ASISTENTE VIRTUAL ACADÉMICO UTILIZANDO
TECNOLOGÍAS COGNITIVAS DE PROCESAMIENTO DE LENGUAJE
NATURAL
Mónica María Echeverri Torres1,
Roberto Manjarrés-Betancur2,3
1 Ingeniera informática,
Grupo de Investigación en Software, Politécnico Colombiano
Jaime Isaza Cadavid, monica_echeverri82142@elpoli.edu.co
2 Ms.C. en Ingeniería –
Sistemas e Informática, Grupo de Investigación en Software,
Politécnico Colombiano Jaime Isaza Cadavid, ramanjar@elpoli.edu.co.
3 Ms.C. en Ingeniería –
Sistemas e Informática, Profesor Asistente, Grupo de
Investigación en Lenguajes Computacionales, Departamento de
Ciencias de la Computación y de la Decisión, Facultad de
Minas, Universidad Nacional de Colombia, ramanjar@unal.edu.co.
RESUMEN
En un entorno académico, el surgimiento de nuevas
tecnologías y la omnipresencia de Internet están brindando
nuevas oportunidades para mejorar la eficiencia de los
sistemas educativos al proporcionar a los estudiantes
información instantánea, sin necesidad de desplazarse,
permitiendo ahorrar tiempo y trabajo humano a un bajo costo.
El presente artículo tiene como objetivo principal implementar
un prototipo de asistente virtual académico utilizando
tecnologías cognitivas tipo chatbot (i.e. software de
Inteligencia Artificial diseñado para realizar una serie de
tareas de manera independiente y sin la ayuda de un humano),
para el mejoramiento de la experiencia y tiempos de atención
en el área de procesos académicos, para los estudiantes del
Politécnico Colombiano Jaime Isaza Cadavid.
Palabras clave: tecnología cognitiva; chatbots; servicios de
soporte académico; experiencia de usuario
Recibido: 25 de Febrero de 2020. Aceptado: 12 de
Mayo de 2020.
Received: February 25, 2020. Accepted: May 12, 2020.
VIRTUAL ACADEMIC ASSISTANT USING NATURAL LANGUAGE
COGNITIVE PROCESSING TECHNOLOGIES
ABSTRACT
In an academic environment, the emergence of new
technologies and the omnipresence of the Internet are
providing new opportunities to improve the efficiency of
educational systems by providing students with instant
information without need to travel, saving time and human
labor at a low cost.The main objective is to implement a
virtual academic assistant prototype using cognitive
chatbot-type technologies, to improve the experience and
attention times in the area of academic processes, for the
students of the Politécnico Colombiano Jaime Isaza Cadavid.
Keywords: cognitive technology; chatbots; academic
support services; user experience
Cómo citar este artículo: M. Echeverri, R.
Manjarrés. “Asistente virtual académico utilizando
tecnologías cognitivas de procesamiento de lenguaje
natural”, Revista Politécnica, vol.16, no.31 pp.85-96, 2020.
DOI: 10.33571/rpolitec.v16n31a7
1.
INTRODUCCIÓN
El mundo de la tecnología evoluciona rápidamente.
Mientras ciertos dispositivos y plataformas afectan las
interacciones de los consumidores y la forma en que los
clientes y las empresas interactúan entre sí, los usuarios son
cada vez más exigentes, pero no solo necesitan inmediatez,
sino también un componente que los involucre directamente con
la situación. Para las empresas, la conversación en tiempo
real a través de las plataformas de mensajería empieza a
entenderse como una gran oportunidad comercial. La
automatización de estas se está convirtiendo en un importante
puente de interacción con los clientes [1]. En el ámbito
académico, donde constantemente se incrementa la cantidad de
estudiantes que se vinculan a las instituciones, es común que
el personal administrativo permanezca constante, lo cual
genera la necesidad de contar con sistemas cada vez más
rápidos y eficaces.
Esta necesidad de mejorar los procesos se ha
evidenciado mediante estudios, los cuales muestran que los
sistemas de soporte y ayuda a estudiantes no son los adecuados
[2]. La administración de información y la comunicación es
poco efectiva, cuentan con procedimientos generalizados, los
cuales, al momento de atender dudas específicas de la
información propia del usuario, toman aún más tiempo o no
tienen respuesta.
El Politécnico Colombiano Jaime Izasa Cadavid,
cuenta con múltiples plataformas de recepción de dudas y
solicitudes, el sistema PQRS [7], redes sociales como
Facebook, Instagram, Twitter que pueden ser encontradas en la
página institucional [8]. Estas plataformas cuentan con las
mismas falencias que se encuentran en mayoría de instituciones
universitarias, ya que los tiempos de respuesta siempre se
extienden, sea por problemas de comunicación, limitaciones
horarias por las jornadas de trabajo del personal
administrativo, falta de documentación de los procesos o
saturación de los puntos de atención.
Ante la problemática descrita, se propone la
implementación de un mecanismo de comunicación para mejorar
los servicios de soporte académico dentro de la institución,
desarrollando un “chatbot” con tecnologías cognitivas. Este
chatbot es una herramienta que puede percibir, razonar y
actuar basándose en sus percepciones. Está diseñado para
simular una conversación con una persona, entender lo que un
usuario escribe y ser capaz de responder de forma acertada
[3].
Para el caso específico del Politécnico Colombiano
Jaime Isaza Cadavid, donde la gestión de dudas y preguntas
relacionados con temas académicos no se encuentra
automatizada, este proyecto permitirá mejorar los tiempos de
respuesta y satisfacción de los usuarios, mientras se ahorra
esfuerzo humano, evitando el trámite y procesamiento manual de
diferentes áreas de la institución, para brindar una solución
oportuna a los estudiantes.
Para la implementación de este prototipo de
asistente virtual académico, se sigue una serie de etapas que
podrán ser evidenciadas a lo largo del artículo en el
siguiente orden:
Documentación: Durante esta etapa se busca
identificar y caracterizar implementaciones de tecnologías
cognitivas para el procesamiento de lenguaje natural mediante
un análisis comparativo para la selección de la herramienta
más adecuada, además.
Diseño y Construcción: Identificar los procesos de
negocio más relevantes asociados a los estudiantes y definir
una arquitectura apropiada para el desarrollo del proyecto.
Desarrollar el prototipo de asistente virtual académico
funcional, bajo la arquitectura y herramientas seleccionadas.
Por último, se valida el modelo de tecnología
cognitiva a través de prueba de concepto.
2.
MARCO TEÓRICO
En esta sección se definen los conceptos más
relevantes para dar contexto al desarrollo del proyecto.
2.1
Chatbot:
Es un software que utiliza mensajes estructurados
para emitir respuestas desde una máquina hacia un interlocutor
humano, ofreciendo servicios instantáneos, personalizados y
siempre a la mano, mientras se reducen los costos de atención
al usuario. La mayoría de plataformas que ofrecen este
servicio permiten crear un agente al cual llegan las
solicitudes por parte del usuario y este reconoce a través de
unas palabras clave (denominadas entidades) la intención a la
que debe ser dirigida la solicitud para generar una respuesta
coherente [6].
Tabla 1.
Plataformas chatbot disponibles en el mercado. Fuente:
Elaboración propia.
|
Bot Nombre
|
Características
|
|
Aivo
|
Software de mesa de ayuda y
capacidades de análisis web, su memoria permite
mantener la coherencia durante largas conversaciones.
[12]
|
|
Twyla.ai
|
Proporciona las herramientas para encontrar,
organizar, revisar y promover el contenido cuando esté
listo. [13]
|
|
Pypestream
|
Experiencias dinámicas con estricta
privacidad de datos para mejorar la experiencia de los
usuarios. [14]
|
|
Live Agent
|
Es
un software de servicio al cliente en línea con
soporte en vivo, software de mesa de ayuda y
capacidades de análisis web. [15]
|
|
DigitalGenius
|
Utiliza un profundo modelo de red neuronal,
los vectores de palabras, las operaciones estadísticas
y algoritmos de aprendizaje profundo. [16]
|
|
Semantic Machines
|
Plataforma con un motor de síntesis que
extrae la intención semántica utiliza la tecnología
del motor de traducción de lenguaje natural. [17]
|
|
Msg.ai
|
Permite a las empresas activar, administrar
y entrenar Inteligencia Artificial para automatizar
los tickets, mejorar la productividad de los agentes.
[18]
|
|
wit.ai
|
Los desarrolladores utilizan Wit para crear
fácilmente una interfaz de voz para las aplicaciones.
[19]
|
|
Chatfuel
|
Puede vincular bloques entre sí
utilizando los botones en tarjetas de texto o en las
tarjetas de galería. [20]
|
|
Pandorabots
|
Implementa y apoya el desarrollo del
estándar abierto AIML y hace que partes de su código
sean accesibles de forma gratuita. [21]
|
|
Microsoft LUIS
|
Se basa en Machine Learning para crear una
comprensión lingüística natural en aplicaciones, bots
y dispositivos IoT. [22]
|
|
Chatterbot
|
Biblioteca de Python que facilita la
generación de respuestas automáticas a la entrada de
un usuario. [23]
|
|
Rebot.me
|
Es un servicio que permite personalizar
respuestas a ciertas preguntas mediante el uso de
varias herramientas. [24]
|
|
ManyChat
|
Dan la bienvenida a nuevos usuarios,
enviarles mensajes de contenido, horario, configurar
respuestas automáticas de palabras clave. [25]
|
|
FlowXO
|
Plataforma para crear, alojar y administrar
chatbots para plataformas de mensajería, Incluye un
editor visual para crear bots sin código. [26]
|
|
Gubshup
|
Unifica construir servicios de mensajería y
el uso de herramientas avanzadas de desarrollador.
Permite incrustar mensajes inteligentes. [27]
|
|
Reply.ai
|
Ayuda a los negocios a construir y
administrar bots, permitiéndoles tener conversaciones
uno a uno con consumidores a gran escala. [28]
|
|
KITT.AI
|
Es un sistema que funciona con aprendizaje
automático y entendimiento conversacional de palabras
clave como servicio. [29]
|
|
It's Alive
|
Proporciona una plataforma que permite
construir, gestionar y optimizar las actuaciones de
los bot. [30]
|
2.2
Procesamiento de lenguaje natural
Es un campo de las ciencias de la computación,
inteligencia artificial y la lingüística que estudia las
interacciones entre las computadoras y el lenguaje humano, por
medio del análisis sintáctico, semántico, pragmático y
morfológico; se escriben reglas de reconocimiento de patrones
estructurales, empleando un formalismo gramatical concreto.
Estas reglas, en combinación con la información almacenada en
diccionarios computacionales, definen los patrones que hay que
reconocer en una letra palabra u oración. Se puede procesar el
lenguaje natural por medio de reconocimiento de imágenes,
texto y voz [4].
2.3
Tecnologías cognitivas
Es el conocimiento aplicado a las máquinas, es
decir, su capacidad ya no sólo de recibir información con base
en una programación y elementos estructurados, sino su
capacidad de aprender del entorno y tomar decisiones en base a
datos no ordenados ni estructurados [5].
Tabla 2.
Categorías de tecnologías cognitivas y ejemplos
seleccionados de aplicación [5].
|
Categorías
|
Descripciones
|
|
Automatización
robótica de procesos [Robotic process automation
(RPA)]
|
“Una combinación de
inteligencia artificial y automatización” que es capaz
de “sentir y sintetizar enormes cantidades de
información y que pude automatizar procesos completos
o flujos de trabajo, aprendizaje y adaptándose a
medida que avanza.”3
|
|
Cognitiva –
tecnologías de lenguaje
|
Un conjunto de
técnicas estadísticas que permiten el análisis,
entendimiento, y generación de lenguajes humanos para
facilitar el interfaz con máquinas en contextos
escritos y hablados, esto es, para convertir lenguaje
humano (natural) en lenguajes de máquina y viceversa.
|
|
Cognitiva –
Aprendizaje de maquina [Machine Learning (ML)]
|
Un conjunto de
técnicas estadísticas que automatizan la construcción
de modelos analíticos usando algoritmos que
iterativamente aprender a partir de los datos sin la
necesidad de programación explicita.
|
|
Cognitiva – Visión
de computador
|
Extracción, análisis
y entendimientos automáticos de información útil a
partir de una sola imagen o de una secuencia de
imágenes, por lo tanto, modelando, replicando, y más
importante aún, excediendo la visión humana usando
software y hardware de computador.4
|
2.4
Procesos académicos
Cada uno
de los procesos académicos de la institución es gestionado por
una dependencia particular, los procesos de interés y dominio
del estudiante se pueden encontrar en el Reglamento
estudiantil [33]. El sistema de gestión del Politécnico
Colombiano JIC, se constituye en un instrumento que busca
modernizar la gestión institucional mediante la integración de
diversos modelos adaptativos para la autorregulación de los
procesos, que tienen en común su contribución al
direccionamiento estratégico de la institución, permitiendo
así mejorar la productividad del personal administrativo. De
esta forma se aprovechan mejor los recursos para dar
cumplimiento a los fines esenciales del estado y el continuo
mejoramiento de la calidad (Resolución Rectoral 0336 del 7 de
junio de 2018).
3. ANÁLISIS DE TECNOLOGÍAS COGNITIVAS
Muchas de
las grandes empresas de la industria tecnológica le apuesta a
esta tecnología disruptiva, ofreciéndonos plataformas de
procesamiento de lenguaje natural como es el caso de Google
con Dialogflow, Amazon con Lex, IBM con Watson, entre otras,
cada una de las propuestas de estas plataformas tiene el mismo
concepto, pero diferentes enfoques o alcances, por eso se
procede a investigar a fondo aspectos clave de las 4
plataformas principales, para evaluar las opciones y tomar la
mejor decisión de cual herramienta usar para el desarrollo de
este prototipo.
Para recolectar la información, se usa un tipo de
investigación proyectiva, ya que se debe elaborar una
propuesta para soluciona esta necesidad de manera práctica y
un método de investigación experimental, se hará uso del
conocimiento propio, de la información institucional, y se
investigarán aquellos aspectos que sean necesarios para el
correcto desarrollo del prototipo.
Dialogflow [9] es una herramienta
fácil e intuitiva, capaz de entender y procesar el lenguaje
natural, permite implementar intenciones anidadas lo cual
facilita el hilo conversacional y dificulta la pérdida de contexto dentro de la conversación,
ya que permite hacer una pregunta o afirmación dentro de otra, su
flexibilidad en el diseño de conversaciones demuestra su
versatilidad, además Google introdujo Knowledge
Connectors, un sistema capaz de comprender y extraer de
forma automática las preguntas y las respuestas del
contenido que previamente fue implementado por el
desarrollador. Además pretende eliminar el obstáculo de las
fallas ortográficas mediante la inclusión del plugin Automatic Spelling Correction.
Para su funcionamiento define unas palabras clave
llamadas entidades, las cuales ayudan a identificar la
necesidad de los usuarios, asociándolas a una intención y a
llevar el hilo conversacional a través de un contexto.
Cuenta con una herramienta llamada Fulfillment, la
cual es un código que se implementa como un webhook y permite
al agente de Dialogflow generar respuestas dinámicas o
desencadenar acciones en su back-end o base de datos. Ya que
es una plataforma de Google, se integra fácilmente con Google
Assistant para que la API sea usada desde altavoces
inteligentes, dispositivos móviles y casi cualquier plataforma
de mensajería. Se puede configurar y personalizar para ser
usada en cualquier página web, adaptándose al diseño de la
interfaz. Estas son algunas de las plataformas con las cuales
se puede integrar Dialogflow con tan solo un clic.
Figura 1. Tabla
Integraciones. Fuente: Dialogflow.com
Por otro lado, IBM Watson [10] tiene un
editor de diálogo visual, lo que significa que personas sin
conocimiento de programación podrán
desarrollar un chatbot sin ningún problema, además permite
crear interfaces de conversación en cualquier aplicación,
dispositivo o canal.
Watson funciona con conocimientos de diálogo, datos
de entrenamiento y el uso de lógica que permiten al asistente
interpretar la petición del usuario. Los conocimientos
contienen tres tipos de artefactos las intenciones que
representan la finalidad de la entrada del usuario a partir
del reconocimiento de una palabra clave llamada entidad y el diálogo que es el hilo de
la conversación. Los bot creados son gestionados
completamente por IBM Cloud por lo que el usuario no tiene
que preocuparse por configurar o dar soporte a la
infraestructura.
Uno de los puntos más fuertes de IBM Watson es el
servicio de reconocimiento de imágenes, principalmente para un
asistente de carrito de compras o tienda virtual, ya que
permite entender con mayor facilidad las intenciones del
usuario y es muy fácil de implementar, solo se requiere una
carpeta de imágenes diferentes del articulo a reconocer y ya
está.
En el momento de la creación de un bot, Watson
permite elegir un ejemplo prediseñado para trabajar sobre él,
cada uno describe su funcionamiento básico en la presentación,
lo único que tendrá que hacer el creador es desarrollar el diálogo con posibles
preguntas hechas por el usuario y las respuestas que tendrá
que dar la plataforma, ya que la herramienta se encarga de
procesar el texto de entrada, buscar palabras clave que
ayuden a identificar la intención para ser ejecutada.
Figura 2. Tipos de agente
Watson. Fuente: IBM Watson
Amazon Lex [11], funciona
con el mismo motor conversacional que usa Amazon Alexa a
través de unas variables de sesión que se utilizan para
almacenar el estado de la conversación, incluidas las
entradas de usuarios, Lex no maneja contextos para conservar
el hilo de la conversación, pero funciona con el llenado de
slots o parámetros como operación fundamental. Estos
parámetros pueden ser nombres, ciudades, tiempo entre otros,
que pueden ser almacenadas y luego usadas para dar una
respuesta.
Esta herramienta no tiene costos por anticipado ni
cuotas mínimas. Solo se le cobrará por las solicitudes de
texto o voz que se realicen.
Amazon Lex permite publicar el bot desarrollado en
plataformas de mensajería como Messenger, Slack y Twilio SMS.
Amazon Lex también se integra con AWS Mobile Hub, por lo que
puede lograr que una aplicación móvil acceda a un bot de
conversación de Lex de manera rápida. Al ser una plataforma de
la empresa Amazon, Lex dispone de integración incorporada con
AWS Lambda, AWS MobileHub y Amazon CloudWatch. Además, puede
integrarlo de manera sencilla con muchos otros servicios de la
plataforma de AWS, como Amazon Cognito y Amazon DynamoDB.
Esta herramienta puede exportar bots, intenciones y
tipos de slot para compartirlos o modificarlos, los recursos
deben exportarse en un formato compatible con el servicio al
que exporta, ya sea Amazon Lex o Alexa Skills Kit.
Lex al ser una plataforma de Amazon, requiere
credenciales válidas para autenticar las solicitudes, si no
tiene permisos, no podrá crear los recursos de Amazon Lex ni
obtener acceso a ellos por su robusto sistema de control de
acceso.
En
contraste Rasa [31], es un marco de aprendizaje
automático de código abierto para crear asistentes
contextuales de AI y chatbots. Incluye una interfaz de usuario y una API REST. Funciona con un conjunto de herramientas
de aprendizaje automático. Tiene dos módulos principales:
NLU para entender los mensajes de usuario.
Núcleo para mantener conversaciones y tomar decisiones.
Para
construir un asistente con Rasa, es necesario instalar Rasa
NLU y Rasa Core, También es necesario instalar un modelo de idioma spaCy.
Luego se debe crear un proyecto que contiene la
estructura de archivos habitual, algunos datos de
entrenamiento y los archivos principales que se pueden
utilizar como base para crear un asistente personalizado.
La forma en que el bot aprende cómo responder se denomina
gestión de diálogos y se puede hacer a través de historias
que tienen la siguiente estructura:
## Nombre de historia
* Mensajes enviados por el usuario
- Acciones ejecutadas por el bot
> Eventos devueltos por una acción
##
first story
*
hello
- action_ask_user_question
>
check_asked_quiestion
##
user affirms question
>
check_asked_quiestion
*
affirm
- action_handle_affirmation
##
user denies question
>
check_asked_question
*
deny
- action_handle_denial
Figura 3. Estructura de una
historia en Rasa Fuente: Rasa.ai
En la Tabla 3, se presenta un comparativo de las
herramientas previamente discutidas y sus principales
características, según esta, Dialogflow es la plataforma más
completa, ofrece integración directa a múltiples plataformas
de mensajería, lo que se traduce en escalabilidad y
portabilidad. Su flexibilidad en el diseño de conversaciones
permite entrenar de manera fácil el agente, expandiendo el
vocabulario [36], también ofrece la posibilidad de implementar intenciones anidadas, lo cual facilita
mantener el hilo conversacional, evitando pérdidas de contexto, lo
cual permite hacer una pregunta o afirmación dentro de otra.
Adicionalmente, Google ha introducido Knowledge Connectors,
un sistema capaz de comprender y extraer de forma automática
las preguntas y las respuestas del contenido que previamente
fue implementado por el desarrollador. Finalmente, pretende
eliminar el obstáculo de las fallas ortográficas mediante la
inclusión del plugin Automatic Spelling Correction.
Tabla 3. Comparación
principales plataformas de procesamiento de lenguaje natural
|
Características
|
Dialogflow
|
IBM
Watson
|
Rasa
|
Amazon
Lex
|
|
|
Versión gratuita
|
✔
|
✔
|
✔
|
❌
|
|
|
Requiere instalación
|
Online
|
Online
|
Local
|
Online
|
|
|
Requiere programación
|
No
|
No
|
Si
|
No
|
|
|
Versión licenciada
|
✔
|
✔
|
❌
|
✔
|
|
|
Reconocimiento de entidades basado ML
|
✔
|
✔
|
✔
|
✔
|
|
|
GUI
|
✔
|
✔
|
❌
|
✔
|
|
|
Conocimientos requeridos
|
Básicos de plataformas y programación.
|
Básicos de plataformas y programación.
|
Avanzados de programación en Python.
|
Básicos de plataformas y programación.
|
|
|
Webhooks
|
✔
|
✔
|
❌
|
✔
|
|
|
Integraciones Mensajería
|
Slack, Facebook Messenger, Viber, Twitter,
Twilio, Telegram, KiK, Google Assistant, Amazon Alexa,
Microsoft Cortana, Cisco Spark.
|
Messenger, Slack, Amazon Alexa y Voice Agent
(Telefonía).
|
|
Slack, Messenger, Twilio y Amazon Web
Service.
|
|
|
Sin integraciones predefinidas
|
|
|
|
|
|
|
|
|
|
|
Costos
|
2 USD/1000 Mensajes
|
2,5 USD/1000 Mensajes
|
Gratuito
|
0,75 USD/1000 Mensajes
|
|
4. DESARROLLO DEL ASISTENTE
VIRTUAL
Para la recolección de la información necesaria para
el desarrollo del prototipo y la creación de las respuestas
que proporcionará el asistente, fue
necesario seleccionar algunos de los principales
procesos académicos a partir
de la documentación del reglamento
estudiantil [33].
Los procesos académicos seleccionados para la
implementación, son los siguientes: Homologaciones,
ampliación de créditos, incapacidades y supletorios,
matrículas, directorio académico y procesos académicos
individuales.
4.1
Metodología
del desarrollo
Para el desarrollo del prototipo, se hará uso de
metodologías ágiles utilizando el marco de trabajo SCRUM, ya
que, por sus procesos iterativos dentro de periodos de tiempo
específicos, permitirá enfocarse en funcionalidades concretas
y escalar los módulos en términos de funcionalidad, diseño y
alcance, de manera ágil.
Figura 4. La metodología
Scrum Fuente: blog.conectart.com
4.2
Diseño
de la solución
Luego de analizar las tecnologías cognitivas
presentadas, para el desarrollo del prototipo se eligió
Dialogflow. Procediendo al desarrollo de la arquitectura y
elección de lenguaje de programación, se decide trabajar con
la arquitectura básica de la herramienta Dialogflow, adaptándola a las necesidades del proyecto, ver
Figura 5.
Dialogflow consta de varios módulos:
Detect Intent API que permite integrar la interfaz
conversacional creada, con los canales de mensajería.
Agent API encargado de realizar las funciones de NLU (Natural
Language Understanding).
Para configurar del hilo conversacional es
importante definir las Entidades, que son los objetos
que permite diseccionar o fragmentar el conjunto de oraciones
o entradas que recibe el chatbot en palabras clave, definidas
por el programador inicialmente dentro de la plataforma y las
Intenciones, elemento que permite capturar
o extraer la intención de una frase o de un conjunto de
oraciones a partir de las entradas del usuario. Estos
elementos se encuentran integrados dentro del módulo Agent
API.
4.3
Arquitectura
de servicios
El modelo permite la captura del input del usuario,
a través de cualquier plataforma de mensajería, en este caso
WhatsApp. Se procede a la transformación y
procesamiento de los datos a través del entendimiento de
lenguaje natural, identificación de la intención y
procesamiento de data en tiempo real en caso de ser
necesario, por último, la elección y construcción de la
respuesta más adecuada para el usuario según la lógica del
negocio.
Figura
5. Arquitectura prototipo. Fuente: Adaptado de Dialogflow.com
4.4
Modelo
relacional
En la Figura 6, se muestra el modelo relacional
utilizado en este proyecto.
4.5
Implementación
del prototipo
Antes de pensar en la implementación del asistente
virtual, se debe tener claro el público objetivo, el tipo de
lenguaje que usa y el carácter del agente, ya que la
experiencia de usuario en un chatbot viene definida por la
fluidez de la conversación.
En la fase inicial de la implementación, se crea el
agente, para eso se debe tener una cuenta en la plataforma
Dialogflow y crear un proyecto en Google Cloud Platform.
A continuación, se procede a definir las
intenciones. Dialogflow utiliza las intenciones para
clasificar las intenciones de un usuario. Las
intenciones tienen frases de entrenamiento, que serán
dadas por la forma en que un estudiante de la institución se
expresa para hacer solicitudes de los procesos que desea
conocer y también se procederá a capturar datos de entrada del
usuario por medio de entidades.
Como se muestra en la Figura 7, el agente reconoce a
“homologar” y “validar” como palabras clave dentro de una
oración, lo que ayuda a identificar a qué intención hace referencia y la API
podrá responder rápidamente a la solicitud.
Figura 6. Modelo de datos.
Fuente: Elaboración propia
Figura 7. Ejemplo de Entidad. Fuente: Dialogflow.com
Para cada intención se agrega un mínimo de 15 frases
de entrenamiento, ya que no se puede predecir con seguridad
las palabras que usará un usuario para hacer una consulta o
solicitud.
El lenguaje usado para el desarrollo del prototipo
es Node.js, y la base de datos elegida para almacenar y
consultar la información que mostrara el asistente virtual es
Postgresql.
Para hacer posible la comunicación a través de
WhatsApp [32], también sé que crear una cuenta en Twilio [34]
(i.e. Plataforma que permite construir aplicaciones de
comunicación en la nube y sistemas web), que será la
plataforma que servirá de puente entre nuestro bot y la API de
Whastsapp, además, se debe configurar cada una de las
plataformas con los tokens de autenticación.
Se usará WhatsApp, ya que es un medio muy usado por
los jóvenes, aunque con Dialogflow se podrá migrar a muchas
otras plataformas populares de mensajería del mercado con tan
solo un clic y a cualquier página web, dando pie a un plan de
continuidad para la utilidad del modelo de tecnología
cognitiva a largo plazo.
Al bot se le fue asignado en nombre AVA,
siglas de Asistente Virtual Académico. En el siguiente ejemplo
se puede observar la forma en la que un usuario interactúa con
el asistente virtual y la fluidez de la conversación.
Figura
8. Ejemplo conversación Fuente: Elaboración propia.
5. VALIDACIÓN DEL MODELO
AVA, al ser un prototipo de asistente virtual,
diseñado para resolver dudas de procesos académicos dentro de
la institución, con el objetivo de facilitar la comunicación
para dar solución a dudas y agilizar trámites institucionales;
debe ser evaluado por medio de encuestas a estudiantes de la
institución, con el fin de validar la satisfacción de los
usuarios.
5.1
Caso
de estudio
La
encuesta cuenta con un total de 8
preguntas y las respuestas siguen una escala de 1 a 5, donde
1 indica que se está totalmente en desacuerdo y 5 que está
totalmente de acuerdo.
Para la prueba de concepto, se contó con la
colaboración de 10 estudiantes de diferentes carreras y
niveles académicos. La población
objetivo respondió un cuestionario, conformado por las 8
preguntas que se muestran en la Tabla 4.
Tabla 4.
Preguntas de encuesta con tabulación de resultados. Fuente:
Elaboración propia
|
N°
|
Aspecto
|
Respuesta promedio
|
|
1
|
¿Es usted usuario frecuente de Whatsapp?
|
4.7
|
|
2
|
¿Considera usted que el servicio que ofrece
AVA mejora el servicio actual ofrecido por la
institución?
|
4.6
|
|
3
|
¿Considera a AVA un servicio amigable?
|
4.5
|
|
4
|
¿Considera que AVA cuenta con tiempos de
respuesta oportunos?
|
4.5
|
|
5
|
¿Considera que el lenguaje usado por el
asistente virtual es fácil de entender y permite
mantener un hilo conversacional?
|
4.3
|
|
6
|
¿Considera útil el material adjunto
proporcionado por AVA (Imagen, PDF)?
|
4.1
|
|
7
|
¿Considera usted útil el uso de asistentes
virtuales inteligentes para facilitar la comunicación
y trámites con algunas dependencias de la institución?
|
4.8
|
|
8
|
¿Recomendaría el servicio?
|
4.7
|
El
prototipo tuvo una gran aceptación por parte del público
académico, después de aplicar la encuesta que se muestra en la
Tabla 4, se puede concluir que los resultados de las encuestas son
satisfactorios, con más del 80% de la aprobación de los
usuarios, y con sugerencias en pro del crecimiento del
asistente virtual.
6. CONCLUSIONES Y TRABAJOS FUTUROS
A
continuación, se discuten las conclusiones más relevantes que
deja la implementación del Asistente Virtual Académico – AVA,
así como sus posibles complementos a futuro.
6.1
Conclusiones
El asistente virtual, facilita a los estudiantes la
solución de dudas de procesos institucionales mientras se
ahorra tiempo y esfuerzo humano.
Gracias al estudio realizado, se pudo
identificar cada una de las plataformas chatbot más
relevantes, y caracterizar las herramientas de procesamiento
de lenguaje natural más robustas.
El uso de tecnologías cognitivas facilita el
desarrollo de asistentes virtuales, ya que se encargan de
procesar el lenguaje natural de forma automática,
identificando las necesidades del usuario, permitiendo
centrarse en la implementación de las reglas de negocio.
6.2
Trabajos
futuros
Al trabajar con Dialogflow se podrá migrar a muchas
plataformas populares de mensajería del mercado con tan solo
un clic, lo que garantiza un plan de continuidad para la
utilidad del modelo de tecnología cognitiva a largo plazo.
Además, se podrá implementar un servicio altamente
personalizado, desde el cual se podrá conectar al CRM de la
institución y ejecutar acciones solicitadas, como matricular a un alumno o
cualquier otra acción que un usuario pueda ejecutar en el
sistema.
7.
AGRADECIMIENTOS
Se
agradece al Politécnico Colombiano Jaime Isaza Cadavid, al
Grupo de Investigación en Software - GRINSOFT, ya que desde el
Semillero de Investigación en Ingeniería de Software – SIIS,
se brindaron asesorías y espacios de trabajo adecuados durante
todo el desarrollo de este proyecto.
8. REFERENCIAS BIBLIOGRÁFICAS
Artículos:
[1]
Gartner, (2017). Predicts 2017: Marketers, Expect the
Unexpected. Recuperado de https://www.gartner.com/en/marketing/insights/articles/gartner-predicts-2017-marketers-expect-the-unexpected.
[2]
Alvarado, Diaz, (2015). Revista científica Pensamiento y
Gestión, N°38:Ene-Jun 2015.
[3]
BI Intelligence. (2016). 80% of businesses want chatbots by
2020.
[4]
Instituto de ingeniería del conocimiento, (2017). Procesamiento del lenguaje natural
¿qué es? Recuperado de http://www.iic.uam.es/inteligencia/que-es-procesamiento-del-lenguaje-natural/
[5] Deloitte Insights, (2018). Cognitive
technologies. A technical primer
[6]
Antídoto, (2018). Medium: ¿Qué es un ChatBot? Recuperado de https://medium.com/@antidoto.labstudio/qu%C3%A9-es-un-chatbot-82d7185ddb0c
[35] Hancock, B., Bordes, A., Mazaré, P.-E., & Weston, J.
(2019, junio 13). Learning from Dialogue after Deployment:
Feed Yourself, Chatbot! Recuperado de
https://arxiv.org/pdf/1901.05415.pdf
Referencias de internet:
[7] Politécnico Colombiano JIC. (2019). Sistema
PQRS. Extraído de: https://www.kawak.com.co/politecnicojic/pqrs/pqrs_index.php
[8] Politécnico Colombiano JIC, (Mayo 10 de 2019).
Extraído de: https://www.politecnicojic.edu.co/
[9] Dialogflow. (Mayo 15 de 2019). Extraído de: https://dialogflow.com/docs
[10] IBM Watson. (Mayo 15 de 2019). Extraído de: https://www.ibm.com/watson
[11] Amazon Lex. (Mayo 15 de 2019). Extraído de: https://aws.amazon.com/es/lex/
[12] Aivo. (Mayo 22 de 2019). Extraído de: https://www.aivo.co/agentbot-chat-atencion-automatica/
[13] Twyla. (Mayo 24 de 2019). Extraído de: https://www.twyla.ai/
[14] pypestream. (Mayo 24 de 2019). Extraído de: https://www.pypestream.com/
[15] liveagent. (Mayo 24 de 2019). Extraído de: https://www.liveagent.com/es/
[16] Digitalgenius. (Mayo 25 de 2019). Extraído de:
https://www.digitalgenius.com/
[17] Semanticmachines. (Mayo 25 de 2019). Extraído
de: www.semanticmachines.com
[18] Msg.ai. (Mayo 25 de 2018). Extraído de: https://msg.ai/
[19] Wit.ai. (Mayo 25 de 2019). Extraído de: https://wit.ai/
[20] Chatfuel. (Mayo 27 de 2019). Extraído de: https://chatfuel.com/
[21] Pandorabots. (Mayo 27 de 2019). Extraído de: https://home.pandorabots.com/home.html
[22] Microsoft Luis. (Mayo 27 de 2019). Extraído de:
https://azure.microsoft.com/es-es/services/cognitive-services/language-understanding-intelligent-service/
[23] Chatterbot. (Mayo 27 de 2019). Extraído de: https://chatterbot.readthedocs.io/en/stable/
[24] Rebot.me. (Mayo 27 de 2019). Extraído de: https://rebot.me/es/
[25] Manychat. (Mayo 28 de 2019). Extraído de: https://manychat.com/
[26] Flowxo. (Mayo 28 de 2019). Extraído de: https://flowxo.com/
[27] Gupshup. (Mayo 29 de 2019). Extraído de: https://www.gupshup.io/developer/home
[28] Reply.ai. (Mayo 29 de 2019). Extraído de: https://www.reply.ai/
[29] kitt.ai. (Mayo 29 de 2019). Extraído de: http://kitt.ai/
[30] It´s a live. (Mayo 29 de 2019). Extraído de: https://itsalive.io/
[31] Rasa. (Junio 01 de 2019). Extraído de: http://rasa.com/docs/rasa/
[32] Whatsapp. (Junio 28 de 2019). https://www.whatsapp.com/
[33] Reglamento estudiantil Politécnico Colombiano
JIC. (Mayo 10 de 2019). Extraído de: https://www.politecnicojic.edu.co/index.php/reglamento-estudiantil/category/318-reglamento-estudiantil
[34] Twilio. (Junio 28 de 2019). https://www.twilio.com/