La capacidad de autoaprendizaje de la IA conversacional de HiJiffy.

Hijiffy - self-learning ai blog
Maciej
septiembre 16, 2022

Pongámonos técnicos en este artículo y exploremos una de las capacidades más fascinantes de nuestro sistema operativo Aplysia OS: el autoaprendizaje. ¿Qué significa? ¿Cómo funciona? Hemos preguntado al equipo de Aplysia Lab estas preguntas y esto es lo que hemos aprendido.

Desarrollo del «cerebro» de un chatbot

Antes de profundizar en el tema del autoaprendizaje de la IA, vale la pena parar un momento para explicar qué es exactamente un chatbot en este contexto. Puede definirse como un programa con inteligencia artificial capaz de mantener una conversación con un humano, gracias a los últimos avances en IA y Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés). De cualquier forma, igual que los humanos, no poseen todo el conocimiento del mundo desde el inicio. A veces no conoce palabras o ciertas expresiones lingüísticas específicas porque simplemente todavía no ha tenido la oportunidad de aprenderlas. Para usar una analogía, el conocimiento contenido en el modelo de IA conversacional es como el cerebro de un chatbot.

Estos modelos se desarrollan y crecen con el tiempo porque pueden aprender continuamente. A menudo, estas sesiones de capacitación están a cargo de un ser humano sin supervisión y sin verificación de cómo el modelo reacciona. Si se le enseña mal o no se le instruye sobre cómo hacer su trabajo correctamente, cometerá errores. 

Sin una capacitación y pruebas exhaustivas, es probable que los modelos tengan los siguientes problemas y desafíos:

  1. Falta de conocimiento de palabras, oraciones o expresiones.

Existen millones de expresiones, palabras y oraciones con varios significados en el mundo, y todas cambian dentro de cada dialecto. Esto puede llevar a que el chatbot ocasionalmente no tenga suficiente información y dé una respuesta incorrecta a las preguntas del usuario.

  1. Superposición en la identificación de temas (confusión de temas).

Si el modelo no ha recibido suficiente información para distinguir entre temas parecidos, puede interpretarlos incorrectamente y ofrecer respuestas confusas.

  1. Reducido nivel de precisión en las respuestas requeridas.

La precisión del chatbot determina su tasa de éxito e impacta directamente en sus capacidades de automatización.

¿Cómo funciona el autoaprendizaje de la IA?

HiJiffy ha creado una herramienta de autoaprendizaje para la IA conversacional como parte de Aplysia OS. En otras palabras, nuestra tecnología puede aprender de nuevos temas, expresiones, oraciones y palabras para abordar los problemas tratados previamente. Puede identificar más de 200 temas específicos sobre hotelería. Gracias a su capacidad de autoaprendizaje, la IA de HiJiffy puede utilizar los comentarios de los clientes para comprender términos y expresiones identificados incorrectamente. Además, se puede adaptar su modelo para diferenciar mejor entre temas ya existentes y, en última instancia, mejorar la precisión de sus respuestas y reducir la tasa de error. 

La siguiente ilustración resume el flujo de aprendizaje:

Como vemos, este sistema de autoaprendizaje se basa en los comentarios de nuestros clientes. HiJiffy permite que el personal del hotel avise de oraciones provenientes de conversaciones reales con los huéspedes si creen que la IA no está ofreciendo la mejor respuesta.

Teniendo en cuenta que el enfoque de HiJiffy es conectar mejor los hoteles y huéspedes y ayudar a los hoteleros a automatizar procesos, mejoramos continuamente nuestro modelo de IA conversacional para ofrecer la respuesta más precisa posible a los huéspedes de nuestros clientes. Todos los comentarios son bienvenidos y se utilizan para mejorar aún más nuestro modelo.

Con esto en mente, hemos desarrollado una herramienta de autoaprendizaje basada en la comprobación de que los casos informados por los clientes han sido registrados correctamente. Esto también sirve para probar y medir el impacto de la capacitación para entender las oraciones y mejorar nuestro modelo de conocimiento. Esta herramienta proporciona métricas específicas y decide qué casos se deben cambiar y cuáles no, teniendo en cuenta los mecanismos de la IA y del aprendizaje automático.

Autoaprendizaje en la práctica

Para entender mejor este proceso complejo, echemos un vistazo a algunos casos de estudio que muestran cómo nuestra herramienta de autoaprendizaje aborda los tres desafíos mencionados anteriormente.

Falta de conocimiento de palabras, oraciones o expresiones

La IA conversacional no reconoce la palabra hidroavión como medio de transporte. Uno de nuestros clientes proporcionó esta información a Aplysia OS. La herramienta de autoaprendizaje utilizó esta información para verificar si lo que el cliente había escrito era exacto y determinar que un hidroavión es un medio de transporte. Aplysia SO aprobó este caso, y la IA conversacional aprendió que un hidroavión es un medio de transporte.

Superposición en la identificación de temas (confusión de temas)

La frase «cargar coche eléctrico» se asignó al tema «aparcamiento» en vez de al de «coches eléctricos» debido a la superposición entre los dos temas. Al revisar esta situación, Aplysia SO se percató del problema gracias a los comentarios de un cliente. Resultó que había una superposición de oraciones mal etiquetadas que eran ambiguas para el modelo, lo que dificulta la distinción entre los dos temas. Aplysia SO atendió estas oraciones mal etiquetadas y la IA aprendió cómo asignar correctamente la frase «cargar coche eléctrico» al tema más relevante.

Reducido nivel de precisión en las respuestas requeridas

Para ilustrar este desafío, Aplysia Lab seleccionó un conjunto de datos con 2554 mensajes que estaban correctamente etiquetados con el tema (esta anotación fue realizada por nuestros clientes a lo largo del tiempo). Había al menos un mensaje de cada tema en este conjunto de datos. Ejecutamos la IA conversacional para verificar los resultados antes y después del trabajo de la capacidad de autoaprendizaje.

A continuación puedes encontrar una breve muestra del conjunto de datos para ilustrar los resultados. El ejemplo muestra los mensajes (en ortografía original) y las respuestas correctas. En las últimas dos columnas, están los resultados antes y después de implementar el autoaprendizaje.

Mensajes originalesRespuesta previstaEtiquetado correcto antes del autoaprendizajeEtiquetado correcto después del autoaprendizaje
Hi there! How are you? We are planning our trip to Sri Lanka for next September and we would like to propose you a collaboration😊 Where can we send an email to the Marketing department? Thanks!Transfers, Shuttles and Car pick-up service
good morning. I have already made the reservation. I wanted to know the best option to go by trainTransfers, Shuttles and Car pick-up service
would like to offer our company canned pineapple tidbits and rings for you.Purchasing and Business queries
I want to book a jetski tourOutdoor activities
Hi what is the best currency to bring to resortCurrency
We are staying next weekend , is the trout fishing in season ?Outdoor activities
i need to ask if there/’s a minimum number of stay for «book early & save more» offer?Discounts, Offers and Partnerships
I need broucher for water sport activities with pricesWater Sports
Seafood BuffetBuffet
Can you email me the hotel to ask for a taxi to pick us up at the airport?Taxi service

Como se muestra, las respuestas que no fueron asignadas correctamente a los mensajes inicialmente, si lo fueron después de aprendizaje. Las oraciones presentadas pueden haber sido algunas para las que la IA conversacional tuvo que aprender y adaptar su conocimiento.

Cabe señalar que este ejemplo muestra casos en los que la IA aprendió la respuesta. Existen otros en los que el cliente o el personal del hotel enviaron oraciones que podrían no tener sentido y, como se explicó anteriormente, Aplysia SO evita que la IA aprenda estos casos.

El gráfico siguiente muestra la exactitud y precisión del modelo de IA conversacional antes y después del autoaprendizaje. 

Teniendo en cuenta todos los cambios propuestos por la herramienta de autoaprendizaje, mejoramos el modelo y no hemos registrado ninguna degradación en las respuestas previas que la IA ya había dado correctamente.

Además de que la IA conversacional pudo abordar y resolver los desafíos presentados en este artículo, pudimos lograr mejores resultados en alrededor del 4 % en este conjunto de datos. Se probaron otros conjuntos de datos y, en promedio, observamos un 5 % de mejores resultados después de la semana de autoaprendizaje.

En definitiva, esta característica dentro de Aplysia OS permite a nuestra IA conversacional aprender a lo largo del tiempo con lo que nuestros clientes quieren. Además, los resultados mejoran con el tiempo y HiJiffy perfecciona continuamente nuestro modelo para el sector hotelero.


Gracias a Eduardo Machado de nuestro Aplysia Lab por contribuir a este artículo.

Eduardo Machado
Data Engineer

Maciej
Marketing Content & Branding Executive

¿Quiere recibir insights exclusivos sobre Gestión Hotelera?

Únase a nuestra lista y acceda a los mejores artículos cada mes.

Newsletter