CHATBOT

1. Introducción
El desarrollo de la inteligencia artificial cada vez está más presente en nuestras
vidas y con el paso del tiempo su presencia irá en aumento gracias al impulso
que actualmente están aportando los gigantes tecnológicos.
Precisamente, hace unos meses Facebook anunció oficialmente en su
conferencia anual de desarrolladores F8 la llegada de los bots a Messenger,
pero ¿qué es un bot y para qué sirve?, ¿cuándo surgieron?, ¿qué compañías
los fabrica?, ¿podrán reemplazar a las aplicaciones de mensajería? ¿Por qué
se han puesto de actualidad?, etc.
En el presente trabajo trataremos de explicar con claridad acerca de los bot.
2. Concepto
Un bot es un software de inteligencia artificial diseñado para realizar una serie
de tareas por su cuenta y sin la ayuda del ser humano como hacer una reserva
en un restaurante, marcar una fecha en el calendario, separar una cita con
clientes, realizar una venta online, recoger y mostrar información a los usuarios
etc.
El modelo más frecuente es el del chatbot, un robot capaz de simular una
conversación con una persona y por ello cada vez están más presentes en las
aplicaciones de mensajería.
3. Qué hace un bot.
Los bots son utilizados principalmente para llevar a cabo las funciones de
atención al cliente, por lo que pueden resolver las necesidades de una persona.
Un ejemplo de esta actividad lo aporta la compañía mexicana Taco Bell, la cual
ha incorporado un chatbot gracias al cual se pueden gestionar los pedidos de
comida a través de una conversación con el bot automatizado. De tal forma que
cuanto más mejore la tecnología, mejor será el servicio que ofrezca un chatbot
llegando a automatizar todo tipo de cosas.

4. Dónde operan.
Los bots desarrollan su actividad fundamentalmente en las aplicaciones de
mensajería y para lo cual incorporan una interfaz conversacional. Por ejemplo
en Slack, el servicio de mensajería para la comunicación interna en empresas,
los chatbots ayudan a gestionar tareas relacionadas con el trabajo, como
gastos o tareas pendientes.
Por su parte, la plataforma Kik Mssenger, que cuenta con 275 millones de
usuarios, acaba de lanzar una tienda de bots, entre los que destacan un bot
para enviar a los internautas Vines y otro que manda notificaciones a los
usuarios sobre la compañía de maquillaje Sephora. Mientras que Twitter
también ha incorporado bots en su plataforma como es el caso de uno que
tuitea en el momento en que se registra un terremoto. Otra de las plataformas
sociales que también ha incorporado esta tecnología es Telegram.

Pero sin lugar a dudas es Facebook el principal exponente de los chatbots, ya

que tras la conferencia anual de desarrollares estas herramientas para operar
en su canal de mensajería Messenger. La función que llevarán a cabo será la
de facilitar la relación entre cliente y marca así como responder a los usuarios
con los denominados 'mensajes estructurados', los cuales incluyen un título,
una imagen, una descripción y una URL.

5. Quién los fabrica.

La multinacional Microsoft y la plataforma Slack son dos de las compañías que
más están apostando en la creación de estos softwares. También destaca
Google, una de las empresas que cuenta con más servicios para ejercer la
inteligencia artificial. Y es que el gigante de Internet está diseñando un chatbot
que funcionará dentro de un nuevo servicio de mensajería móvil.
Facebook, la compañía dirigida por Mark Zuckerberg, está suministrando a sus
desarrolladores herramientas de API (Interfaz de Programación de
Aplicaciones) para que puedan crear estos softwares de inteligencia artificial,
puesto que la mayoría de las empresas no disponen de recursos para elaborar
chatbots por sí mismos.

6. Cuándo surgieron los bots.

Los bots llevan existiendo desde hace más de 50 años cuando el matemático
británico Alan Turing inventó los conceptos que hoy en día hacen funcionar las
computadoras modernas y la IA. Sin embargo, el auge de las apps de
mensajería móvil como FB Messenger, Slack o WeChat, ha provocado que los
bots vuelvan a ser relevantes.

7. Porqué están de actualidad.

La principal razón se achaca a la rapidez con la que mejoran los softwares de
Inteligencia Artificial, siendo los culpables de este auge las principales
tecnológicas de Silicon Valley como Facebook y Google, entre otros. Y es que
la IA permite a los ordenadores procesar el lenguaje, y en el fondo conversar
con las personas, de una forma que nunca antes se había visto.
Otro motivo tiene que ver con las oportunidades que ofrece esta tecnología
para convertirse en una nueva fuente de ingresos. En este sentido, Messeger
de Facebook, que cuenta con 900 millones de usuarios, se ha volcado de lleno
en el desarrollo de bots para que tanto editores como empresas puedan ofrecer
sus servicios y productos a través de este canal. De esta forma, los fabricantes
e inversores buscarán aprovechar de la mejor manera posible este mercado
potencialmente lucrativo.

8. ¿Cuál es su modelo de negocio?.

Las tecnológicas no están centrando todos sus esfuerzos en la creación de
bots por casualidad. Está claro que con este mercado se pueden obtener
importantes beneficios económicos de tal manera que existen oportunidades
para generar ingresos a través de las suscripciones, la publicidad y el comercio
electrónico.
En base a este planteamiento, si los bots permiten ahorra tiempo a los
usuarios, es posible que se adopten modelos de suscripción para disponer de
ellos. Además, si un bot remplaza a las funciones de los motores de búsqueda
de Google, puede que incorporen contenidos publicitarios. Y por último, si el
bot influye en la decisión de una compra de comercio electrónico, el creador del
software podría obtener una comisión.

9. chatbots en el futuro

Gracias al uso de sistemas de aprendizaje, veremos chatbots más sofisticados

desarrollados para aprender acerca de los usuarios a partir de conversaciones
y otros datos existentes dentro de la empresa. Un cliente de una línea aérea,
por ejemplo, podría preguntar acerca de los vuelos disponibles a Madrid en los
tres próximos meses. Al acercarse la posible fecha de viaje, los chatbots
podrían usar esa información para iniciar una conversación pertinente y tramitar
una reserva.
Asimismo, se prevén desarrollos interesantes gracias a técnicas que permiten a
los chatbots introducir realidad aumentada en las conversaciones. Un viajero
que hace una reserva de hotel, por ejemplo, podría usar esta tecnología para
inspeccionar las habitaciones antes de hacer su selección. O una vez en el
hotel, podría explorar el barrio y echar un vistazo a los restaurantes locales.

MACHINE LEARNING

Cuando se habla de conceptos relacionados a la inteligencia artificial (IA) es

normal que muchos de ellos resulten extraños o desconocidos, ya que la propia
IA es algo "relativamente nuevo"; no obstante, no es tan intimidante como
parece. Basta con que conozcamos algunas nociones básicas para que puedas
familiarizarte con el tema.
Si tienes curiosidad por saber qué es el famoso machine learning, pero no
sabes ni por dónde empezar, entonces este artículo es para ti. Sabemos que
aprender un tema tan técnico por tu cuenta puede resultar frustrante, por esa
razón es que decidimos escribir este artículo para introducirte en la materia.

Esperamos que esta publicación logré despertar tu interés y decidas investigar

más acerca de este fascinante tema, que cambiará por completo la forma en la
que vivimos:

10. El inicio de machine learning

machine learning, conocido en español como aprendizaje automático o

aprendizaje de máquina, nació como una idea ambiciosa de la IA en la década
de los 60. Para ser más exactos, fue una subdisciplina de la IA, producto de las
ciencias de la computación y las neurociencias.

Lo que esta rama pretendía estudiar era el reconocimiento de patrones (en los
procesos de ingeniería, matemáticas, computación, etc.) y el aprendizaje por
parte de las computadoras.
En los albores de la IA, los investigadores estaban ávidos por encontrar una
forma en la cual las computadoras pudieran aprender únicamente basándose
en datos.

Sucedió con el paso de los años que el machine learning comenzó a enfocarse
en diferentes tareas, tales como el razonamiento probabilístico, investigación
basada en la estadística, recuperación de información, y continuó
profundizando cada vez más en el reconocimiento de patrones (todos estos
asuntos aplicados a procesos de ingeniería, matemáticas, computación y otros
campos relacionados con objetos físicos o abstractos).

Esto ocasionó que en los 90 se separara de la IA para convertirse en una

disciplina por sí sola, aunque muchos puristas aún la consideran como parte de
la IA. Ahora, el principal objetivo del machine learning es abordar y resolver
problemas prácticos en donde se aplique cualquiera de las disciplinas
numéricas antes mencionadas.

11. Qué es exactamente ML

Como establecimos previamente, es un campo de las ciencias de la

computación que, de acuerdo a Arthur Samuel en 1959, le da a las
computadoras la habilidad de aprender sin ser explícitamente programadas.

Si esta definición resultó muy trivial, pongámoslo de esta forma: es la idea de

que existen algoritmos que pueden darte hallazgos o conclusiones relevantes
obtenidas de un conjunto de datos, sin que el ser humano tenga que escribir
instrucciones o códigos para esto.
De acuerdo, pero ¿qué es un algoritmo? Pues no es otra cosa que una
secuencia o serie de instrucciones, que representan la solución a un
determinado problema

El propósito del machine learning es que las personas y las máquinas trabajen
de la mano, al éstas ser capaces de aprender como un humano lo haría.
Precisamente esto es lo que hace los algoritmos, permiten que las máquinas
ejecuten tareas, tanto generales como específicas.

Si bien al principio sus funciones eran básicas y se limitaban a

filtrar emails, hoy en día puede hacer cosas tan complejas como predicciones
de tráfico en intersecciones muy transitadas, detectar cáncer, mapear sitios
para generar proyectos de construcción en tiempo real, e incluso, definir la
compatibilidad entre dos personas.

12. ¿Cómo funciona?

El principal objetivo de todo aprendiz (learner) es desarrollar la capacidad de

generalizar y asociar. Cuando traducimos esto a una máquina o computadora,
significa que éstas deberían poder desempeñarse con precisión y exactitud,
tanto en tareas familiares, como en actividades nuevas o imprevistas.

¿Y cómo es posible esto?

Haciendo que repliquen las facultades cognitivas del ser humano, formando
modelos que "generalicen" la información que se les presenta para realizar sus
predicciones. Y el ingrediente clave en toda esta cuestión son los datos.
En realidad, el origen y el formato de los datos no es tan relevante, dado que
el machine learning es capaz de asimilar una amplia gama de éstos, lo que se
conoce como big data, pero éste no los percibe como datos, sino como una
enorme lista de ejemplos prácticos.

Podríamos decir que sus algoritmos se dividen principalmente en tres grandes

categorías: supervised learning (aprendizaje supervisado), unsupervised
learning(aprendizaje no supervisado) y reinforcement learning (aprendizaje por
refuerzo). A continuación, detallaremos las diferencias entre éstas.

13. Tipos de machine learning

13.1. Supervisado learning

Depende de datos previamente etiquetados, como podría ser el que una

computadora logré distinguir imágenes de coches, de las de aviones. Para
esto, lo normal es que estas etiquetas o rótulos sean colocadas por seres
humanos para asegurar la efectividad y calidad de los datos.

En otras palabras, son problemas que ya hemos resuelto, pero que seguirán
surgiendo en un futuro. La idea es que las computadoras aprendan de una
multitud de ejemplos, y a partir de ahí puedan hacer el resto de cálculos
necesarios para que nosotros no tengamos que volver a ingresar ninguna
información.

Ejemplos: reconocimiento de voz, detección de spam, reconocimiento de

escritura, entre otros.

13.2. Unsupervised learning

En esta categoría lo que sucede es que al algoritmo se le despoja de cualquier
etiqueta, de modo que no cuenta con ninguna indicación previa. En cambio, se
le provee de una enorme cantidad de datos con las características propias de
un objeto (aspectos o partes que conforman a un avión o a un coche, por ej.),
para que pueda determinar qué es, a partir de la información recopilada.

Ejemplos: detectar morfología en oraciones, clasificar información, etc.

13.3. Reinforcement learning

En este caso particular, la base del aprendizaje es el refuerzo. La máquina es

capaz de aprender con base a pruebas y errores en un número de diversas
situaciones.

Aunque conoce los resultados desde el principio, no sabe cuáles son las
mejores decisiones para llegar a obtenerlos. Lo que sucede es que el algoritmo
progresivamente va asociando los patrones de éxito, para repetirlos una y otra
vez hasta perfeccionarlos y volverse infalible.

Ejemplos: navegación de un vehículo en automático, toma de decisiones, etc.

Existen otros enfoques más complejos para tareas más específicas, pero no
vale la pena ahondar en éstos. De momento no queremos complicar las cosas.
De cualquier forma, si estuvieras interesado en conocer más acerca de
éstos, puedes ver algunos ejemplos más concretos aquí.

14. ¿Cuáles son sus perspectivas y aplicaciones actuales?

Una vez que compruebas lo fácil y práctico que resulta aplicar las técnicas
de machine learning a problemas que creías serían imposibles, es cuando
empiezas a creer que podría resolver prácticamente cualquier problema* -
siempre y cuando existan suficientes datos-.

Para el consumidor moderno, el machine learning es un facilitador clave de

muchas de sus tareas cotidianas. Desde servicios de traducción, a
predicciones climáticas, hasta adivinar lo que los usuarios quieren con base a
sus actividades recientes; las prestaciones que ofrece son incomparables.

En lo que respecta a los negocios, muchas compañías han empezado a

incorporar esta tecnología a sus sistemas operativos, con grandes expectativas
de mejorar y automatizar sus procesos.

De acuerdo a la encuesta Global Digital IQ de este año, 54% de las

organizaciones que entrevistaron están haciendo inversiones significativas en
IA y se prevé que ese porcentaje incremente a 63% en menos de tres
años. Por su parte, HubSpot reportó de acuerdo a una encuesta sobre
inteligencia artificial que realizó, que el 63% de las personas utilizan IA
diariamente, sin siquiera saberlo.
Pero, ¿exactamente a qué áreas puede aplicarse este tipo de tecnologías?

Dado que el machine learning es un sistema basado en el procesamiento y

análisis de datos que son traducidos a hallazgos, se puede aplicar a cualquier
campo que cuente con bases de datos lo suficientemente grandes. De
momento, algunos de sus usos más populares y desarrollados son:

 Clasificación de secuencias de DNA

 Predicciones económicas y fluctuaciones en el mercado bursátil

 Mapeos y modelados 3D

 Detección de fraudes
 Diagnósticos médicos

 Buscadores en Internet

 Sistemas de reconocimiento de voz

 Optimización e implementación de campañas digitales publicitarias

Un ejemplo del último punto es Adext. Adext es el primer y único AMaaS

(Audience Management as a Service) que aplica Inteligencia Artificial y
Machine Learning a la publicidad digital para encontrar la mejor audiencia o
grupo demográfico para cualquier anuncio. Maneja de forma automática los
presupuestos alrededor de 20 públicos distintos por anuncio, dentro de
diversas plataformas (Google AdWords, Facebook e
Instagram), optimizándolos varias veces al día.
Además, se les garantiza bajo contrato a las agencias que sean Adext
Partners superar el costo por conversión actual (costo por venta o costo por
lead más bajo) de todas las cuentas o campañas que lleven como agencia. De
lo contrario, el servicio será GRATIS y no se cobra el fee correspondiente.

Así que, lo único que estarías perdiendo sería la oportunidad de probarlo.

Y si quisieras saber con mayor detalle cómo Adext utiliza Machine Learning
para encontrar la mejor audiencia para cada anuncio, asegurando los mejores
costos por conversión, esta guía detallada es perfecta para ti. ¡Te encantará
saber todo lo que hay detrás!

15. El futuro del machine learning para los negocios

Aunque ya hemos visto lo que la IA es capaz de aportar a nuestras actividades

del día a día, ¿cómo podría esto beneficiar el mundo de los negocios?
Bueno, puesto que las conversaciones y comentarios de un sinfín de
consumidores digitales -cuyo número día con día sigue incrementando- le
ofrecen a este tipo de tecnologías una cantidad de información abrumadora,
éstas continuamente obtienen conocimientos nuevos y detectan tendencias
más rápido de lo que cualquier humano podría hacerlo.

Si bien es cierto que esta enorme cantidad de datos la volverá mucho más
eficiente, requerirá necesariamente de mucho talento humano para
perfeccionarse, ya que finalmente las computadoras no tienen un dominio tan
elevado del lenguaje aplicado al razonamiento. O lo que es, no son
precisamente hábiles para determinar contextos.

Lo que significa que para que el machine learning se desarrolle en estas áreas,
los expertos en cada campo de trabajo tendrán que tomarse el tiempo para
entrenar a las máquinas e irlas incorporando paulatinamente a cada uno de los
procesos que deseen afinar.

Finalmente, como sucede con todas las tecnologías, los negocios tendrán que
empezar por entender los principios básicos de esta tecnología, para poder
usarla a su favor. Por lo pronto, se estima que ésta -como muchos otros
derivados de la IA- va a transformar por completo el mundo como lo
conocemos...

Como verás, esto fue sólo una introducción al intrincado mundo del machine
learning. En una época donde emergen tecnologías innovadoras cada vez que
parpadeamos, es fácil perderse en la avalancha de información y nuevos
conceptos.

Esperamos que este artículo haya aclarado algunas de tus dudas, para que ya
no te sorprendan la próxima vez que hablen del tema.