos de entrenamiento de inteligencia artificial.
Better NLP permite que el chatbot comprenda lo que el cliente quiere lograr e identifica las palabras clave (el nombre de un producto o el nombre de una ubicación) relacionadas con la solicitud e incluso cómo se siente el cliente con respecto al servicio brindado.
«Mejorar los modelos de PNL es posiblemente la forma más impactante de mejorar el compromiso de los clientes con un servicio de chatbot», dijo Bishop.
Por ejemplo, mejorar la capacidad del chatbot para comprender la intención del usuario, reduce el tiempo y la frustración que un usuario puede tener al pensar en cómo formular una pregunta para que el chatbot la entienda. Para lograr esto, el chatbot debe haber visto muchas formas de expresar la misma consulta en sus datos de entrenamiento. Entonces puede reconocer lo que quiere el cliente, como quiera que elija expresarlo.
Costo reducido
Las mejoras en los componentes de PNL pueden reducir el costo que los equipos necesitan para invertir en capacitación y personalización de chatbots. Por ejemplo, algunos de estos modelos, como VaderSentiment, pueden detectar el sentimiento en varios idiomas y emojis, dijo Vagias. Esto reduce la necesidad de canalizaciones de capacitación complejas por adelantado a medida que desarrolla su línea de base para la interacción del bot.
Las organizaciones a menudo utilizan estos paquetes integrales de PNL en combinación con conjuntos de datos que ya tienen disponibles para volver a capacitar el último nivel del modelo de PNL. Esto permite que los bots estén más adaptados a clientes y negocios específicos. Esto ahorra a los equipos costos de capacitación y actualización de modelos a lo largo del tiempo.
Disminución de los bucles de retroalimentación
Las mejoras en los modelos de PNL también pueden permitir a los equipos implementar rápidamente nuevas capacidades de chatbot, probar esas capacidades y luego mejorar iterativamente en respuesta a los comentarios. A diferencia de los modelos tradicionales de aprendizaje automático que requerían un gran corpus de datos para hacer un bot de inicio decente, la PNL se usa para entrenar modelos de forma incremental con conjuntos de datos más pequeños, dijo Rajagopalan.
Esto permite a las empresas poner en marcha chatbots rápidamente y madurarlos durante un período de tiempo. Esto, junto con un menor costo por transacción, ha reducido significativamente la barrera de entrada. A medida que los chatbots crecen, su capacidad para detectar afinidad con intenciones similares como un ciclo de retroalimentación les ayuda a entrenar de forma incremental. Esto aumenta la precisión y la eficacia con un esfuerzo mínimo, lo que reduce el tiempo de retorno de la inversión.
Conjuntos de datos más pequeños
Los grandes requisitos de datos han sido tradicionalmente un problema para el desarrollo de chatbots, según Potdar de IBM. Los equipos pueden reducir estos requisitos utilizando herramientas que ayudan a los desarrolladores de chatbots a crear y etiquetar datos de forma rápida y eficiente. Un ejemplo es optimizar el flujo de trabajo para extraer registros de chat de persona a persona.
También se pueden aplicar técnicas como el aprendizaje de pocas oportunidades y el aprendizaje por transferencia para mejorar el rendimiento del modelo de PNL subyacente. «Es costoso para las empresas emplear continuamente etiquetadoras de datos para identificar el cambio en la distribución de datos, por lo que las herramientas que facilitan este proceso agregan mucho valor a los desarrolladores de chatbots», dijo.
Limpieza de datos ruidosos
La PNL mejorada también puede ayudar a garantizar la resistencia del chatbot contra errores ortográficos o superar problemas con la precisión del reconocimiento de voz, dijo Potdar. Este tipo de problemas a menudo se pueden resolver utilizando herramientas que hacen que el sistema sea más extenso. Por ejemplo, los equipos pueden tejer corrector ortográfico en las entradas. Pero advirtió que los equipos deben tener cuidado de no corregir demasiado, lo que podría dar lugar a errores si el usuario final no los valida.
También es importante que los desarrolladores piensen detenidamente en los procesos para etiquetar oraciones que pueden ser irrelevantes o estar fuera de dominio. Ayuda a encontrar formas de guiar a los usuarios con respuestas útiles y relevantes que puedan brindarles una orientación adecuada, en lugar de quedarse atascados en bucles de «Lo siento, no te entiendo». Potdar recomendó pasar la consulta a los motores de PNL que buscan cuando se detecta una pregunta irrelevante para manejar estos escenarios de manera más elegante.