Inteligencia Artificial: PLN para mejorar la atención al cliente

En nuestro blog ya os hemos hablado sobre las distintas aplicaciones que tienen las tecnologías de Procesamiento de Lenguaje Natural (PLN). Combinadas con técnicas de Inteligencia Artificial (IA), estas tecnologías permiten obtener y comprender contenidos, solicitudes o preguntas formuladas por los usuarios de manera más rápida y comprensible. En Gradiant llevamos varios años utilizando este tipo de tecnologías para la búsqueda de signos de radicalización en redes sociales, como hacemos en el proyecto PRACTICIES; o en el análisis de la popularidad de los candidatos en el entorno digital, para unas elecciones por ejemplo.

Pero una de las aplicaciones más populares de estas tecnologías (y que todavía no hemos tratado) son los asistentes virtuales (AV). Esta tecnología es capaz de simular una conversación humana a través de una interfaz conversacional, o dicho de manera más sencilla: son sistemas digitales diseñados para ayudar a los usuarios a obtener la información que necesitan como si estuvieran hablando con un humano. Según los expertos, se estima que en 2020 el 20% de los ciudadanos en los países desarrollados utilizarán asistentes de Inteligencia Artificial en sus tareas operativas diarias.

Minimizar el tiempo de respuesta, principal ventaja

Actualmente, uno de los principales ámbitos de aplicación de los AV son los centros de atención al cliente y de gestión de incidencias. Según la consultora Gartner, “en 2020, el 85% de los centros de atención al cliente estarán gestionados por asistentes conversacionales”. Esto es consecuencia directa de las dos grandes ventajas que ofrecen de estos sistemas: su disponibilidad permanente y su capacidad de proporcionar respuestas específicas a consultas de clientes con una menor interacción manual por parte de los agentes. De esa manera se mejora la satisfacción del cliente, se minimiza el tiempo de respuesta de los agentes y se aumenta el porcentaje de resolución de consultas en la primera llamada.

Hoy en día, se pueden encontrar asistentes virtuales incorporados en sistemas de atención al cliente que informan, por ejemplo, de los horarios de apertura y cierre de un negocio, o que ayudan a realizar ciertas tareas como comprar billetes de tren o solventar un problema con un equipo informático. Los primeros son los llamados asistentes informacionales, con un nivel conversacional básico y cuya única misión es facilitar al usuario el acceso a ciertos datos como la clásica sección de preguntas y respuestas frecuente de los sitios web de las empresas. Los segundos, se denominan asistentes transaccionales, ya que permiten al usuario completar una acción concreta o transacción (solicitar un estado de cuenta a un banco, realizar una reserva de habitación en un hotel, etc.). Poseen un nivel mayor de complejidad porque el usuario necesita autenticarse y deben comprobar si los datos aportados realmente son válidos, pero la experiencia resulta más satisfactoria y completa. 

Ambos tipos de asistentes se pueden combinar para construir un sistema especializado en la atención de consultas con capacidad para guiar al usuario hacia una solución, activar las acciones correctoras necesarias que estén a su alcance y reportar toda la información disponible sobre la incidencia para agilizar su resolución.

PLN, Inteligencia Artificial y Machine Learning: el trío ganador

En I+D trabajamos para hacer que esos asistentes sean más inteligentes y aumentar así el nivel de la interacción conversacional mediante el uso de técnicas PLN, Inteligencia Artificial y Machine Learning, de modo que el asistente mejore con cada interacción que tiene con los usuarios. 

Desarrollamos tecnologías que ayudan a los asistentes virtuales a darse cuenta de lo que se está buscando cuando un usuario pregunta por un restaurante típico con buenas opiniones, por ejemplo; o para comprender qué sucede cuando un usuario reporta al servicio técnico que su PC no funciona demasiado bien. Parece fácil pero, ¿qué significa «típico»? ¿Dónde encontrar esas “opiniones”? ¿Qué se entiende por «buena opinión»? ¿Cómo saber qué identificador de equipo es realmente “mi PC”? ¿Qué se considera “no funciona bien”? ¿Se pude concretar la información? ¿Qué acciones implican estas consultas? En otras palabras, trabajamos para comprender los conceptos y las necesidades, no sólo las palabras.

Desde el punto de vista tecnológico, son múltiples los desarrollos que podemos realizar para mejorar la comprensión de estas “necesidades” humanas:

• Recopilación de información: Utilizamos el conocimiento reunido mediante el crawleo de múltiples fuentes para contrastar información y mejorar las respuestas; extraemos miles de datos y comentarios de redes sociales como Twitter o Reddit para categorizar a los usuarios; y gestionamos grandes bases de datos que nos permiten comparar incidencias y las soluciones aplicadas. En los centros de atención al cliente, cuanto mayor es el grado de conocimiento del ámbito de trabajo, mejor y más precisa es la respuesta que se puede ofrecer al usuario. 
• Filtrado inteligente: Nuestros desarrollos permiten centrarse en áreas concretas de interés y agrupar contenidos similares para detectar los datos más relevantes para los usuarios. Así se posibilita el descubrimiento de vínculos entre los datos que nos permiten establecer conexiones y sinergias entre usuarios y productos. Gracias a estos vínculos, es posible relacionar incidencias entre sí, e incluso establecer relaciones consulta-respuesta con mayor precisión.
• Extracción de características: Destacamos las entidades y las principales ideas de las consultas para categorizar los contenidos. Los usuarios que interactúan con los sistemas de atención al cliente tienen, habitualmente, una consulta muy concreta sobre un producto, sistema o funcionalidad definida, detectar esta “entidad de interés” permite mejorar la respuesta y redirigir la consulta al equipo técnico competente. Además, de forma similar a lo que explicábamos hace unos meses podemos evaluar el estado de ánimo o la opinión de la persona. Conocer la opinión o sentimiento del usuario frente a la consulta que realiza (enfado, alegría, inquietud, duda, etc.) mejora la interacción y el conocimiento general del mercado. 
• Análisis de relevancia: Analizar la evolución de la información a través del tiempo nos permite detectar si ésta todavía es valiosa. Soluciones a incidencias que en el pasado han sido útiles, pueden haberse quedado desfasadas o no ser bien aceptadas por los usuarios. El sistema debe evolucionar.

Todos estos procedimientos nos permiten brindar una información más precisa, relevante y personalizada a los usuarios de los sistemas de atención al cliente, de modo que se simplifique la resolución de una consulta y se mejore la percepción general del trato recibido.

Autor: Joaquín Lago, investigador-desarrollador en el área de Sistemas Inteligentes en Gradiant.