La automatización todavía parece depender de flujos de trabajo bien estructurados para ofrecer respuestas coherentes y precisas a las consultas de los clientes.
OpenAI ha llevado a cabo una investigación en la que utiliza la documentación de una organización para crear flujos de trabajo o lo que se conoce como datos gráficos. Esencialmente, nodos y aristas que actúan como puntos de decisión.
Pero, ¿qué hacer si no hay documentación o manuales de formación que utilizar como fuente?
En esta investigación, Salesforce AI Research analiza el potencial de la extracción automática de flujos a partir de conversaciones o interacciones pasadas con clientes.
El proceso de extracción que proponen consta de dos etapas principales:
- Una fase de recuperación que identifica las conversaciones relevantes centrándose en los elementos clave del procedimiento,
- Una fase de generación de flujos de trabajo estructurados, que emplea una técnica de incitación a la cadena de pensamiento basada en preguntas-respuestas (QA-CoT).
Para evaluar a fondo la calidad de los flujos de trabajo extraídos, presentan un marco de simulación con un agente de IA automatizado y bots de clientes, que evalúa la eficacia de los flujos de trabajo para resolver los problemas de los clientes.
Las pruebas exhaustivas realizadas en conjuntos de datos demuestran que el enfoque QA-CoT mejora la extracción de flujos de trabajo.
Además, el método de evaluación que han desarrollado se ajusta perfectamente a los juicios humanos, lo que ofrece un marco fiable y escalable para futuras investigaciones.
Tabla de contenidos
Elementos de procedimiento – Intentos y entidades
La siguiente imagen es un ejemplo de elementos de procedimiento extraídos de una conversación por el GPT-4o mini LLM. Observa la intención, y las ranuras son análogas a las entidades. Este formato de datos realmente se remonta a los bloques de construcción básicos de Chatbots apuntalados por un motor NLU que gestiona intenciones y entidades.
La tarea de extracción de flujos de trabajo de diálogo simplifica y organiza los pasos necesarios para resolver los problemas de los clientes en directrices claras.
Por ejemplo, incluye un flujo de trabajo para los clientes que se quejan de una factura que no han comprado (ilustrado a continuación), acompañado del correspondiente diagrama de máquina de estados que describe varios escenarios.
El proceso hace hincapié en dos objetivos principales para mejorar la extracción de flujos de diálogo:
La recuperación, que consiste en seleccionar las conversaciones pasadas más relevantes, y
Extracción, que emplea un enfoque estructurado de preguntas y respuestas para crear flujos de trabajo a partir de esas conversaciones.
QA-CoT (Cadena de preguntas y respuestas)
- Empezar con una conversación: La IA recibe una conversación histórica, como la de un cliente que dice: «Me han facturado algo que no he comprado», y las respuestas del agente.
- Plantear preguntas concretas: La IA recibe preguntas como: «¿Cuál es el principal problema del cliente?». «¿Qué información ha facilitado el cliente (nombre, número de cuenta, etc.)? «¿Qué condiciones se aplican (por ejemplo, nivel de afiliación, errores del sistema)? «¿Qué pasos dio el agente para resolverlo?».
- Respuesta paso a paso: Para cada pregunta, la IA proporciona una respuesta basada en la conversación. Por ejemplo Problema principal: «Facturación incorrecta. Información proporcionada: «Número de cuenta». Condiciones: «Miembro Gold, sin error del sistema». Pasos: «Verificar cuenta, comprobar historial de compras, emitir reembolso».
- Construir el flujo de trabajo: Estas respuestas se unen en una secuencia clara de pasos: un flujo de trabajo procesable que cubre el escenario.
Por último
El marco presentado supone un importante paso adelante en el perfeccionamiento del funcionamiento de los agentes de servicio impulsados por IA.
Al transformar conversaciones desordenadas del mundo real en flujos de trabajo claros y procesables, los autores demuestran una solución práctica a un problema de larga data en la automatización del servicio de atención al cliente.
Su enfoque en la recuperación y la extracción de QA-CoT no sólo mejora la precisión, sino que también sienta las bases para sistemas de IA escalables y adaptables.
A medida que las empresas confían cada vez más en la automatización para gestionar las interacciones con los clientes, esta investigación ofrece un modelo para hacer que esas interacciones sean más eficientes y fiables.
En última instancia, es un recordatorio convincente de que la clave para mejorar la IA reside en aprender del pasado, convirtiendo los diálogos cotidianos en los cimientos de las soluciones del mañana.
Sígueme en LinkedIn
Chief Evangelist @ Kore.ai | Me apasiona explorar la intersección de la IA y el lenguaje. Desde modelos lingüísticos y agentes de IA hasta aplicaciones agenéticas, marcos de desarrollo y herramientas de productividad centradas en los datos, comparto ideas sobre cómo estas tecnologías están dando forma al futuro.