Muchas empresas están recurriendo a métodos de IA como el aprendizaje profundo para optimizar el servicio al cliente. Así es como la Sundown AI puede alcanzar las mismas soluciones de una manera más rápida y económica, a través del aprendizaje automático.

    Video: Cómo diferenciar entre inteligencia artificial, aprendizaje automático y aprendizaje profundoLos avances en inteligencia artificial, aprendizaje automático y aprendizaje profundo están afectando a las empresas. Pero, los términos a menudo se usan indistintamente. He aquí cómo distinguirlos.

    En la era de la IA, muchos negocios están recurriendo a los chatbots y al aprendizaje profundo para mejorar el servicio al cliente. Pero no siempre es el mejor enfoque.

    «Hay demasiada publicidad en torno al aprendizaje profundo, y no es la herramienta adecuada para resolver todos los problemas», dijo Fabio Cárdenas, director ejecutivo de Sundown AI. Por qué? Es costoso, requiere enormes conjuntos de datos y a menudo conduce a sesgos, dijo. En lugar de recurrir al aprendizaje profundo, Sundown AI, establecida en 2014, ha dominado las interacciones automatizadas con los clientes utilizando una combinación de algoritmos de aprendizaje automático y de gráficos de políticas.

    Chloe es la plataforma de preguntas y respuestas de Sundown AI, que utiliza un avanzado procesamiento de lenguaje natural. Se puede utilizar en chats en línea, correo electrónico, llamadas telefónicas o aplicaciones móviles. Cuando un cliente hace una pregunta, Chloe encuentra la respuesta, la sirve y, a continuación, la respuesta se puede personalizar o enviar directamente al cliente. Si se hacen cambios en la respuesta, Chloe aprenderá de ella. El punto principal, dijo Cárdenas, es que el sistema debe proporcionar respuestas específicas. Para ello, se integra con datos de terceros, y puede extraer información relevante para el cliente para personalizar las respuestas.

    Esencialmente, «Chloe trabaja como compañera de equipo de IA para hacer que los humanos sean más productivos», dijo Cárdenas.

    La forma en que funciona la plataforma es a través del aprendizaje automático combinado con gráficos de políticas. (Para refrescar, el aprendizaje profundo es un subconjunto del aprendizaje automático. Los gráficos de políticas son el término de Sundown AI para la «relación entre las pistas contextuales, preguntas y respuestas dentro de un diálogo». El gráfico de políticas nos permite optimizar los resultados de las nuevas consultas de servicio al cliente utilizando el aprendizaje automático y algoritmos de gráficos», dijo Cárdenas. El término deriva del concepto de políticas en el aprendizaje de refuerzo y de algoritmos gráficos. El sistema puede determinar cuál es la relación entre las preguntas que se formulan, la respuesta y, a continuación, la respuesta de seguimiento. «Podemos reproducir algo de lo que se obtiene con el aprendizaje profundo, pero lo hacemos de una manera más eficiente desde el punto de vista computacional», dijo.

    Más información sobre innovación

    Chloe puede iniciar acciones, enviar notificaciones y esencialmente sirve como «una capa lingüística sobre estos sistemas», dijo Cárdenas. Y si hay múltiples preguntas, Chloe usa un sistema parecido a la memoria para recordar interacciones previas. Cárdenas contrasta esto con sistemas como IBM Watson, que según él «no tiene memoria y depende de la aplicación cliente para proporcionar memoria».

    Cárdenas dijo que la capacidad de Chloe para aprender la separa de muchas otras plataformas. Después de seleccionar una respuesta, la agrega a un «corpus», que es toda la información que la IA utiliza para determinar cómo proporcionar la respuesta óptima. El sistema está en continua evolución, dijo Cárdenas.

    Entonces, ¿cómo se compara Sundown AI con IBM Watson? Cárdenas dijo que el sistema de IBM «es terrible».

    «IBM Watson para la conversación es similar a un chatbot, y muy malo en eso», dijo. «Tenemos un costo más bajo con menores requisitos de datos que el que se obtiene con el aprendizaje profundo. Podemos manejar la complejidad de flujos de trabajo complejos y la lógica debido a nuestros gráficos de políticas. Manejamos datos no procesados y no estructurados, lo cual es un gran diferenciador. Los sistemas grandes no pueden hacer eso, especialmente los chatbots».

    VEA: Las innovaciones más importantes de la IA no están ocurriendo en los coches o robots, sino en el servicio al cliente.

    Con la capa lingüística de Chloe, dijo, se puede automatizar la capacitación sin supervisión hablando en el sistema. IBM no ha incorporado esto en su sistema, dijo, lo que significa que no es autoaprendizaje. Una cosa que el aprendizaje profundo puede hacer es usar la variabilidad semántica usando lenguajes naturales. Pero Cárdenas dice que no es necesario.

    Entonces, ¿por qué las empresas confiarían en el aprendizaje profundo? Cárdenas dijo que como es personalizado para cada cliente, «la empresa piensa que es genial y resolverá todos estos problemas». Y a veces, el aprendizaje profundo tiene grandes aplicaciones. El sistema de voz a texto de Google, por ejemplo, está entrenado en una variedad de palabras etiquetadas que se transcriben, y puede trabajar con grandes cantidades de datos. El algoritmo puede entonces entrenarse a sí mismo en nuevas entradas. A continuación, el sistema realiza pronósticos basados en datos.

    El aprendizaje profundo, dijo Cárdenas, es mejor cuando no está orientado a los objetivos. Cuando está «abierto a una amplia variedad de aportaciones y preguntas, y debe responder a casi cualquier cosa que surja. «¿Por qué el cielo es azul?»»¿Quién era el presidente de Italia en 1984? Cualquier cosa que sea muy abierta funciona bien con estos sistemas debido a la forma en que fueron diseñados», dijo.

    Pero las preguntas de servicio al cliente tienen una meta en mente, dijo, y son necesarias para encontrar respuestas rápidamente. Por eso, Cárdenas se centra en preguntas y respuestas específicas. «Realmente cambia el enfoque del sistema, y hace que nuestro sistema sea particular con la funcionalidad que proporcionamos. Es excelente para resolver preguntas sobre cuestiones de servicio al cliente», dijo. «No es bueno para reemplazar a Siri.»

    Además, el aprendizaje profundo es «computacionalmente costoso, hay muchos algoritmos involucrados, requiere mucha potencia de computación», dijo Cárdenas. «Desde un punto de vista financiero, eso también tiene un problema con la cantidad de recursos que se necesitan. Actualización de las bases de conocimiento. Nuestro sistema es más eficiente en cuanto a datos. Cuesta menos y el sistema evoluciona».

    El aprendizaje profundo requiere enormes conjuntos de datos, con cientos de miles de registros. Si se quiere un sistema que identifique las imágenes de los automóviles, se necesitan millones de registros, dijo. «Es una locura pensar que una empresa, a menos que seas una empresa, va a tener millones de registros para que los pongas en tus algoritmos para generar resultados. Simplemente no es factible.» Incluso cuando una empresa tiene 10.000 correos electrónicos al día, puede no ser suficiente para un aprendizaje profundo, dijo Cárdenas.

    Además, estos conjuntos de datos introducen sesgos. «Cuando se entrena un algoritmo de aprendizaje profundo, depende del conjunto de entrenamiento que se utilizó», dijo. «En un contexto de servicio al cliente, eso significa que tienes que volver a capacitarlo cada vez que cambias de cliente. Si se puede aplicar incluso una parte de los datos antiguos a un nuevo cliente, se producirá un sesgo», dijo Cárdenas. «Es imposible de usar.»

    Esto se debe a que hay «cambios en el contenido, la sintaxis, la morfología, la gramática, todas estas cosas están relacionadas con el cambio de idioma, porque el conjunto de la formación es diferente. Cuando intentas aumentar los algoritmos de aprendizaje profundo y tienes algo abierto como Siri, cuantos más datos obtenga, mejor se convertirá. Pero eso no es factible cuando se está haciendo este trabajo con compañías limitadas en escalas limitadas para el servicio al cliente».

    También está el tema de los científicos de datos de aprendizaje profundo, que según Cárdenas son «raros» y «codiciados por todas las mejores empresas». Eso los hace valiosos, y también muy caros, lo que hace que el producto en general sea más caro. Cárdenas, en cambio, utiliza máquinas de aprendizaje de datos científicos.

    El ahorro de costos puede ser enorme, dijo Cárdenas. Los competidores podrían cobrar $150,000 por una implementación, y Watson podría obtener hasta $500,000. Sundown AI cobra entre 10.000 y 25.000 euros. «Tratamos de ser como una décima parte del precio», dijo. Después de eso, hay una tasa para completar las tareas que consultan al sistema.

    «No estamos en desacuerdo en que el aprendizaje profundo es una gran herramienta», dijo Cárdenas. «Creemos que el aprendizaje profundo es una de las mejores herramientas que tenemos. No es la mejor herramienta para este problema. Lo que hemos sido capaces de hacer es resolver este problema sin él».

    Próximo boletín informativo de Big Thing

    Conoce las ciudades inteligentes, la IA, la Internet de las cosas, la RV, la conducción autónoma, los aviones no tripulados, la robótica y más de las innovaciones tecnológicas más geniales.

    Entregado los miércoles y viernes

    mismo