El mundo de la Inteligencia Artificial y de los chatbots sigue avanzando al tiempo que los clientes finales se acostumbran a su uso. Su implementación ya es real en cientos de empresas, sin embargo, en muchas ocasiones aún nos resulta complejo entender cómo integrarla y, lo que es más importante, cómo sacar provecho de ella. Para ayudar en este punto Madrid AI organizó el pasado miércoles 5 de septiembre su primera reunión tras el verano en la capital.
En esta edición, los chatbots volvieron a hacerse un hueco de la mano de dos de nuestros colaboradores Jesús Martín, VUI, UX and Product Designer en BBVA Next Technologies, y Marian C. Moldován, Innovation worker en BBVA Next Technologies, quienes a lo largo de su ponencia presentaron los diez retos y las diez soluciones para los mismos que la película Her plantea al recrear una relación entre humano y asistente virtual.
Si has visto esta película, habrás comprobado que las conversaciones que mantienen el protagonista y Samantha (la asistente virtual) son completamente normales. A primera vista, mantener un diálogo tan completo con una máquina parece imposible, pero la realidad en muchas ocasiones supera a la ficción y ya existen formas de hacerlo. Así pues, Moldován presentó herramientas como WaveNet (que recrea sonidos humanos), LFU (Languaje Funtion Understanding) dentro del NLU, ASR… entre otras que permiten llevarla a cabo. Y si no te lo crees que invito a recordar la conversación que presentaron en el I/O de Google hace unos meses:
Pero ellos no fueron los únicos en hablar de estas interfaces. Arturo García, Principal en Rational Touch comentó las tácticas que implementan desde esta compañía con el uso de Rasa para mejorar el NLU. En ese contexto, hizo referencia al potencial de la unión entre Rasa y DialogFlow, una combinación por la que ellos apuestan en numerosas ocasiones.
Además, recomendó algunos de los documentos sobre chatbots compartidos por WoChat en los que se comenta las posibilidades de Rasa.
Tabla de contenidos
WOCHAT
Workshops and Session Series on Chatbots and Conversational Agents.
workshop.colips.org
Sin embargo, las aplicaciones de la Inteligencia Artificial van mucho más allá de las interfaces convencionales. La rama del Machine Learning ha demostrado todo su potencial a la hora de cribar datos y ofrecer resultados verdaderamente esclarecedores para mejorar la experiencia del usuario y los servicios que ofrecen las compañías, permitiendo reducir de este modo y entre otras cosas, el famoso Churn o tasa de abandono de suscripción de los clientes. Para hablar precisamente de esto, Mario Passani, Data Scientist de Orange, estuvo en el encuentro.
Como todos nos podemos imaginar, el churn es uno de los quebraderos de cabeza dentro del mundo de las compañías telefónicas. De ahí nace su interés por intentar reducirlo utilizando diferentes estrategias de marketing y, por supuesto, de Data Science. A lo largo de su ponencia Mario explico cómo la compañía hace uso de los modelos de Machine Learning rápidos, eficaces y comprensibles para generar estrategias que permitan reducir el churn. En este punto, destacó que es importante que los resultados sean limpios y puedan aplicarse fácilmente a los ámbitos de marketing y negocio, pues es la man
Ejemplos de algunas posibles variables empleadas en los modelos predictivos de churn
Esta sexta edición de Madrid AI finalizó como de costumbre con la sesión clinic de preguntas en las que los asistentes pudieron resolver sus dudas sobre las ponencias.
Un gran encuentro en el que ponentes, asistentes e invitados de honor compartieron una vez más todas las novedades y curiosidades que este mundo en pleno desarrollo está demostrando.
¿No pudiste venir y quieres verlo? Aquí te dejamos el vídeo.