Inteligencia

artificial y
asistentes
virtuales
 Inteligencia artificial y asistentes virtuales
Ayuda

Objetivos

1. Inteligencia artificial

1.1. Introducción

1.2. ¿Qué es inteligencia artificial?

1.3. Beneficios de la IA en la empresa

1.4. Historia, contexto y estado actual de la IA

1.5. Tipologías de la IA

1.6. Aplicaciones de la inteligencia artificial

1.7. Futuro inmediato para la IA

1.8. Regulación de la inteligencia artificial y la robótica

2. Asistentes virtuales

2.1. Chatbots y asistentes virtuales

2.2. Tipos de chatbots

2.3. Desarrollo de chatbots: bot frameworks

2.4. Chatbots

3. Desarrollo de un chatbot

3.1. Planificación, análisis y objetivos

3.2. Arquitectura

3.3. Desarrollo del flujo conversacional

3.4. Experiencia de usuario (UX)

3.5. Usabilidad

3.6. Lanzamiento

3.7. Monitorización y entrenamiento

4. Analítica

5. Bibliografía

Bibliografía

Fin de módulo
Ayuda

PASO 1. Accede desde

el menú principal al
listado de los apartados
de la unidad y sus
secciones.
PASO 2. Muévete entre
las secciones del
apartado utilizando las
flechas y .
PASO 3. Avanza al
siguiente apartado con
las flechas laterales.
PASO 4. Presta atención
a las instrucciones. Te
indicarán cómo
interactuar con los
contenidos.
PASO 5. No olvides
hacer clic en todos los
textos que estén en azul
para ver más
información.

Recuerda revisar todo el contenido de cada módulo.

Objetivos

A través de este módulo, lograrás adentrarte en esta disciplina revolucionaria que

sin duda ha cambiado y va a seguir cambiando el mundo, la inteligencia artificial
(IA). Dividido en dos grandes partes, se tratan los diferentes paradigmas en los
que se basa la IA (inteligencia artificial) en la actualidad y se proporciona una
visión crítica de los retos y logros de este campo.

Con este contenido serás capaz de entender qué es y qué no la inteligencia

artificial, conocer su historia y evolución hasta la actualidad, incluso se harán
predicciones a futuro, aprenderás sus principales aplicaciones, tipologías e
implicación que tienen en la sociedad, en la empresa y en el individuo.

En definitiva, el propósito general de la primera parte del módulo será dar una
visión amplia de la IA que sirva como contexto y marco de esta disciplina.

Posteriormente, se detallarán los novedosos asistentes virtuales que se están

desarrollando en la actualidad, sus ventajas de uso dentro de la empresa, sus
objetivos y su desarrollo estratégico, dotando al alumno de los suficientes
conocimientos teóricos y prácticos para comprender la importancia de su uso y
capacitarle en la implementación estratégica de los asistentes virtuales en el
entorno digital de la empresa.
1. Inteligencia artificial

1.1. Introducción
Es importante, antes de entrar en materia, eliminar de nuestra cabeza algunos
mitos que no ayudarían a entender correctamente esta disciplina. Es por eso que
partimos de dejar muy claro que no existen aún agentes perfectamente
autónomos con una inteligencia tan completa y compleja como la de los seres
humanos.

Es duro partir de esta afirmación, pero debemos dejar claro este hecho antes de
empezar a recorrer los contenidos de este módulo. Pero este dato no quiere decir
que no dispongamos de un número ingente de modelos y técnicas que nos
permiten construir dispositivos útiles, aunque imperfectos, que facilitan la
resolución de tareas de alta complejidad, inabordables mediante otras técnicas
convencionales de la informática.

Hoy, las empresas tratan de aprovechar todas las ventajas que esta nueva
tecnología va a propiciar en su día a día, integrándola de tal manera que, si se hace
correctamente, puede marcar la diferencia frente a la competencia y elevar de
manera exponencial los resultados.

“La inteligencia artificial tendrá más impacto que la

electricidad o el fuego en la humanidad”.

Sundar Pichai, CEO de Google.

La innovación pasa por una buena aplicación de la IA en sus procesos productivos

y estratégicos, propiciando grandes avances y oportunidades a nivel empresarial.

El problema está en la rapidez con la que esta tecnología está avanzando, pues a
aquellas empresas que no tengan suficiente tiempo o no confíen en la correcta
aplicación de la inteligencia artificial, les hará ir un paso por detrás del resto del
mercado que aplique esta tecnología logrando mayor eficiencia y productividad en
su negocio.

Es por ello fundamental que el tejido empresarial y, en particular, su dirección

presten atención a la inteligencia artificial, comprendan la importancia que tiene y
vean claras las oportunidades que puede aportar.
1.2. ¿Qué es inteligencia
artificial?
Si tuviéramos que fijar una definición sobre qué es la inteligencia artificial,
podríamos decir que se trata del análisis y diseño de sistemas artificiales con
carácter autónomo que lleguen a tener la capacidad de exhibir un
comportamiento inteligente.

Todo parte de esa básica definición, que a la par es sumamente compleja de

lograrse, pues, para lograr un agente con estas características y que actúe
inteligentemente, este debe tener la capacidad de percibir su entorno, elegir y
planificar sus objetivos, actuar con toda responsabilidad y buscando estos, aplicar
algún principio de racionalidad e interactuar con otros agentes inteligentes,
artificiales o humanos.

El objetivo de la IA es la construcción de sistemas hardware o software que sean

capaces de replicar aspectos de lo que se suele considerar inteligencia.

Pero, si tuviéramos que aterrizar y cerrar una verdadera definición completa,

podríamos decir que:

“La IA es el conjunto de técnicas, métodos, herramientas y metodologías que

nos ayudan a construir sistemas que se comportan de manera similar a un
humano en la resolución de problemas concretos”.

En la actualidad, la ingente cantidad

de datos que manejan las empresas y
la necesidad de poder manejarlos,
obtener información adecuada y
llegar al conocimiento hace de la IA su
aliado perfecto, pues gracias a esta,
lograremos convertir millones de
datos en conocimiento para resolver
problemas complejos, al mismo
tiempo que nos anticipamos y
minimizamos riesgos en la toma de
decisiones, incluso en tiempo real.

La IA nos permitirá simular procesos, imitando “la mano humana” e incluso

ampliando nuestras funciones cognitivas en esas simulaciones. Pero, para llegar a
ello, los sistemas de inteligencia artificial deben aprender, razonar y corregir
constantemente, tareas que de manera infinita permiten acelerar y optimizar
procesos que de otra forma la mente humana tardaría cientos o miles de veces
más que la máquina en realizar.

En todo momento nos referimos a la inteligencia artificial como software, pero un

software de carácter algorítmico, es decir, matemático y con base probabilística,
que ha sido desarrollado y entrenado para aprender a realizar determinadas
funciones.
1.3. Beneficios de la IA en la
empresa
La inteligencia artificial nos va a proporcionar un gran valor añadido que, aplicado
al modelo de negocio, va a transformar y mejorar las actividades de la empresa.

Una serie de beneficios a los que no se puede dar la espalda, pues pueden
revolucionar por completo nuestra cuenta de resultados, alzando nuestras gráficas
a cotas inalcanzables de otro modo.

Los beneficios que puede traernos al mundo de la empresa la aplicación correcta y

bien definida de la IA son:
1.4. Historia, contexto y estado actual de la
IA
Tenemos que entender que el ser humano siempre ha tenido el deseo de rodearse
de máquinas inteligentes que le hicieran la vida más fácil, pero ese pensamiento no
es de este siglo, podríamos incluso hablar de ejemplos de las primeras
civilizaciones.

Aunque sí es cierto que con la llegada de los computadores este sueño se acercó
más a lo real que a lo mitológico, pasando en la actualidad a ser algo incluso
científico, donde los debates filosóficos sobre el sentido y la naturaleza de la IA
son parte importante de su desarrollo.

Eso sí, por muy innovadora que pienses que es la inteligencia artificial,
tenemos que partir de la afirmación de que esta disciplina no es nueva. Y es
que allá por los años 50, varios estudiosos celebraban una reunión de dos
meses de duración, que tuvo lugar en el Dartmouth College, donde se
discutió la suposición de que todos los aprendizajes posibles podrían ser
replicados o simulados por una máquina. Fue entonces cuando se acuñó el
término inteligencia artificial.

Entonces se pensaba que se conseguiría con facilidad y rapidez, que en poco

tiempo, quizá en décadas, tendríamos agentes inteligentes a nuestro alrededor.
Pero ya se ve que las previsiones eran muy optimistas. Más de 60 años después
todavía no tenemos perfectamente afinado este objetivo, pero los logros han
avanzado más en la última década que en los 50 años anteriores.

Hoy todo ha cambiado, hemos virado en numerosas ocasiones el timón de esta

disciplina que ha venido para cambiarlo todo y ella misma ha cambiado en
numerosas ocasiones para llegar al estadio en el que actualmente se encuentra.

En la actualidad los asistentes inteligentes proliferan embebidos en aplicaciones de

todo tipo, ayudando a los usuarios a realizar tareas complejas. Hoy, podemos decir
que la inteligencia artificial se ha convertido en una de las áreas más fértiles en
cuanto a resultados de investigación. Y es hasta complicado encontrar alguna
tecnología que no haya integrado a estas alturas la IA entre sus funcionalidades
con objetivos y aplicaciones varias.

A continuación, mostramos estadísticas que hablan por sí solas del impacto que
tendrá la IA en la economía:

En 2030, la IA podría generar un aumento del PIB mundial de un 1,2 % al

año.
 Se calcula que en 2030 la IA podría estar generando 13 billones de dólares.
En 2025, el impacto económico de la automatización de los trabajos, los
robots y los vehículos autónomos podría llegar a los 6,5 y alcanzar hasta los
12 billones de euros al año para la Unión Europea.
Tomando como referencia un estudio realizado por Microsoft y Ernest
Young, el 95 % de las empresas españolas esperan que la IA optimice sus
operaciones en formas tales como la automatización de las tareas, la
previsión de la capacidad y la demanda de productos, y el 85 % cree que la
IA beneficiará la comunicación con el cliente.

Pero, como decíamos en párrafos atrás y tratando de hablar de su historia, el uso

de algoritmos viene de tiempos inmemoriales, incluso podríamos viajar en el
tiempo hasta antes de Cristo, hasta momentos en los que Euclides hablaba del
máximo común divisor o dar un salto hasta el siglo xviii para entender el teorema
de Bayes.

Y es que la IA tal como hoy la entendemos quizá podría haber arrancado en los
años 50, teniendo como padres a nombres que han pasado a la historia como el de
Alan Turing. Pero es en la década de los 80 cuando la IA se queda adormecida,
frenando todo tipo de evolución y desarrollo de la misma. A esta etapa la llamarán
“el largo invierno de la inteligencia artificial”.

Si con la misma máquina del tiempo

viajamos hasta 1997, veremos un
nombre escrito con letras doradas
como es el de Deep Blue, una
supercomputadora propiedad de IBM,
que marcó un antes y un después,
demostrando a la sociedad el
verdadero potencial de la IA. ¿Cómo?
Enfrentándose hasta el entonces
imbatido mejor jugador de ajedrez,
Garri Kaspárov, y ganando la partida.

Y es a partir de este momento,

cuando la IA comienza un camino que
la llevaría día tras día a acercarse a
nuestras vidas.

Pero si algo funcionó como carburante para disparar su desarrollo, eso fue
internet. Gracias a la red, se proporcionó una gran cantidad de información que
fomentó el desarrollo de sistemas de algoritmos más complejos como los de
búsqueda y recomendación.

Y tuvo que ser de nuevo IBM quien, en el año 2011, puso de nuevo un nombre
encima de la mesa: Watson. Y no contra Kaspárov, pero sí contra los mejores
jugadores del mundo en Jeopardy!, imponiéndose y dejando bien patente su gran
poder de interpretación del lenguaje natural.

Podríamos acercarnos hasta 2018, y

referirnos a un ejemplo relacionado
con automoción, donde Waymo, el
proyecto de coche autónomo de
Google, logra circular por la ciudad de
Phoenix (Arizona), moviéndose y
percibiendo el entorno, llegando casi
al máximo nivel de seguridad en
conducción autónoma.

Pero si tuviéramos que hablar de un

futuro cercano, deberíamos hablar de
sistemas de inteligencia artificial que
serán capaces de crear otra
inteligencia artificial. Lo que podemos
asegurar es que el futuro nos va a
traer innovaciones inimaginables en
este campo gracias al avance
exponencial de la tecnología.

Y si hablamos de avance de tecnología, tenemos que hablar de la Ley de Moore.

Una ley que data de 1965 y que puso en marcha uno de los fundadores de Intel,
Gordon E. Moore, y que habla de que la velocidad y la capacidad de los
procesadores se duplican cada doce meses, pero al mismo tiempo su tamaño se
reduce. En el fondo, hablamos de incrementar la potencia de los procesadores
para realizar operaciones en menos tiempo, maximizar su rendimiento y reducir
sus costes.
1.5. Tipologías de la
IA
La inteligencia artificial abarca un amplio terreno en ocasiones difícil de catalogar,
casi tan difícil o más que catalogar la inteligencia humana. Pero es una obviedad
decir que no todas ellas son iguales y podríamos diferenciarlas por su nivel de
complejidad.

Y para ello partimos de analizar las diferentes fórmulas de orden que,

dependiendo de los expertos, podemos encontrar.

Comenzamos con una de las más utilizadas y que en su momento puso en

movimiento Arend Hintze, haciendo una clasificación muy clarificadora del
término al dividirla en solo cuatro tipos de inteligencia artificial.

Máquinas reactivas Inteligencia artificial con

memoria limitada
(1)
(2)

Inteligencia artificial con una Inteligencia artificial con

teoría de la mente conciencia de sí misma

(3) (4)

Tras esta fórmula de orden para la IA, tenemos que mencionar también la que los
expertos en ciencias de la computación Stuart Russell y Peter Norvig marcaron en
su momento:
1. Sistemas que piensan como humanos

Estamos hablando de agentes que automatizan actividades como la toma de

decisiones, la resolución de problemas y el aprendizaje. Como ejemplo de esta
tipología podríamos poner a las redes neuronales artificiales. Dado que es la
primera vez que aparecen en el módulo mencionadas, creo que es adecuado
que desarrollemos y definamos claramente este concepto tan unido hoy a la
inteligencia artificial.

Pese a su nombre un tanto científico, no es un concepto demasiado complejo.

Las redes neuronales imitan el funcionamiento de las redes neuronales de
organismos vivos, un conjunto de neuronas conectadas que trabajan en
conjunto.

Con la práctica, las neuronas van mejorando y aprendiendo. Este aprendizaje

se plasma en todo el tejido y servirá de base para futuras experiencias.

2. Sistemas que actúan como humanos

Claramente, nos estamos refiriendo a robots, es decir, computadoras o

máquinas que realizan tareas de manera similar a como las haría un ser
humano.
3. Sistemas que piensan racionalmente

Este tipo de inteligencia artificial intenta imitar el pensamiento lógico de los

humanos. Estamos hablando de tratar que estas máquinas logren percibir el
entorno y todo lo que les rodea, razonen y actúen adecuadamente.

En este grupo encontraríamos a los sistemas expertos (SE). Una rama de la

inteligencia artificial que, como bien decíamos anteriormente, imita las
actividades de una persona, tratando de resolver los problemas que surgen. En
la actualidad los sistemas expertos (SE) pueden ser considerados como un
subconjunto de la IA, que utiliza el conocimiento humano incorporándolo al
ordenador e intentando resolver problemas concretos imitando el proceso de
razonamiento humano.

El origen de esta tipología de IA está en la década de los 60, momento en que

se consideraba que, aglutinando unas pocas reglas de razonamiento y
añadiendo potentes ordenadores, se podía lograr un experto de rendimiento
superhumano.

Y es dentro de este conjunto de los sistemas expertos donde encontramos

dos tipologías, es decir, dos subconjuntos SE, uno basado en reglas que aplica
leyes heurísticas apoyadas en lógica y otro basado en probabilidades que
aplica redes bayesianas basadas en estadística y el teorema de Bayes (5) .

Hoy en día, los SE han tenido un gran desarrollo y han evolucionado

notablemente, siendo aprovechados por infinidad de empresas que manejan
grandes volúmenes de datos y son capaces de mejorar la productividad y
eficiencia de estas.
 4. Sistemas que actúan racionalmente

Esta última tipología reúne sistemas que tratan de imitar de manera racional el
comportamiento humano, como los agentes inteligentes.

Dado que el concepto ha aparecido en varias ocasiones en el módulo, es hora

de definir claramente estos agentes inteligentes como una entidad software
que se basa en su propio conocimiento, realizando un conjunto de
operaciones destinadas a satisfacer las necesidades de un usuario o de otro
programa, por requerimiento o por iniciativa propia.

“Los agentes constituyen el próximo avance más

significativo en el desarrollo de sistemas y pueden
ser considerados como la nueva revolución en el
software”.

Dr. Nicholas Jennings

Estos agentes tienen control sobre sus propias vidas, actuando de manera
individual y decidiendo su propio movimiento. Estos programas realizan
procesos continuamente, lo que les indica qué hacer y de qué modo.

De igual forma, se comunican de forma continuada con otros agentes para

resolver de forma adecuada su trabajo, y tienen una serie de características
tales como ser reactivos, es decir, responden a los cambios del entorno; ser
proactivos, pues en todo momento tratan de resolver y lograr sus objetivos;
ser sociales, pues, como decíamos, se comunican con otros agentes; ser
autónomos y racionales, pues siempre harán lo correcto a partir de los datos
de los que se nutren.

Y, como bien habíamos advertido, no es sencillo ordenar y categorizar la IA y es

por ello que, pese a que ya hemos expuesto en párrafos anteriores diferentes
fórmulas de categorización, a continuación se detallan más fórmulas que nos
ayudarán a entender mejor la disciplina:

1. Categorización por potencia de cálculo

En esta fórmula de categorización, encontramos dos tipologías: por un lado, lo que

denominan inteligencia artificial estrecha o blanda, que describe a agentes que
han sido entrenados para realizar tareas muy específicas. Y, por otro, la
inteligencia artificial fuerte o general, que habla de esa inteligencia capaz de
resolver diversos problemas recogidos en varios espacios de una forma coherente.
Tanto una como otra todavía están muy lejos de lograr acercarse a la capacidad
humana.

2. Categorización por proceso de aprendizaje

Esta categorización es probablemente la más tradicional de todas las que podemos

encontrar asociada a la inteligencia artificial y se fundamenta en la forma en la que
aprenden los algoritmos que la conforman:

Aprendizaje supervisado

Hablamos de entrenar al algoritmo concediéndole las preguntas a las que

denominaremos características, y las respuestas, denominadas etiquetas. El
motivo que nos lleva a realizar esto no es otro que lograr que el algoritmo las
combine y pueda hacer predicciones.

Pero es que, dentro de esta tipología, podríamos encontrar a su vez, otros dos
tipos:

Regresión, que tendrá como resultado un número específico.

Clasificación, donde el algoritmo encontrará diferentes patrones y
tendrá como objetivo clasificar los elementos en diferentes grupos.

Aprendizaje no supervisado

Este tipo de aprendizaje busca encontrar patrones y relaciones en los datos.

Pero, a diferencia de la anterior tipología, en este los datos no están
etiquetados.

Los algoritmos de aprendizaje no supervisado no encuentran aplicación

directa a la hora de obtener una predicción. Y, además, solo se le otorgan las
características, sin proporcionarle al algoritmo ninguna etiqueta. Su función,
por lo tanto, será la de agrupación.
 Aprendizaje por refuerzo

También llamado algoritmo maestro, en esta tipología el sistema tendrá la

capacidad de aprender por sí mismo bebiendo de los datos y resultados
obtenidos. En el caso de lograr un resultado positivo, seguirá repitiendo ese
conjunto de tareas a la vez que las optimiza y genera mejores vías
estratégicas para enfrentarse a los problemas de una manera más eficiente.

Y es en esta categoría donde podemos establecer diferentes corrientes de

pensamiento y escuelas que es fundamental conocer y asociar a la IA:

Bayesianos Simbolistas

(6) (7)

Conectivistas Evolucionistas

(8) (9)

Analogistas

(10)

Pero, si queremos entender el pasado y el futuro de la inteligencia artificial, sin

duda tendremos que manejar, saber definir y, sobre todo, tener claras las
diferencias entre dos conceptos muy ligados a la inteligencia artificial: machine
learning y deep learning.

a. Machine learning

Tenemos que irnos a la década de los 80 para vivir uno de los momentos dorados
de la IA y hablar de algo que llegó para quedarse: el aprendizaje automático o
machine learning (ML). Esta rama de la IA utiliza algoritmos matemáticos que
permiten a las máquinas aprender. El ML, principalmente, es una forma analítica
de resolver problemáticas desde la identificación, la clasificación o la predicción.
Los algoritmos aprenderán de la suma de datos introducidos, y la máquina será
entrenada utilizando esta base de datos, y se apoyará en esta información para
llegar al conocimiento y sacar conclusiones de futuros y nuevos datos,
perfeccionándose a medida que avanza en su desarrollo.

Para entender mejor el ML debemos dejar claro que se trata de algoritmos

matemáticos que permiten a las máquinas aprender. Para ello, imitarán la forma
en la que aprendemos los seres humanos.
b. Deep learning

Y si antes hablábamos de los años 80 para referirnos al ML, saltamos hasta el año
2011, cuando surge una rama del machine learning a la que denominamos
aprendizaje profundo o deep learning (DL).

Esta vertiente nace gracias a la popularidad que toma el machine learning y, sobre
todo, el desarrollo de la capacidad de computación de los ordenadores.

La gran diferencia entre el deep learning y el machine learning radica en que usan
diferentes algoritmos. El machine learning trabaja con algoritmos de regresión, o
también llamados árboles de decisión, mientras que el deep learning usa redes
neuronales que funcionan de forma muy parecida a las conexiones neuronales
biológicas del cerebro humano. Algunos autores tienden a ver y definir el DL
como una evolución del machine learning.

Al basarse en arquitectura de redes neuronales, también vamos a poder encontrar

menciones a esta rama denominándola redes neuronales profundas o, lo que es lo
mismo, deep neural networks.

El motivo por el que se denomina deep es en referencia a las capas que tienen las
redes neuronales y la profundidad que involucran.

Fuente: IA. El futuro del retail.

El deep learning es en ocasiones muy cuestionado en cuanto a los resultados que

obtiene, pero estos se lograrán y serán efectivos siempre que proporcionemos
suficiente cantidad de datos a las capas neuronales para que puedan reconocer
patrones, catalogar y categorizar.

Lo cierto es que en la actualidad existe tecnología y recursos para poder de

manera sencilla utilizar el deep learning. Como ejemplo, y para poder tener un
primer acercamiento, podrás utilizar herramientas en abierto como TensorFlow de
Google, IBM Watson Developer Cloud, Amazon Machine Learning o Azure
Machine Learning.

En la actualidad ya son pocas las empresas que dejan fuera de sus estrategias
empresariales esta tecnología, pues ven de primera mano que el deep learning nos
acerca a una nueva realidad en la que somos capaces de lograr una interpretación
del entorno y el mundo, a través de soluciones como el reconocimiento de
imágenes, el análisis del lenguaje natural y anticiparnos a muchos problemas
gracias a la extracción de patrones de comportamiento.

Máquinas reactivas (1)

Probablemente, estamos ante la tipología más sencilla de entender de todas

las que detallamos en este apartado, pues se trata de una IA a la que se le
proporciona una cantidad de datos y se le ordena procesar esta información
con la idea de obtener un resultado concreto. Por lo tanto, esta IA
dependerá claramente de la calidad y cantidad de datos que se le provean
para llevar a cabo su tarea.

Para poder entender claramente esta tipología, lo ideal es asociar un

ejemplo a ella y es ahí donde podemos nombrar de nuevo a Deep Blue, la
inteligencia artificial que se enfrentó al maestro de ajedrez Kaspárov y que
para poder hacerlo tuvo que ser alimentada con una base de datos que
recogía las mejores jugadas de ajedrez; gracias a su potencia de cálculo,
podía evaluar 300 millones de posiciones por segundo y elegir la más
adecuada dependiendo del movimiento de su adversario, pero sin ningún
elemento de creatividad en su actividad.

Inteligencia artificial con memoria limitada (2)

En la actualidad, esta tipología de IA es probablemente una de las más

extendidas y comunes. Su capacidad se basa principalmente en recordar
experiencias anteriores para aplicarlas a las presentes y futuras, tomando
mejores decisiones. Hoy en día podemos encontrar esta tipología de IA, por
ejemplo, en los asistentes por voz.
Inteligencia artificial con una teoría de la mente (3)

En este caso estaríamos hablando de máquinas que son capaces de

expresar emociones y lanzar opiniones de manera autónoma, entendiendo
el entorno en el que están e incluso integrando sus ideas con las de un ser
humano.

Inteligencia artificial con conciencia de sí misma (4)

Y dejamos en último lugar la tipología de IA menos desarrollada, pero que,

en el caso de que llegue a su progreso final, sería probablemente la
inteligencia artificial más cercana a la mente del ser humano.

Estaríamos hablando de una inteligencia artificial que, sin duda, sería capaz
de entender y expresar sentimientos, capaz de aprender y mejorar a
medida que va pasando el tiempo y de utilizar los datos previamente
recogidos para ir tomando mejores decisiones y resoluciones a los
problemas.

Teorema de Bayes (5)

Las redes bayesianas tienen como base el teorema de Bayes, que no deja de
ser un procedimiento que nos va a permitir llegar a la probabilidad
condicional de un evento aleatorio A dado B, en términos de la distribución
de probabilidad del evento B dado A y la distribución de probabilidad de
solo A. En resumen, y siendo muy esquemáticos en la explicación, la utilidad
del teorema será que gracias a él podemos relacionar la probabilidad de que
un evento A ocurra sabiendo que ocurrió B con la probabilidad de que
ocurra lo contrario, es decir, que ocurra B dado A.
Bayesianos (6)

Como ya apareció en páginas anteriores, esta escuela se basa en el teorema

de Bayes y tiene esencia estadística, utilizan sistemas basados en las
cadenas de Markov, que contemplan una serie de eventos donde la
probabilidad de que ocurra dependerá del evento inmediato anterior.

Simbolistas (7)

Quienes parten de la observación del funcionamiento de aspectos

concretos y van a utilizar la deducción inversa para lograr llegar a las
conclusiones.

Conectivistas (8)

Probablemente, la técnica que intenta replicar de una manera más fidedigna

el funcionamiento del cerebro humano y que contempla la sinapsis cerebral
y los impulsos entre neuronas, disparando unas a otras. Es en este campo
donde encontraremos más presente la neurociencia.

Evolucionistas (9)

En esta corriente los algoritmos prueban entre sí para determinar cuál es el

superior, de alguna manera está presente la evolución de las especies,
incluso haciendo mutaciones del propio ADN de dichos algoritmos para
lograr generaciones más preparadas a futuro.
Analogistas (10)

La última de las corrientes se basa principalmente en el razonamiento,

rebuscando entre datos y comparando hechos anteriores que les ayuden a
dar con el problema y la futura solución.
1.6. Aplicaciones de la inteligencia
artificial
Gracias a la capacidad de integración de la inteligencia artificial con otras
tecnologías, podemos decir sin miedo a equivocarnos que estamos hablando de
una de las tecnologías que más impacto va a generar, si no la que más. Y es que la
inteligencia artificial va a lograr tener la capacidad de ser ubicua y guiar a otras
tecnologías para conformar algo evolucionado o incluso diferente y disruptivo.

Son numerosos los campos y sectores en los que podemos ver ya perfectamente
integrada la IA.

Desde industrias que se van a ver transformadas como el turismo, la salud, el

transporte, el comercio, las finanzas, la educación, la agricultura, el periodismo y
los medios de comunicación, el entretenimiento, incluso las instituciones y el
gobierno, hasta determinadas tecnologías, como:

Realidad aumentada o realidad virtual

En su fusión con la IA, nos ofrecerá una nueva forma de consumir, de

interactuar en la distancia, de mostrar el producto en el comercio electrónico
o incluso de aprender. El retail cambiará sin duda gracias a esta unión.

Internet de las cosas (IoT)

La capacidad de recogida de datos que tienen los sensores de dispositivos IoT

unida a la capacidad de procesamiento, análisis y toma de decisiones de la IA
revolucionarán sectores como el transporte, la agricultura, la automoción, la
medicina, los seguros, la movilidad, la electrónica de consumo y del hogar.

Impresión 3D

El poder de producir. ¿Una amenaza para el consumo? Imagina que las fábricas
no tuvieran stock de componentes al fusionar la IA con la capacidad de
producción 3D, que realizaran conjuntamente un mantenimiento predictivo y
construyeran las piezas en tiempo real sin miedo a roturas de stock.

Coches autónomos

La IA y su capacidad para entender el entorno y tomar decisiones darán las

capacidades necesarias para revolucionar el sector de la movilidad, el
transporte y la automoción, cambiando por completo el panorama actual de
las ciudades y carreteras.
 Blockchain

Este macrolibro de cuentas distribuido será potenciado gracias a la IA, al dar

potencia al poder de verificar, ejecutar, contrastar, ejecutar y reflejar la
constancia de dichas operaciones.

Drones

En este campo la IA ya está muy desarrollada, y se prevé que en un corto

periodo de tiempo permita dar autonomía a los drones para pilotar de forma
autónoma, tomando decisiones de vuelo según los parámetros que recojan a
través de sensores y cámaras.

Big data

Aunque es una obviedad decirlo, los datos son el combustible del que se
alimenta cualquier sistema de aprendizaje y predicción que hacen posible la
IA.

Computación cuántica

El big data y la IA no tienen esperanza alguna sin esta tecnología. Su desarrollo

está íntegramente ligado al avance de la IA, pues traerá consigo nuevas
capacidades de procesamiento en estadios inimaginables, capaces de realizar
tareas considerablemente pesadas en segundos.

Procesamiento del lenguaje natural

La IA nos ayudará a dar la capacidad a las máquinas de entender el lenguaje

humano, desde el reconocimiento de voz para identificar las palabras que
decimos, pasando por el procesamiento del lenguaje natural o PLN para
analizar el significado de las mismas, e incluso generando voz que imite el
sonido humano.

Y es imposible hablar de IA sin relacionarla con el empleo. El trabajo se enfrenta a

grandes cambios con el advenimiento de la inteligencia artificial. Es una realidad
que no hay razón para esconder, pero tampoco que demonizar. El poder de la
automatización ya no solo está relacionado con la robótica y el desarrollo de
tareas y trabajos que requieren fuerza física, también con labores intelectuales
relacionadas con periodismo, ingeniería, contabilidad, recursos humanos, medicina
e incluso educación.

Todas estas labores, que hasta la fecha necesitaban de perfiles altamente

cualificados y capacitados, ahora las pueden desempeñar “sin despeinarse”
máquinas que ocupan menos de un tercio del tiempo, sin cansancio ni error y con
un ahorro claro de recursos económicos.

Son diversos los estudios y expertos que profetizan una pérdida de empleo de casi
el 50 % de la totalidad de oficios que sea posible automatizar gracias a esta
tecnología. Pero no seamos alarmistas, la IA y la robótica son sin duda grandes
aliados con los que trabajar codo con codo para mejorar, rendir y obtener mejores
resultados. Un compañero de viaje que nos hará el trayecto más fácil y cómodo
siempre que la ética y los valores vayan de la mano del desarrollo y evolución de
estas tecnologías.
1.7. Futuro inmediato para la
IA
En la actualidad, la IA se encuentra en un punto óptimo de desarrollo al que ha
logrado llegar gracias a diversos factores:

Cloud computing

O lo que es lo mismo, desarrollo de los sistemas de computación alojados en

la nube. Es esta tecnología la que logra aumentar la velocidad de
entrenamiento de los algoritmos.

Fuentes de data públicas y privadas

Tener la posibilidad y disponibilidad de data para entrenar a los sistemas

inteligentes; al combinarlos con los propios de la empresa, podemos llegar a
tener un conocimiento valioso y podríamos estar ante un arma diferencial
para hacer frente a la competencia.

Inversión en capital riesgo

Aquí la inteligencia artificial y el machine learning han crecido de manera

exponencial desde 2012 a la actualidad, alcanzando cifras que rondan los 1,7
billones de dólares.

Actualmente, el nivel de desarrollo que ha alcanzado la inteligencia artificial

apoyado en herramientas de otras compañías como IBM o Google ha permitido
reducir el gap que pequeñas y medianas empresas tenían para desarrollar sus
propios sistemas. Y es que Amazon, IBM, Google, Microsoft o Facebook piensan
que la IA ofrecerá capacidad de diferenciación a las empresas y ellos están
abogando por la estandarización en el tejido empresarial sin importar los recursos
disponibles.

Tanto la robótica como la inteligencia

artificial ya están cambiando el
mundo y las cifras que acompañan su
desarrollo son la mejor muestra de
ello. Por ejemplo, la consultora
tecnológica Gartner predice que para
el año 2020 el 85 % de la interacción
con los clientes será gestionada por IA
y se estima que el mercado de la IA
puede llegar a los 127.000 millones
de dólares en 2025, una cifra muy
superior y lejana a los 2000 millones
de 2015. Estados Unidos y China se
situarán a la cabeza en inversiones.

Nick Bostrom, filósofo sueco de la Universidad de Oxford, reflejaba en una

reciente entrevista que “existe un 90 % de posibilidades de que entre 2075 y
2090 haya máquinas tan inteligentes como los humanos”, o el recientemente
fallecido Stephen Hawking se aventuraba a decir que las máquinas superarán
completamente a los humanos en menos de 100 años.

Pero no debemos quedarnos con la parte de reto y amenaza de la IA, debemos ver
más allá para entender que, de la mano de esta tecnología, el ser humano será más
eficiente y nos permitirá ejecutar acciones que nunca hubiéramos podido realizar
debido a su complejidad. De ahí que empresas como Amazon durante 2017, 2018
y 2019 haya invertido cifras de miles de millones a través de la fundación Max
Planck Society para construir el llamado cibervalley, un centro de investigación
dedicado a la IA en la ciudad de Stuttgart.
1.8. Regulación de la inteligencia artificial y la
robótica
El Parlamento Europeo ha puesto sobre la mesa una serie de leyes para regular la
robótica y la IA, viendo la penetración imparable que estas tecnologías están
teniendo en nuestra sociedad. Es por ello por lo que instituciones, organismos
internacionales o gobiernos se plantean la necesidad de sentar las bases de una
normativa que regule el uso y empleo de estas tecnologías, para evitar de este
modo posibles problemas en el futuro.

Estas son las principales leyes que regirían la IA y la robótica:

Los robots deberán contar con un interruptor de emergencia

para evitar cualquier situación de peligro.

No podrán hacer daño a los seres humanos. La robótica está

expresamente concebida para ayudar y proteger a las personas.

No podrán generarse relaciones emocionales.

Será obligatoria la contratación de un seguro destinado a las
máquinas de mayor envergadura. Ante cualquier daño material,
serán los dueños quienes asuman los costes.

Sus derechos y obligaciones serán clasificados legalmente.

Las máquinas tributarán a la seguridad social. Su entrada en el

mercado laboral impactará sobre la mano de obra de muchas
empresas. Los robots deberán pagar impuestos para
subvencionar las ayudas de los desempleados.
2. Asistentes virtuales

2.1. Chatbots y asistentes

virtuales
Ambos términos no significan lo mismo, aunque las funcionalidades de ambos
pueden ser parecidas.

Como ejemplos más conocidos de asistentes virtuales tenemos a Siri, Google,

Cortana y Alexa, localizándose principalmente en smartphones, mientras que los
chatbots podemos localizarlos en cualquier tipo de web, pero principalmente en
páginas web de bancos, seguros, viajes y en tiendas de e-commerce.

Diferencias entre ambos:

Desarrollo

Una de las diferencias entre ambos términos es que los asistentes virtuales
son diseñados por grandes compañías de tecnología con el objetivo de ofrecer
a los usuarios un asistente personal, a diferencia de los chatbots, que se
desarrollan por cualquier empresa teniendo principalmente como objetivos la
dinamización de las comunicaciones y la automatización de las relaciones con
los usuarios de la empresa reproduciendo conversaciones similares a las de
un chat.
Funcionalidades

Existe una gran diferencia entre los objetivos de uso para los asistentes
virtuales y el de los chatbots, para los primeros las funcionalidades de uso son
muy amplias y para los chatbots son específicas.

Los chatbots, a diferencia de los asistentes, se desarrollan con una finalidad

concreta, con la idea de alcanzar un objetivo determinado. Por ejemplo,
podría ser la resolución mediante el chatbot de dar respuesta a preguntas
frecuentes y de esta forma ayudar al departamento de atención al cliente.

Contexto de uso

La ubicación de los chatbots y asistentes es diferente. Los chatbots se ubican

de forma general en webs, redes sociales o aplicaciones, y los asistentes
virtuales, de manera general, en teléfonos móviles y en los llamados home
devices: Google Home, Amazon Echo o HomePod de Apple. Un chatbot es
multicanal y puede localizarse en diferentes plataformas, como por ejemplo
Facebook Messenger, WhatsApp, Telegram o Skype.
2.2. Tipos de
chatbots
A. Los chatbots se pueden categorizar en función de los objetivos para
los que son desarrollados

Chatbots para campañas de marketing. Por ejemplo, incluyendo un

chatbot en una landing page con el objetivo de obtener leads.
Soporte y atención al cliente. Gestión de FAQS inteligente, servicios
automatizados 24×7×365, en lugar de hacerlo vía telefónica con el
personal de atención al cliente.
Customer experience. Un claro ejemplo seria el soporte al cliente durante
el proceso de compra, ayudando a la elección del producto
favoreciendo la experiencia de compra de los clientes.
Comunicación. Por ejemplo, para la difusión de noticias corporativas y
potenciar el engagement con la marca.
Reducir costes operativos
Gestión de procesos. Con el objetivo de favorecer la reducción de
tiempo tanto para los usuarios como para la empresa.

“Mediante la realización de un buen desarrollo,

más del 80 % de las sesiones de chat podrían ser
resueltas con un chatbot.”

Fuente:
Accenture. https://www.accenture.com/t00010101t000000__w__/br-
pt/_acnmedia/pdf-45/accenture-chatbots-customer-service.pdf

B. Todos estos tipos de chatbots los podemos subdividir a su vez en

transaccionales y no transaccionales

La diferencia entre ambos es que los llamados chatbots transaccionales son

capaces de realizar de principio a fin una transacción o proceso de negocio,
como, por ejemplo, la toma de datos para la realización de un pedido en una
pizzería.
C. Tipos de chatbot en función del tipo de interacción entre el chatbot y
el usuario

Un chatbot responde de forma automática a una petición o pregunta del

usuario, estas respuestas y peticiones puedes ser:

Texto libre: solamente utiliza palabras escritas.

Multimedia: utilizan texto + botones (por ejemplo, quick replies) +
imágenes.

Mediante voz: mensajes de voz, con capacidad de interpretar mensajes

de voz del usuario. Un ejemplo: https://youtu.be/NW7bTGGmDNw

Como has podido ver en el vídeo, los resultados que se están alcanzando son
increíbles. Cada año se están produciendo grandes avances para que los
chatbots conversacionales estén más cerca de superar el conocido test
de Turing (Alan_Turing: https://es.wikipedia.org/wiki/Alan_Turing), lo que
significaría que un usuario no sería capaz de saber si está manteniendo una
conversación con un bot o un humano.

Este test recuerda al realizado en la famosa película Blade Runner. Todos los
años desde 1990 se concede el
(https://es.wikipedia.org/wiki/Premio_Loebner), basado en el test de Turing,
para premiar los mejores programas conversacionales.
2.3. Desarrollo de chatbots: bot frameworks
En la actualidad existe gran variedad de bot frameworks, que posibilitan el
desarrollo de chatbots con distintos niveles de complejidad, funcionalidades y
posibilidades de integración, que se pueden categorizar en:

Plataformas visuales: están recomendadas para usuarios sin conocimientos

técnicos. Mediante estas plataformas se puede construir un bot sin tener
ningún conocimiento previo de programación. Dentro de esta categoría
tenemos como plataformas destacadas a Chatfuel, ManyChat, Botsify y
FlowXO.
Plataformas conversacionales: para desarrollar chatbots capaces de
mantener conversaciones. Se caracterizan por usar PLN (procesamiento de
lenguaje natural) para la composición de sus interacciones con los usuarios.
Un ejemplo sería Pandorabots.
Plataformas programables: Para poder utilizarlas es necesario disponer de
conocimientos técnicos previos. Estas plataformas combinan sistemas de
procesamiento de lenguaje natural (PLN), bases de datos, machine learning,
con la posibilidad de combinar entornos de programación diferentes. En
esta categoría tenemos como ejemplos relevantes:

Dialogflow:
https://dialogflow.com/,
de Google.
Microsoft Bot
Framework:
https://dev.botframework.com/
IBM Watson:
https://console.bluemix.net/developer/
watson/dashboard
Amazon Lex:
https://aws.amazon.com/es/lex/
Facebook Bot Engine:
https://developers.facebook.com/docs/
messenger-platform
2.4. Chatbots

2.4.1. Ventajas de un chatbot

En la actualidad la implementación de un chatbot en una página web está al
alcance de cualquier negocio. Su configuración es progresivamente más sencilla,
pudiéndose personalizar para cada necesidad. Se ha comprobado como los
chatbots permiten una navegación más sencilla y rápida, ya que permiten localizar
la información que se les solicite al instante.

Su capacidad de asistencia 24×7 es una ventaja competitiva frente a otras webs

competidoras.

En la actualidad las capacidades que están ya alcanzado los chatbots son

inmensas, permitiendo desarrollar acciones proactivas, participando, por ejemplo,
en una página de Facebook, programando o modificando citas existentes,
facilitando y ampliando nuevas vías de contacto con los usuarios, ofreciendo
respuestas a sus inquietudes en tiempo real y potenciando la satisfacción de los
usuarios, al mismo tiempo que generan nuevos leads y cierran nuevas ventas.

En redes sociales los chatbots pueden enviar contenido relevante a los seguidores
de la marca, contenido planificado previamente por el departamento de
marketing, como por ejemplo noticias, lanzamientos, promociones, o permitir el
acceso a ciertos contenidos a los usuarios registrados. Son solo algunas de las
capacidades actuales de los chatbots.

Ventajas:
 “Según un informe de Adobe, el 28 % de las empresas
líderes utilizan ya la inteligencia artificial en actividades
de marketing”.

Fuente: https://www.adobe.com/insights/15-stats-about-artificial-
intelligence.html

2.4.2. Desventajas
Antes de indicar las desventajas de su uso, es importante recordar que nos
encontramos en los primeros años de su evolución y que algunas de sus
desventajas pueden subsanarse dependiendo de su diseño.

La principal desventaja es ocasionada por el procesamiento del lenguaje natural,

estas herramientas todavía no captan ciertos matices del lenguaje humano como
el uso de dobles sentidos, el sarcasmo o la ironía, o matices que dependen del
estado de ánimo, pudiendo generar frustración al usuario.

Otra desventaja es el rechazo de estos avances por parte de muchas personas y,

por último, la necesidad de verificar cierta información con un humano.
3. Desarrollo de un chatbot

3.1. Planificación, análisis y

objetivos

3.1.1. Planificación
Un chatbot debe ser una herramienta flexible que posibilite su actualización,
adaptación a futuros cambios, necesidades u objetivos de la empresa.
Dependiendo de los recursos disponibles y los objetivos planteados, su
implementación puede ser rápida y sencilla o compleja y a largo plazo. Las
empresas deben analizar cómo el uso de chatbots junto con la inteligencia artificial
puede favorecer sus resultados operativos.

Al tratarse de una tecnología emergente, en la que no existe una gran base de

conocimiento de la que obtener ratios de resultados, es recomendable, en función
del sector, comenzar con proyectos piloto que permitan adquirir conocimiento por
resultados. De este modo, es aconsejable realizar un proyecto de chatbot con
competencias sobre preguntas frecuentes desde la web antes de embarcarse en
un proyecto avanzado de inteligencia artificial que utilice soportes como, por
ejemplo, Amazon Alexa.

3.1.2. Análisis operativo

En esta primera fase se debe identificar qué áreas de la organización podrían ser
favorecidas por la implementación de aplicaciones con inteligencia artificial, a
través del análisis funcional interno y externo a la empresa mediante el desarrollo
de benchmarking.

3.1.3. Determinar el objetivo

¿Para qué queremos el chatbot?
Debemos definir para qué necesitamos el chatbot, cuál será su función (11)
dentro de la empresa.

Los objetivos que se persiguen con el bot deben estar alineados con los objetivos
estratégicos de la marca.

Antes de ponernos en marcha, debemos poder dar respuesta a cuestiones como:

Cada uno de los objetivos fijados tendrá uno o varios KPI ( key performance
indicators) que permitan evaluar el grado de éxito de dichas acciones y faciliten su
optimización.

Los objetivos constituyen un punto central en la elaboración del proyecto.

Plantea unos objetivos SMART.

S

Specifics (Específicos).

Measurables (Medibles).

Achievables (Alcanzables)

Realistics (Realistas).

Time framed (Tiempo).

“El interés de los usuarios por los chatbots ha crecido

durante los últimos años”.
 Fuente: Google Trends, https://trends.google.com/trends/explore?
date=today%205-y&q=chatbots

Función chatbot (11)

¿Para la atención al cliente?

¿Como soporte técnico?
¿Para la recepción de pedidos?
¿Para mejorar la imagen de marca?
3.2. Arquitectura

3.2.1. Canal/proveedor
El canal o proveedor del servicio es la interfaz mediante la cual el usuario va a
interactuar con el bot. Por ejemplo, Telegram, WhatsApp, Skype, Facebook
Messenger, entre otros muchos.

Aunque las app que conocemos (Facebook Messenger, Telegram, Skype...) son las
más habituales, en la actualidad los desarrollos para páginas web son cada vez más
frecuentes.

Para decidir qué proveedor es el adecuado, debemos analizar la comunicación

actual con los usuarios.

¿Dispones de una comunicación sólida mediante Facebook con tus clientes?

¿Te comunicas con los usuarios con la app de Slack? El resultado de este
análisis nos pone sobre la pista para determinar el canal adecuado.

Si tus clientes están en Facebook y dispones de miles de seguidores en esta

red social, lo interesante sería implementar el chatbot mediante Facebook
Messenger.

Debes investigar dónde están y determinar si es conveniente abrir esta nueva vía
de comunicación, por este motivo es vital tener claros y definir antes los objetivos.

3.2.2. Integrador
Es el entono en el que localizan las herramientas de procesamiento del lenguaje
natural (PLN), machine learning (ML), la inteligencia artificial (IA) y analítica del
chatbot.

En estos momentos algunos de los integradores más potentes son DialogFlow

(Google), Amazon Lex, Chatfuel, Watson (IBM) y Wit.Ai (Facebook).

Ejemplo: Integraciones en Dialogflow. El servicio de Google se integra con muchas

plataformas de conversación populares como Google Assistant, Telegram y
Facebook Messenger, ofreciendo opciones de integración para voz y texto.
3.2.3. Facilitador
No es un elemento indispensable, ya que su necesidad va a depender del objetivo
a resolver, es decir, de la tarea que se solicite al bot. El facilitador es un servidor
que complementa las funciones del integrador, por ejemplo si son necesarias las
consultas a una API o a una base de datos.
 Ejemplo 1

Ejemplo 2

(13)

NLP (natural language processing): es el proceso en el cual el bot es capaz de

recibir la información y procesar los códigos de lenguaje enviados por el
usuario.

NLU (natural language understanding): es el proceso de entendimiento del

mensaje e identificación de las intenciones del usuario.

NLG (natural language generation): es el proceso de generación de respuestas

estructuradas de datos en texto, audio... una vez que el usuario ha remitido su
respuesta mediante un lenguaje natural y ha sido identificada su intención.

Ejemplo 1 (12)

En el caso de un chatbot para resolver preguntas frecuentes, dispondríamos

de un modelo tipo proveedor <-> integrador.

Ejemplo 2 (13)
2
En este caso supongamos un e-commerce que vende flores, en el que un
usuario consulta por un tipo de ramo y la cantidad de flores que tiene; ante
tal situación, el chatbot necesitara consultar una base de datos para
proceder a la resolución de la consulta en función de los parámetros
categoría y cantidad. Estaríamos en un modelo proveedor <-> integrador <-
> facilitador.
3.3. Desarrollo del flujo
conversacional
En esta fase es cuando se deben determinar los textos que se incluirán en el flujo
conversacional (los diálogos), la forma de actuación y la experiencia del usuario
deseada.

Diseñar implica comprender al cliente, sus objetivos y su modelo mental.

Cuando tenemos definido el tipo de chatbot que necesitamos y vamos a

desarrollar la estructura de la información que tendrá, podemos proceder a
elaborar una maqueta gráfica, que será una representación gráfica de la
disposición de los diferentes elementos que componen el flujo de información.

Según un estudio de LivePerson, los consumidores

prefieren chatear con bots de servicio al cliente para
tareas simples. El 89 % de los usuarios consultados
califica su experiencia con bots como “positiva” o “neutral”.

Fuente: https://pr.liveperson.com/index.php?s=43&item=496
Los flujos conversacionales se pueden realizar a mano o utilizando programas
especializados.

Los flujos de información deben ser actualizados periódicamente. Mediante el

análisis de datos se llevarán a cabo las modificaciones oportunas de los flujos de
conversación para optimizar el funcionamiento del chatbot.

Dependiendo del tipo de flujo conversacional, existen diferentes tipos de

arquitectura:

Lineal

En este tipo de arquitectura el flujo conversacional de respuestas está

determinado por un encadenamiento de etapas de carácter lineal. No se
caracteriza por ser una conversación fluida, sino por ser una sucesión de
respuestas automáticas.
 No lineal

Con la aplicación del machine learning (14) y del procesamiento del lenguaje
natural (15) se hace posible la interpretación de las intenciones del usuario
y el contexto de la conversación para generar respuestas de una forma
precisa. Mediante el uso de estas dos tecnologías, el chatbot devuelve las
opciones correctas basadas en los requerimientos solicitados por los usuarios.

Híbrida

Este tipo de arquitectura está compuesta mediante la combinación de las

anteriores, posibilitando el desarrollo de conversaciones fluidas y
personalizadas con el usuario, adoptando soluciones para situaciones en las
que el chatbot no sabe cómo responder una pregunta, avisando u ofreciendo
la posibilidad de contactar con un agente humano para ofrecer la respuesta
adecuada al usuario.

Fuente: Editor visual de botstar.com.

Fuente: Editor visual de botstar.com.

Machine learning (14)

ML (machine learning): disciplina científica del ámbito de la inteligencia

artificial que crea sistemas que aprenden automáticamente mediante la
identificación de patrones complejos en millones de datos.

Procesamiento del lenguaje natural (15)

PLN (en inglés, natural language processing): subcampo de la lingüística, la

informática, la ingeniería de la información y la inteligencia artificial que se
ocupa de las interacciones entre los ordenadores y los lenguajes humanos
(naturales).
3.4. Experiencia de usuario
(UX)
Debemos determinar si el chatbot tendrá un nombre que lo identifique, así como
definir su personalidad y el tono de comunicación, que debe estar en consonancia
con el tono de comunicación de la empresa. Es importante saber cómo es
percibida nuestra marca por los usuarios.

La utilización de emojis nos permite potenciar un entorno más humano .

La humanización de la conversación

No solo es importante que un bot cumpla con su objetivo, también es importante

conseguirlo de una manera natural para lograr que los usuarios se sientan
cómodos charlando con el chatbot.

Se debe preparar al bot para frases habituales que cualquier humano realiza en
una conversación. Contestar frases cómo “Gracias”, “Hasta luego”, “Un saludo”,
etc., ayudan a potenciar la confianza en el bot.

“Asegúrate de que los clientes sepan que están hablando con un chatbot y no
con un agente humano”.

Por ejemplo, para lograr esta naturalidad estaría el saludo inicial utilizando
fórmulas habituales como “Hola”, “Buenos días” o “¿Cómo estás?”.

¿Cómo evitamos que el usuario haga preguntas difíciles de contestar?

Adelantándonos a preguntas del usuario difíciles de contestar, potenciamos la

fluidez de la conversación; esto lo conseguimos mostrando las opciones de
nuestro bot con antelación.

Por ejemplo, si el chatbot está diseñado para ofrecer información sobre la

situación de un envío de paquetería, el bot mostrará esta funcionalidad desde el
saludo inicial, con respuestas cerradas para dirigir la conversación a través de
botones inteligentes:
 ¿Qué gestión deseas realizar sobre la entrega del pedido?

Conocer día de entrega

Modificar fecha de entrega

Es esencial comprender lo que desean los usuarios y, a partir de este

conocimiento, diseñar la experiencia conversacional necesaria para satisfacer sus
necesidades.

Comprender las necesidades del cliente significa poder dar respuesta a cuestiones
como:

¿Los usuarios prefieren interactuar con botones, texto o voz?

¿Llegados a un determinado punto los usuarios quieren hablar con un
agente humano?
¿Existen determinadas acciones que el usuario es reacio a realizar con el bot
o con un agente humano?
3.5.
Usabilidad
En esta fase se determina cómo mostraremos el contenido dentro del canal, es
decir, el tipo de interacción: texto, botones, voz o una interacción mixta.

Debemos analizar cómo usamos el chatbot, la facilidad con la que usamos la

interfaz y si nos permite obtener la información que hemos definido en los
objetivos.

La creación, diseño y orientación del chatbot hacia el usuarioes sin duda la

fórmula correcta para llegar a nuestro público objetivo y lograr convertirlos en
clientes satisfechos.

En lo relativo a la usabilidad de la interfaz tenemos dos tipos:

La tradicional interfaz gráfica de usuario (GUI, por sus siglas en inglés:

graphical user interface).
La novedosa interfaz de voz de usuario (VUI, por sus siglas en inglés: voice
user interface).

Voice user interface (VUI)

Los usuarios cada vez más usan la voz como herramienta de interacción. En la
actualidad se está pasando de la interfaz gráfica de usuario (GUI) a la interfaz de
voz de usuario (VUI), es decir, una comunicación entre humano Y máquina a
través simplemente de la voz.

Esta forma de usar la voz para interactuar con dispositivos la utilizamos con
nuevos dispositivos domésticos, apps y web.

Los desarrolladores más relevantes en esta área son Amazon Alexa, Google
Assistant, Apple Siri y Windows Cortana.

“La forma más natural de comunicación del ser humano

es el habla”.

El proceso de desarrollo de una VUI es similar al diseño de una interfaz gráfica de

usuario (GUI). Durante el proceso, se debe tener presente quién usará la interfaz,
para qué se usará esta interfaz y desde qué dispositivo.

El objetivo que se debe perseguir también es el mismo, comunicar la información

al usuario de la forma más eficaz posible.

En una VUI el usuario no navega por la página web para localizar la información
que busca, como sería en el caso de una GUI.

La característica esencial de una VUI es que el usuario dice simplemente qué

busca mediante la voz con la intención de recibir la información deseada de una
sola vez. Con la interfaz gráfica los usuarios realizan diversos clics, realizan
diferentes interacciones para obtener la información, pero en la interfaz de voz el
asistente entrega la información al usuario con un simple comando de voz.

“Algunos estudios indican que las ventas anuales de

compras por voz llegarán a los cuarenta mil millones de
dólares en pocos años”.

Test de usabilidad

Mediante un responsable, se solicitará a los usuarios que participan en las pruebas

la realización de unas determinadas tareas. Los datos de cada sesión deben ser
guardados para su comparación con sesiones futuras.

“Con la generación de experiencias e interacciones

positivas generamos engagement”.

Es muy importante poner a prueba el chatbot antes de su lanzamiento con

usuarios reales para saber cuál es su experiencia de uso y determinar si los
objetivos se cumplen. Mediante las pruebas de usabilidad se obtiene de los
usuarios información muy valiosa sobre la realidad y estado del proyecto.
Las pruebas iniciales permiten asegurar o, si fuera necesario, replantear cualquier
aspecto del diseño, las interacciones del chatbot durante el flujo conversacional,
modificar recursos gráficos (imágenes, emojis), textos, formularios…

En función de los resultados obtenidos en la fase de pruebas, se aplicarán los

cambios necesarios, incluida la posibilidad de un cambio en el tipo de interacción
definida en un principio: texto libre, texto + botones (por ejemplo, quick replies),
imágenes, vídeos o comandos de voz.

Principales causas de fracaso en proyectos de chatbots:

3.6.
Lanzamiento
El proyecto no finaliza con el desarrollo del chatbot, antes de su lanzamiento es
necesario:

Incorporar el chatbot dentro de la estrategia de marketing para darle la

visibilidad y relevancia que deseamos, y determinar cómo y cuándo se
efectuará el lanzamiento.
Haber definido los objetivos que se pretenden alcanzar con el chatboty que
marcan la finalidad por la que el chatbot es concebido, por ejemplo, la
atención al cliente, mejorar la fidelización de los clientes, favorecer la
obtención de nuevos clientes, la mejora de su experiencia de compra.
Realización de pruebas mediante prototipo: detección de errores y mejoras.
Es aconsejable realizar las pruebas con usuarios reales para conocer cuál es
su experiencia de uso con el chatbot y si cumple con los objetivos para los
que fue creado.

No solo los clientes, toda la organización debe estar al tanto del uso del chatbot y
su finalidad.

Prototipo

Es necesario diseñar una versión beta que permita poner a prueba el chatbot
antes de su lanzamiento para, de esta forma, implementar mejoras y reducir
errores.

Desde la conceptualización del prototipo se debe evitar que el usuario cometa

errores, por lo que es importante limitar las posibilidades de cada acción. Al
mismo tiempo, es importante que el chatbot permita orientar al usuario
ofreciendo ayuda contextual para reducir posibles errores.
3.7. Monitorización y entrenamiento
Con el lanzamiento del bot no ha finalizado el trabajo, el chatbot debe actualizarse
y enriquecerse mediante mejoras progresivas. Un claro ejemplo sería el
mantenimiento de sus flujos conversacionales mediante la modificación de textos,
botones o respuestas.

Antes de proceder con la implementación de cambios, es imprescindible realizar

un seguimiento del chatbot para determinar su efectividad antes de que sea
demasiado tarde.

El desarrollo de una monitorización de resultados puede permitir conocer mejor a

nuestro target, redefinir un producto o servicio mediante el estudio de preguntas
frecuentes, mejorar procesos u opciones de envíos o determinar los productos
más consultados; estos son algunos de los beneficios de una buena
monitorización.
4. Analítica

Una de las grandes ventajas del uso de plataformas como Amazon Lex, Dialogflow,
Facebook Bot Engine, IBM Watson, Manychat o Chatfuel para el desarrollo de un
chatbot es la capacidad de poder medir los resultados de todas las acciones de
marketing que se realicen.

Los cambios y mejoras que se implementen en el bot deben basarse en hechos y

no en corazonadas. Mediante la monitorización de métricas clave se podrá
determinar qué contenidos demandan los usuarios al bot, qué se debe optimizar e
incluso qué se debería eliminar.

Para evaluar el bot es necesario elaborar informes que recojan los datos
cuantitativos, junto con el análisis y recomendaciones orientadas a mejorar la
ejecución del bot y la optimización de los resultados para el cumplimiento de los
objetivos que se han definido.

Gracias a la analítica es posible medir los resultados que se están obteniendo y

disponer mediante el análisis de la capacidad de hacerlos más eficientes y/o
incluso poner fin al proyecto.

El número de interacciones por usuario y su evolución semanal y mensualaportan

información relevante sobre la marcha del chatbot.
El objetivo del reporting es ayudar al responsable del proyecto a tomar a corto
plazo las medidas necesarias para alcanzar los objetivos estratégicos.

Las revisiones y clasificaciones de los bots de Facebook Messenger también están

disponibles en las páginas de Facebook en la que esté el bot.

Se puede acceder a ella desde la pestaña “Revisiones de Messenger” de la

configuración de página.

En 2017 Google lanzó al mercado Chatbase, una plataforma gratuita con la que las
empresas pueden analizar métricas de sus chatbots.
Los KPI del bot dependerán de tus objetivos de negocio y de las funciones para las
que se ha desarrollado.

Otras herramientas, además de Chatbase, son:

1. Botanalytics.co
2. Botlytics.co
3. Dashbot.io
 4. Facebook Analytics: Solo para bots de Messenger

Métricas

Número de usuarios alcanzados.

La duración media de las sesiones.
Sesiones por usuario.
Interacciones por usuario.
Tasa de abandono.
Usuarios activos y comprometidos: son aquellos que, además de
interactuar con el bot, con sus preguntas también contestan a las tuyas.
Respuestas comodín: son aquellas frases que se programan siempre
para determinadas situaciones para reconducir la conversación, como
por ejemplo: “Disculpa, no te he entendido”; si se producen en exceso,
puede indicar problemas en los flujos conversacionales.
Número de pasos en conversación hasta alcanzar el objetivo.
Número de clics: en determinados botones del bot.
Tasa de autoasistencia: objetivos cumplidos por el bot
satisfactoriamente.
Tasa de satisfacción: encuestas al usuario sobre el nivel de satisfacción
alcanzado: “En una escala de 1 a 5, ¿cómo calificaría mi atención?
Muchas gracias, su valoración ayuda a mis compañeros humanos para
mejorarme”.
Conversiones.
5. Bibliografía

Bibliografía

1. Informe sobre una política industrial global europea en materia de

inteligencia artificial y robótica:
http://www.europarl.europa.eu/doceo/ document/A-8-2019-
0019_ES.html

2. La UNESCO lanza un estudio sobre la inteligencia artificial para el desarrollo

sostenible en el FGI 2019:
https://es.unesco.org/news/unesco-lanza-estudio-inteligencia-artificial-
desarrollo-sostenible-fgi-2019

3. Impulsar el compromiso del cliente con IA:

https://www.ibm.com/thought-leadership/institute-business-
value/report/reinventing-call-center

4. El siguiente gran cambio en las arquitecturas de negocio está impulsado por

las tecnologías de IA:
https://www.ibm.com/thought-leadership/institute-business-
value/report/build-cognitive-enterprise

5. Soluciones de IA:
https://cloud.google.com/solutions/ai?Hl=es

6. La innovación es lo que crea el mañana:

https://www.microsoft.com/es-es/ai?Activetab=pivot1%3aprimaryr5

7. ¿Qué es la inteligencia artificial?

https://aws.amazon.com/es/machine-learning/what-is-ai/

8. Inteligencia artificial BBVA:

https://www.bbva.com/es/ciencia-tecnologia/tecnologia/inteligencia-
 artificial/

9. Principios de la IA Telefónica:
https://www.telefonica.com/es/web/negocio-responsable/nuestros-
compromisos/principios-ia

10. La importancia de la ética en la inteligencia artificial:

https://retina.elpais.com/retina/2019/02/25/tendencias/1551089772_654032.html

11. Los dilemas éticos de la inteligencia artificial:

https://www.tendencias.kpmg.es/claves-decada-2020-2030/robots-etica-
inteligencia-artificial/

12. ¿Cómo regular la IA?

https://www.nytimes.com/es/2017/09/06/espanol/opinion/inteligencia-
artificial-reglas-regulacion.html
Fin de módulo

¡Enhorabuena! Has finalizado el módulo.