[vc_row][vc_column][vc_column_text]La institución desarrolló un asistente virtual a partir de la solución Bot Framework Composer de Microsoft Azure, con el objetivo de optimizar la atención a sus diferentes públicos y acelerar los tiempos de respuesta a dudas y solicitudes.
Ciudad de México, México – El Instituto Tecnológico de Monterrey ha puesto en marcha un asistente virtual para atender las necesidades de estudiantes, docentes, personal administrativo y otros miembros de su comunidad educativa. TECbot, un chatbot que conecta las solicitudes de servicio para resolver dudas que van desde el proceso de inscripción hasta procesos financieros, está impulsado por capacidades de Inteligencia Artificial basadas en Microsoft Azure, brindando así una atención automatizada más intuitiva, eficiente y desplegada con un lenguaje natural.
Desarrollado en el servicio Azure Framework Composer, el asistente virtual cuenta con una amplia variedad de diálogos, modelos de comprensión de lenguaje, bases de conocimiento y generación de respuestas que le permiten desplegar conversaciones orgánicas que se adaptan a las necesidades de cada caso, proporcionando servicio en tiempo real incluso ante un gran volumen de solicitudes.
Se estima que en México 12% de las interacciones de servicio al cliente se desarrollan a través de un chatbot [1], mientras que a nivel mundial se observó un crecimiento del 8% [2] en el empleo de este tipo de asistentes como efecto de la pandemia. Si bien gran parte de estos sistemas cuentan con un abanico de respuestas preestablecidas, el potencial para adaptarse a las necesidades de los usuarios y brindarles el acompañamiento que necesitan durante el proceso de resolución de problemas es un diferenciador clave de las soluciones basadas en Inteligencia Artificial.
Los chatbots impulsados por la Inteligencia Artificial de Microsoft Azure utilizan procesamiento de lenguaje natural para conectar e interactuar no solo a nivel conversacional, sino integrándose al flujo de datos de diferentes servicios web o aplicaciones para dar respuestas efectivas y realizar tareas sencillas, dentro de un marco de lenguaje natural que resulte cómodo, confiable e intuitivo para las personas.
TECbot, una iniciativa que forma parte del proyecto TEC Services, creado en 2019, se apoya en la tecnología de Microsoft para el desarrollo del asistente, pero valiéndose también de Cosmos DB para el despliegue de conversaciones y SQL para generar reportes de eficiencia del bot e insights de analítica, todo esto con el fin de unificar los procesos de atención y mejorar la experiencia de los más de 90,000 alumnos y 13,000 profesores que abarca la institución.
“La idea de los bot fue una cuestión de innovación y de atender una necesidad de servicio, hoy gracias a la tecnología la atención es inmediata”, cuenta Hernán García, Vicepresidente de Talento y Experiencia en TEC Monterrey. “Actualmente el asistente virtual se expandió y está presente en TEC Milenio y TEC Salud. Aunque tecnológicamente se trata del mismo bot, este tiene distintas bases conversacionales para cada TEC y cada público”.
Cada semestre, tan sólo durante el periodo de inscripciones, el Tec de Monterrey recibe casi 14 mil preguntas de sus estudiantes, con la implementación del asistente virtual los alumnos pueden recibir atención personalizada en tiempo real, mejorando significativamente la experiencia de servicios escolares. A tan solo unos meses de su lanzamiento, TECbot ha sido utilizado por más de 40 mil usuarios y ha registrado más de 250 mil conversaciones, convirtiéndose en el nivel cero de atención.
Tomando un plazo de seis semanas para el desarrollo de una primera versión del chatbot, se calcula que la implementación del asistente virtual logró reducir a un solo punto de atención la cobertura de procesos que solían requerir 10 personas dedicadas, agilizando también el lapso de solución gracias al uso de Inteligencia Artificial.
“Hoy gracias a la tecnología la atención es inmediata”, agregó Hernán García. “Actualmente el asistente virtual se expandió y está presente en TEC Milenio y TEC Salud. Aunque tecnológicamente se trata del mismo bot, este tiene distintas bases conversacionales para cada TEC y cada público”.
A través de la implementación de tecnologías avanzadas como Inteligencia Artificial o Aprendizaje Automático, las organizaciones pueden encontrar una alternativa para simplificar la distribución de tickets de atención y asignar al personal las solicitudes más complejas, permitiendo una operación más estratégica de sus colaboradores. Del mismo modo, los usuarios cuentan con un músculo de servicio fácil, ágil e inteligente capaz de resolver dudas básicas y entregarles una experiencia óptima basada en soluciones digitales.
[vc_row][vc_column][vc_column_text]Estamos trayendo un tema que muchas veces causa confusión por su definición, por lo que para empezar dejaremos una nota muy importante: la Inteligencia Artificial no es solo una cosa.
La inteligencia artificial es una fusión de muchas tecnologías diferentes que trabajan juntas para permitir que las máquinas encuentren, comprendan, actúen y aprendan con niveles de inteligencia similares a los de los humanos. Con sus sistemas de aprendizaje que analizan grandes volúmenes de datos, la Inteligencia Artificial puede “aprender por sí misma“.
Tecnologías como el aprendizaje automático, que hemos visto aquí y el procesamiento del lenguaje natural son parte del panorama de la IA. Cada una de estas tecnologías está evolucionando con el tiempo a su propio ritmo, pero cuando se aplican en combinación con datos, análisis y automatización, ayudan a las empresas a alcanzar sus objetivos.
Definición de IA como “limitada” y “general”.
La Inteligencia Artificial limitada (o “débil”), que en su mayor parte experimentamos en el día, proviene de ella, que realiza una sola tarea o un conjunto de tareas estrechamente relacionadas. Algunos ejemplos incluyen:
– Aplicaciones meteorológicas
– Asistentes digitales
– Software que analiza datos con la función de optimizar un determinado negocio
Cuando se aplica correctamente, la Inteligencia Artificial limitada tiene el poder de transformar e influir la forma en que trabajamos y vivimos, tal como lo hace hoy en muchos casos.
La inteligencia artificial general (o “fuerte”) se parece más a lo que se ve en las películas de ciencia ficción, donde las máquinas sensibles emulan la inteligencia humana. Por mucho que las máquinas realicen algunas tareas mejor que los humanos, un ejemplo sería el procesamiento de datos, esta visión igual al cine aún no existe. Por eso la colaboración entre máquina y hombre es muy importante, actualmente la Inteligencia Artificial no es un reemplazo sino una extensión de las capacidades humanas y lo seguirá siendo.
Conociendo las tecnologías detrás de la IA
Hay algunas tecnologías que son la combinación de la Inteligencia Artificial que juntas contribuyen a que evolucione y crezca.
1. Machine Learning
Como hemos visto antes, no necesita presentación. Con ML, en lugar de programar reglas para una máquina y esperar el resultado, hacemos que aprenda por sí sola a partir de los datos.
2. Deep Learning
El Deep Learning “entrena” a las máquinas para que realicen actividades como si fueran humanas, por lo que el sistema puede aprender a defenderse de los ataques, por ejemplo.
El proceso de aprendizaje tiene lugar entre sus capas de neuronas matemáticas, donde la información se transmite a través de cada capa. En este modo, la salida de la capa anterior es la entrada de la posterior.
3. Procesamiento del Lenguaje Natural (PLN)
Tiene como objetivo estudiar e intentar reproducir los procesos de desarrollo vinculados al funcionamiento del lenguaje humano. Para ello, emplea software, programación y otras soluciones.
A través de PLN, las máquinas pueden comprender mejor los textos, esto implica: reconocimiento de contexto, extracción de información, desarrollo abstracto, etc.
También es posible componer textos a partir de datos obtenidos por computadoras, un ejemplo es cuando estás en tu red social, los algoritmos pueden buscar patrones en las publicaciones para entender cómo se sienten los clientes acerca de la marca y el producto.
¿Por qué es importante la IA?
Con el rápido crecimiento de los datos y la madurez de otras innovaciones en el procesamiento de la nube y la potencia informática, el reconocimiento de la inteligencia artificial está creciendo más rápido que nunca. Con estos habilitadores, las organizaciones están empezando a ver cómo la inteligencia artificial puede multiplicar el valor para ellas. Las empresas que se expanden con Inteligencia Artificial ven el triple de retorno en comparación con aquellas que están estancadas en la fase piloto.
Esta capacidad de autoaprendizaje y autooptimización hace que la Inteligencia Artificial integre beneficios al negocio que genera.
La Inteligencia Artificial no solo ayuda a las empresas a adaptarse rápidamente, con un flujo constante de insights para impulsar la innovación, sino que también ofrece una ventaja competitiva en un mundo en cambio constante.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptación: Karina Ríos | Revisión final: Raphael Silva[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Ahora que sabes qué es el Machine Learning, entendamos un poco más sobre el rol que juega este profesional.
Dentro de las carreras de datos, Machine Learning Engineer fue el último que surgió, ocupándose de la parte de monitoreo y poniendo los modelos en producción, estructurando y facilitando el deploit de Data Scientit.
Para hacerlo más fácil, comencemos analizando los pasos de un proyecto de Data Science para una mejor comprensión.
En este primer momento, se produce la cuestión empresarial y la comprensión, el cliente presenta los problemas y luego hay una comprensión real del dolor del cliente. Después de comprender las raíces de los problemas, llegamos a la fase de recopilación de datos, donde hay una gran cantidad de SQL, solicitudes y APIs distribuidas en un solo lugar. Una vez realizado este paso y la limpieza de datos, se entiende qué es un problema sistémico y cuál es un problema intrínseco del negocio.
Posteriormente se realiza la exploración de datos, donde se utilizan técnicas y estadísticas para comprender el fenómeno que se está modelando a través de los datos, en ese momento en que se genera inshtg, para comprender las variables y el modelo que será mejor aplicado. Pasando al paso de modelado es donde el algoritmo comienza a aprender y aplicar transformaciones y separaciones para preparar los datos.
A partir de esta fase se inicia el algoritmo de Machine Learning, donde se aplican los algoritmos para aprender el comportamiento o asignación deseada, luego se realiza la evaluación de este algoritmo, separando lo que es bueno, de lo que no y luego de este análisis de desempeño del modelo se irá para producción, donde se traslada a un entorno Cloud donde el dispositivo de Internet es capaz de consumir las previsiones que el modelo proporciona. La continuación de este proceso es el papel del Machine Learning Engineer. Obviamente, el desarrollo en sí no es tan simple como parece.[/vc_column_text][us_image image=”7384″][us_separator size=”small”][vc_column_text]
Responsabilidad del Machine Learning después del proceso
Todo comienza con la productización del flujo de datos, de donde sacas todas las tareas, desde la recopilación de datos hasta el modelo de producción, para convertirse en un producto que sea fácil de escalar, fácil de mantener y siempre mantenido de forma organizada para el trabajo de otros profesionales.
Después de volverse un producto, integraremos el modelo; ejemplo: frontend consume las predicciones de sus modelos, cada vez que el usuario ingresa y la página de inicio se está cargando, el frontend consume la predicción del modelo y habla sobre la propensión de los productos del cliente, por lo que no puede demorar en regresar sino ralentiza el sitio, para eso necesitamos integrar en otros sistemas respetando los requisitos. Finalmente, es necesario crear Técnicas de Monitoreo, donde se crean métricas para saber si el modelo es correcto o si los errores están aumentando; como es la distribucion de variables, etc.
Te explicamos el proceso
Data Scientits recolecta los datos, entrena el modelo y luego pasará a producción para ser aplicado, a partir de este punto comienza el rol del Machine Learning.
Recordando que los clientes pueden consumir el resultado a través del backend, sitio web, dispositivo móvil e IBA, para conectar a las personas que necesitan las predicciones con los modelos que las brindan, es necesario realizar una API (conexión entre los dos mundos de cliente y servicio, según se explica en nuestras redes sociales) los clientes comienzan a realizar solicitudes a la API, ésta interpretará la solicitud y si tiene permiso para acceder a estos datos.
Los datos de API son datos sin procesar, es decir, datos de RO, porque los datos no vienen con las transformaciones que usamos allí en Model Training. Por lo tanto, es necesario cambiar los datos de RO para la feature, así se realizará la predicción.
Podemos usar la siguiente idea como ejemplo: una persona tiene la aplicación y quiere ver la predicción de los ingresos de la tienda. Una de las features es la edad del usuario, cuánto tiempo está abierta la tienda… esta feature se almacena en el Feature Store, donde puede encontrar varias características que los Data Scientits crearon para poder modelar y entrenar los modelos de Machine Learning.
Dentro de la Feature Store, en este caso, encontraríamos en su interior varios datos, como la fecha en que la tienda comenzó a operar. Luego, la API va a Feature Story y recupera las features solicitadas por el modelo que fue entrenado para hacer esta predicción y regresa al modelo de Machine Learning con el conjunto de features, hace la predicción y regresa a la API, que devuelve la información a el cliente que hizo la predicción.
Este ejemplo sería un proceso simple, la diferencia es que tiene la función precalculada dentro de una tienda de funciones, que debe actualizarse cada vez. *Farture consumpotin, es el proceso de consumir la feature.
Para mantener la feature store actualizada, es necesaro consultar el Data Warehouse, donde se encuentran los datos modelados (realizados por el Data Engineer), para crear una feature y así almacenarla en la feature store, este proceso se llama Feature Creation.
Echa un vistazo a la ejemplicación mediante un modelo visual[/vc_column_text][us_image image=”7383″][vc_column_text]Esta imagen representa el papel completo del Machine Learning Engineer, centrado en la producción en lugar del desarrollo, lo que ayuda a los Data Scientes a poner los modelos en producción más rápido.
Machine Learning ayuda a crear las clases donde los Data Scients importan y reescriben los métodos para realizar el entrenamiento, después de que el modelo se entrena y se devuelve con todos los métodos utilizados y las características creadas se aplican en producción.
Esperamos que te haya resultado más fácil comprender cómo funciona el rol del Machine Learning Engineer. Si tienes alguna pregunta, comentario o sugerencia, estaremos encantados de ayudarte y responder. Es importante recordar que contamos con contenido rápido y muy útil en nuestras redes sociales, allí también ponemos casillas de preguntas para apoyarte lo más posible en este camino de conocimiento y aprendizaje.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptación: Karina Ríos | Revisión: Raphael Silva[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Para empezar por entender esta área… un poco más reciente en el mercado; debemos detenernos a pensar en el aprendizaje y comprender ¿qué es Machine Learning? también conocido como aprendizaje automático y en qué se diferencia de la Inteligencia Artificial. Si prestamos atención a estas dos palabras conformadas por “Aprendizaje Automático”, nos daremos cuenta de que por si solas pueden explicar perfectamente en que consiste, pero vamos por parte, ¿si?
¿Cuál es la diferencia entre Machine Learning e Inteligencia Artificial?
Mucha gente piensa que ambos son lo mismo, pero no necesariamente es así… ya que básicamente, Machine Learning es uno de los recursos de la Inteligencia Artificial. Por lo tanto, la Inteligencia Artificial es un mecanismo computacional que se construye en el comportamiento humano para resolver un problema.
¿Qué es el Machine Learning?
Es una tecnología que está en todas partes y lo usamos muchas veces sin reparar en ello, como por ejemplo: Traductor de Google, Asistente virtual Siri y las recomendaciones de productos en sitios web. Esta es una tecnología en la que las computadoras tienen la capacidad de aprender de las respuestas esperadas mediante la asociación de diferentes tipos de datos, que incluyen: imágenes y números.
Con esto entendemos que Machine Learning seria el aprendizaje de la máquina, adecuando su comportamiento en base a su propia experiencia, buscando optimizar y mejorar el desempeño de una determinada tarea a través de reglas lógicas.
Su algoritmo se crea a través de datos que serán analizados y de resultados esperados. Finalmente el sistema elabora su propia regla o pregunta.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptado por: Karina Ríos | Revisado por: Raphael Silva[/vc_column_text][/vc_column][/vc_row]