2. De UI a IM
Usando tecnología NLP para mejorar
la comunicación con los usuarios
Fernando Rodríguez Sela <fernando@ferimer.es>
3. Sobre mí
●
Fernando Rodríguez Sela, Avilés 1975
– Tras 17 años en TID...
– Pluriempleado y feliz ;)
●
Autónomo (Ferimer)
●
Director IT (Domo4M)
●
Profesor (Univ. Alfonso X)
●
Tenemos 30’ … empecemos !
5. Comunicación con los clientes
Telégrafo
Cartas
Teléfono / FAX
Apps móviles
Campañas marketing
telefónico
Mensajería Instantánea
“Push your content where your users are already active”
6. Apps móviles
●
Apps móviles
– Mercado casi saturado
– Se usan 5 apps de media
– Barrera de entrada
●
Cada vez mayor
– Coste de desarrollo
●
Alto (múltiples plataformas)
7. Vayamos con nuestros
usuarios
●
No hay que forzar al usuario
– No hacerle tener cosas que
no quiere
– No instalar apps para 1 uso
●
Usemos el mismo canal
– Mensajería Instantánea
Statistics from Buffer and Business Insider
8. Cómo lo hacemos
●
IA y ML → Ahora tenemos la capacidad de cálculo suficiente
●
Chatbots, tu nuevo amigo … y el de tus usuarios
●
Haz que tu servicio, web, aplicación, vehículo, … “dialogue”
– A cualquier hora
– En cualquier lugar
9. Qué es un Chatbot
●
“Sistema informático capaz de mantener una conversación con una
persona”
●
Se usan técnicas de IA y ML
10. Historia de los chatbots
●
Eliza – MIT 1964/1965 Joseph Weizenbaum
– Busca palabras clave
– Responde con frases hechas
●
Ahora:
– IKEA: Anna
– RENFE: Irene
11. Tecnologías
●
NLP – Natural Language Processing
– NLU – Natural Language Understanding
– Análisis del sentimiento
– Análisis del lenguaje
●
Speech to text / Text to speech
12. APIs disponibles
●
LUIS – Microsoft
●
Dialogflow (antes API.AI) – Google
●
Wit.ai – Facebook
●
Watson - IBM
●
Rasa.ai – Open Source
●
...
13. NLP Utterances Enunciados– ( )
●
Son enunciados o frases en lenguaje natural
– Nos vienen siempre en texto plano
●
Para diseñar un buen chatbot
– Agrupar utterances por significado común
– Jugar con las posibles derivaciones del lenguaje
●
Incluso con jergas de los distintos colectivos
14. NLP - Intents
●
Ontologías estructuradas
– Es algo que la máquina entiende
●
Grupo de utterances → Un intent
●
Cada intent define posibles respuestas
– Podemos usar webhooks
●
Se definen probabilidades y contextos
– Para poder definir un buen diálogo
●
Intent de Fallback
15. NLP Entities–
●
Son los “parámetros” del mensaje
– Definidos por el sistema
●
Hora
●
Lugares
●
…
– Definidos por nosotros
●
Objetos de nuestro
sistema
16. Ejemplo
“Quiero comer sushi en Madrid mañana”
Intent: Comer
Entity (comida): Sushi
Entity (lugar): Madrid
Entity (cuándo): Mañana
“Te he reservado mesa en el restaurante X para mañana a las 14:00”
17. Flujo habitual
●
NLP expone API REST
– Envías utterance
– NLP calcula intent en base a probabilidades
●
Puede hacer uso de webhooks para completar respuesta
– Responde intent seleccionado con respuesta texto
Clientes IM
Whatsapp
Telegram
Brokers NLP Webhook