![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"Mediano")
<\/span><\/div><\/div><\/div>NOTICIAS \/ TECNOLOG\u00cdA AI<\/p>\n<\/div>
25 de noviembre de 2020
\nLos asesores de los centros de atenci\u00f3n telef\u00f3nica est\u00e1n empezando a ver c\u00f3mo el NLU aparece en su d\u00eda a d\u00eda, ayud\u00e1ndoles a responder m\u00e1s f\u00e1cilmente a las solicitudes de los clientes. Para ello, una herramienta debe ser capaz de reconocer al mismo tiempo la solicitud del cliente y sus caracter\u00edsticas, es decir, una intenci\u00f3n y unas entidades con nombre.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
\u201cOK Google, pon los Rolling Stones en Spotify\u201d, \u201cAlexa, \u00bfqu\u00e9 tiempo hace hoy en Par\u00eds?\u201d, \u201cSiri, \u00bfqui\u00e9n es el presidente franc\u00e9s?\u201d.\u201d<\/em><\/p>\n Si alguna vez ha utilizado asistentes vocales, indirectamente habr\u00e1 utilizado algunos procesos de comprensi\u00f3n del lenguaje natural (NLU). La misma l\u00f3gica se aplica a los asistentes de chatbot o al enrutamiento automatizado de tickets en los servicios de atenci\u00f3n al cliente. Desde hace alg\u00fan tiempo, el NLU forma parte de nuestra vida cotidiana y probablemente no vaya a dejar de hacerlo.<\/span><\/p>\n Automatizando la extracci\u00f3n de la intenci\u00f3n del cliente, por ejemplo, NLU puede ayudarnos a responder a las solicitudes de nuestros clientes con mayor rapidez y precisi\u00f3n. Por eso todas las grandes empresas se han embarcado en el desarrollo de su propia soluci\u00f3n. Sin embargo, con todas las bibliotecas y modelos que existen en el campo del NLU, todos ellos reivindicando resultados punteros o f\u00e1ciles de obtener, a veces resulta complicado orientarse. Tras haber experimentado con varias bibliotecas en nuestros proyectos de NLU en Artefact, quer\u00edamos compartir nuestros resultados y ayudarle a conocer mejor las herramientas actuales en NLU.<\/span><\/p>\n \u00bfQu\u00e9 es NLU ?<\/strong><\/span><\/p>\n La comprensi\u00f3n del lenguaje natural (NLU) se define por\u00a0Gartner<\/a>\u00a0como \u201cla comprensi\u00f3n por parte de los ordenadores de la estructura y el significado del lenguaje humano (Por ejemplo.<\/em>, ingl\u00e9s, espa\u00f1ol, japon\u00e9s), que permite a los usuarios interactuar con el ordenador utilizando frases naturales\u201d. En otras palabras, NLU es un subdominio de artificial intelligence que permite interpretar textos analiz\u00e1ndolos, convirti\u00e9ndolos en lenguaje inform\u00e1tico y produciendo una salida de forma comprensible para los humanos.<\/p>\n Si observa detenidamente c\u00f3mo funcionan los chatbots y los asistentes virtuales, desde su solicitud hasta su respuesta, NLU es una capa que extrae su intenci\u00f3n principal y cualquier informaci\u00f3n importante para la m\u00e1quina, de forma que pueda responder mejor a su solicitud. Pongamos que llama al servicio de atenci\u00f3n al cliente de su marca favorita para saber si el bolso de sus sue\u00f1os est\u00e1 por fin disponible en su ciudad: NLU le dir\u00e1 al asistente que tiene una solicitud de disponibilidad de producto y buscar\u00e1 el art\u00edculo concreto en la base de datos database de productos para averiguar si est\u00e1 disponible en el lugar que desea. Gracias a NLU, hemos extra\u00eddo una intenci\u00f3n, un nombre de producto y una ubicaci\u00f3n.<\/p>\n (Arriba: llustraci\u00f3n de la intenci\u00f3n de un cliente y varias entidades que se extraen de la conversaci\u00f3n)<\/em><\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n El lenguaje natural est\u00e1 inculcado en el data de la mayor\u00eda de las empresas y, con los recientes avances en este campo, teniendo en cuenta la democratizaci\u00f3n de los algoritmos NLU, el acceso a m\u00e1s potencia inform\u00e1tica y m\u00e1s data, se han puesto en marcha numerosos proyectos NLU. Veamos uno de ellos.<\/span><\/p>\n Presentaci\u00f3n del proyecto<\/span><\/strong><\/p>\n Un proyecto t\u00edpico en el que se utiliza NLU es, como ya se ha mencionado, ayudar a los asesores de los centros de llamadas a responder a las peticiones de los clientes con mayor facilidad a medida que avanza la conversaci\u00f3n. Para ello tendr\u00edamos que realizar dos tareas diferentes:<\/span><\/p>\n Cuando examinamos por primera vez las soluciones sencillas y disponibles en el mercado para estas dos tareas, pudimos encontrar m\u00e1s de una docena de marcos de trabajo, algunos desarrollados por GAFAM y otros por colaboradores de plataformas de c\u00f3digo abierto. Imposible saber cu\u00e1l elegir para nuestro caso de uso, c\u00f3mo se comporta cada uno de ellos en un proyecto concreto y real data, aqu\u00ed conversaciones de audio de centros de llamadas transcritas a texto. Por eso hemos decidido compartir nuestra comparativa de rendimiento con algunos consejos, as\u00ed como los pros y los contras de cada una de las soluciones que hemos probado.<\/span><\/p>\n Es importante se\u00f1alar que este punto de referencia se ha realizado con el ingl\u00e9s data y texto hablado transcrito, por lo que no puede utilizarse tanto como referencia para otros idiomas o aplicaciones que utilicen directamente texto escrito, <\/span><\/i>Por ejemplo.<\/span> casos de uso de chatbot.<\/span><\/i><\/p>\n<\/div><\/div><\/div><\/div><\/div> Punto de referencia<\/strong><\/span><\/p>\n Detecci\u00f3n de intenciones <\/strong><\/p>\n El objetivo aqu\u00ed es poder detectar lo que quiere el cliente, su intenci\u00f3n. Dada una frase, el modelo tiene que ser capaz de clasificarla en la clase adecuada, correspondiendo cada clase a una intenci\u00f3n predefinida. Cuando hay varias clases, se denomina tarea de clasificaci\u00f3n multiclase. Por ejemplo, una intenci\u00f3n puede ser \u201cquiereComprarProducto\u201d o \u201cest\u00e1BuscandoInformaci\u00f3n\u201d. En nuestro caso, hab\u00edamos definido <\/span>5 intenciones diferentes<\/b> y se utilizaron las seis soluciones siguientes para la evaluaci\u00f3n comparativa:<\/span><\/p>\n Todos los modelos siguientes se han entrenado y probado con los mismos conjuntos data: 1600 enunciados para el entrenamiento y 400 para las pruebas. Los modelos no se han afinado, por lo que algunos de ellos podr\u00edan tener mejores resultados que los que se presentan a continuaci\u00f3n.<\/span><\/p>\n *Tiempo de inferencia en el Macbook Air local (Intel Core i5-8 de doble n\u00facleo a 1,6 GHz Go 1600 MHz de RAM DDR3).<\/em><\/p>\n Extracci\u00f3n de entidades<\/span><\/strong><\/p>\n El objetivo es poder localizar palabras concretas y clasificarlas correctamente en categor\u00edas predefinidas. De hecho, una vez que haya detectado lo que su cliente desea hacer, puede que necesite encontrar m\u00e1s informaci\u00f3n en su solicitud. Por ejemplo, si un cliente quiere comprar algo puede que usted quiera saber de qu\u00e9 producto se trata, en qu\u00e9 color o si un cliente quiere devolver un producto, puede que usted quiera saber en qu\u00e9 fecha o en qu\u00e9 tienda se realiz\u00f3 la compra. En nuestro caso, hab\u00edamos definido <\/span>16 entidades personalizadas<\/b>: 9 entidades relacionadas con el producto (nombre, color, tipo, material, tama\u00f1o, ...) y entidades adicionales relacionadas con la geograf\u00eda y el tiempo. En cuanto a la detecci\u00f3n de intenciones, se han utilizado varias soluciones para realizar un an\u00e1lisis comparativo:<\/span><\/p>\n Todos los modelos siguientes se han entrenado y probado con los mismos conjuntos data: 1600 enunciados para el entrenamiento y 400 para las pruebas. Los modelos no se han afinado, por lo que algunos de ellos podr\u00edan tener mejores resultados que los que se presentan a continuaci\u00f3n.<\/span><\/p>\n Conclusi\u00f3n<\/strong><\/span><\/p>\n Entre las soluciones probadas en nuestro centro de llamadas dataset, ya sea para la detecci\u00f3n de intenciones o para el reconocimiento de entidades, ninguna destaca en t\u00e9rminos de rendimiento. Seg\u00fan nuestra experiencia, la elecci\u00f3n de una soluci\u00f3n sobre otra debe basarse, por tanto, en su practicidad y en funci\u00f3n de su caso de uso espec\u00edfico (si ya utiliza Azure, si prefiere tener m\u00e1s libertad para afinar sus modelos...). Como recordatorio, nos limitamos a tomar las bibliotecas tal cual para producir este benchmark, sin afinar los modelos, por lo que los resultados mostrados deben tomarse con una ligera retrospectiva y podr\u00edan variar en un caso de uso diferente o con m\u00e1s entrenamiento data.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0OjPKI5wNoTgCuUKG.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0xOx9HfmdoP11xP-r.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0I1biKTnMgj7kziLM.png\")
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>