Imagina ser un profesor de colegio o cualquier otro centro pedagógico al final del día, sí, la hora de recoger. Cientos de niños están experimentando la sensación de libertad al mismo tiempo. Te encargas de llamar a uno de tus niños cuando ves que sus padres se acercan con el coche. Al tiempo que tienes que localizar a otra niña diferente, ponerle sus zapatos… Y a eso le sumas que puede que estén jugando en el patio de la escuela y hayan perdido su mochila.

Esa era yo antes de 2020. Ahora trabajo con chatbots y tengo la oportunidad de contribuir a la mejora de las realidades de escuelas enteras.

School Guardian es una startup brasileña de EdTech en educación que ofrece a escuelas, padres, tutores y niños más seguridad y mejor eficiencia en la logística escolar. Desde la recogida hasta la entrega, desde los procesos internos hasta las preocupaciones de salud pública, ellos cubren la seguridad de la escuela. Garantizando la seguridad de más de 80.000 estudiantes y 100.000 madres y padres en Brasil, Estados Unidos, Canadá y América Latina, School Guardian ya está en más de 300 escuelas.

El producto funciona así: un padre o tutor presiona un botón cuando está a punto de salir para recoger al niño. La escuela tiene tiempo para ubicar y preparar al niño, y cuando llegan los padres, los niños están listos para irse y los padres no tienen que esperar en la fila. Eso da como resultado una menor aglomeración en la recogida y devolución, y más comodidad en general.

En lo que respecta a la bioseguridad, desde 2020 pueden rastrear el estado de salud de padres, niños y personal, monitoreando y rastreando si las personas tuvieron contacto con alguien con COVID-19. La aplicación también bloquea el registro temprano si el niño no cumple con la política de asistencia escolar. De esa manera, la startup puede bloquear quién no se encuentra bien y asegurarse de que todos estén a salvo. La pedagogía se encuentra con la salud y la seguridad.

El caso: Chatbots y EdTech

Recibimos una breve sesión informativa abierta y una hoja de cálculo de control de calidad con preguntas frecuentes que el bot debería poder manejar a través de NLU. El concepto original es para el público brasileño. Sin embargo, como viví y trabajé como niñera y educadora durante 7 años en los Estados Unidos, decidí centrarme en los clientes norteamericanos.

El proceso de diseño

Comencé con una investigación en línea para obtener más información sobre las funcionalidades de la aplicación y cómo la experimentan los usuarios finales. Además de la información proporcionada en el informe, encontré videos y recursos de YouTube en el sitio web de la empresa.

Al entender mejor las funcionalidades y objetivos del producto, pasé a dibujar mi primer prototipo.

Prototipos

La idea inicial es tener un chatbot completamente funcional que pueda hacer prácticamente todo lo que la aplicación puede hacer. Dicho esto, puede ser inteligente comenzar las preguntas frecuentes con intenciones de usuario definidas por Regex que llamarán a la base de NLP con una coincidencia exacta, especialmente cuando hay un cargo por cada llamada de NLP. Es importante dar siempre la opción de que el cliente hable con una persona real. Para empezar, debería verse así:

Sin embargo, dado que este es un desafío solo de PNL, pasé a convertirlo en un bot de preguntas y respuestas abierto. Aquí es donde se aloja el bot:

https://sites.google.com/view/shepherd-bot-school-guardian/home

Puedes ver una demostración en el siguiente video.

¡El siguiente paso será mejorar las funcionalidades del bot a medida que avanzamos en la versión Dialogflow del Botcamp de Bruno Fazoli!

¡Felices bots a todos!

Luciana Reynaud — Bióloga con título en Pedagogía, MBA en Gestión Educativa y ex niñera de carrera en Silicon Valley.

¡Contacta conmigo!

The post Chatbots y School Guardian: Impulsando el mundo EdTech con DialogFlow first appeared on Planeta Chatbot.

Luego aprendimos cómo integrarnos con el sistema Correos do Brasil.

Descubrimos que usar la API de Correos tiene un costo, sin embargo, buscamos una solución y encontramos una API pública llamada Link & Track, sin costos operativos.

Los códigos de seguimiento de pedidos son datos públicos, ya que no proporcionan datos personales para el remitente y el destinatario.

Luego comenzamos con la etapa de Diseño Conversacional y creamos el intent #informar_tais_rastreamento con posibles uterancias de usuarios que desean conocer detalles del proceso de entrega de sus pedidos. Pudimos asignar un valor de expresión regular, lo que le permitió al bot reconocer el patrón de código de seguimiento necesario para obtener la información del servicio externo.

Una vez que se has creado el slot, es hora de habilitarla en el nodo que hace referencia a la intención de este usuario en el cuadro de diálogo y hacerla obligatoria. Es decir, si no está presente, el sistema solicita al usuario que ingrese el código.

El código de seguimiento debe enviarse a los servicios web del servicio postal para que la información de seguimiento actualizada se devuelva al usuario a través del bot. Como configuramos el slot o ranura como obligatoria, el cuadro de diálogo se atasca literalmente y se repite la misma solicitud hasta que el usuario ingresa un código de acuerdo con el patrón de expresiones regulares configurado.

Una vez que el usuario escribe el código correcto, es el momento de asignar el contenido literal de la entidad a la respuesta del asistente. En este punto, recibimos una llamada del CEO de VegPet pidiéndonos que entreguemos esta funcionalidad lo antes posible.

Es hora de compilar más este proceso y programar el literal directo en la definición del slot para que devuelva la variable de contexto con el valor deseado. Programamos el reconocimiento del slot en la intención como @trace_code.literal para que devuelva la variable de contexto $trace_code con el valor exacto para ser validado con el servicio web de seguimiento de pedidos… ¡y funciona!

Es importante restablecer la variable de contexto en el diálogo, para que el sistema no se atasque y la conversación pueda fluir de forma natural si el usuario decide cambiar de actividad en medio del proceso.

Variable de contexto definida, es hora de validarla.

Webhooks – Watson Side

Ahora es el momento de comprender el comportamiento de un webhook desde la perspectiva de Watson. El backend fue entregado en JavaScript por el profesor Bruno Fazoli. La URL base proporcionada fue http://letsbot-api.herokuapp.com, con Endpoint / Service en / watson_tracking

Solo la intención #traceamento_request podrá acceder a este puente con el sistema externo.

Una vez hecho esto, es hora de establecer los parámetros de backend en el frontend de Watson.

Las respuestas de esta integración, también definidas en el backend por el docente, se configuraron de la siguiente manera:

¡Hora de la verdad! Probando el webhook.

Spoiler: ¡funcionó!

El código de backend.js se puede verificar aquí: https://github.com/lucianareynaud/letsbot.git

En el próximo sprint, aprenderemos más sobre la estrategia del canal de integración.

¡Hasta la próxima!

The post IBM Watson e integraciones: datos dinámicos en tiempo real first appeared on Planeta Chatbot.

Puedes solicitar acceso a la API directamente a WhatsApp y reclamar una excepción para tu empresa, pero no existen pautas claras que garanticen el éxito en la obtención de este servicio.

Una ruta mucho más segura es el uso de Business Solution Providers – BSPs – brokers autorizados por Facebook para comercializar el tráfico a través de sus canales a través de modelos específicos: activadores activos, mensajes enviados (Mobile Terminated – MT), mensajes recibidos (Mobile Originated – MO), sesiones (24hs desde el último MO) o MAUs (usuarios únicos activos dentro del mes).

Luego, tu empresa puede obtener una cuenta comercial de WhatsApp, WABA, a través del proveedor de soluciones comerciales, BSP, que se elegirá del directorio de socios de Facebook. Estas cuentas comerciales adquiridas a través de corredores pueden ser OBA – Cuentas comerciales oficiales, con una marca de verificación verde como insignia, o cuentas estándar. Existen requisitos de evaluación para que tu empresa adquiera la insignia verificada.

Vayamos a los tipos de mensajes que se pueden enviar a través del canal:

• Mensajes de texto
• Mensajes de medios
• Mensajes de contacto y ubicación
• Mensajes interactivos (botones)
• Mensajes de plantilla

Acceso al cliente: mensajes de plantilla

Una empresa no puede simplemente lanzar spam al azar una vez que tiene acceso al número de teléfono del cliente. Pero puede usar las plantillas y tomar fotos útiles con información de envío, recordatorios de citas por cita, resoluciones de boletos y actualizaciones de pagos. Una nueva plantilla, creada por una empresa, debe pasar la aprobación de WhatsApp.

Precios basados ​​en conversaciones

A partir de febrero de 2022, se cobrará a las empresas por las conversaciones, que incluyen todos los mensajes enviados durante un período de 24 horas.

Si el intercambio de mensajes es iniciado por el cliente, los mensajes enviados a ese cliente no se cobrarán hasta 24 horas después del mensaje que envía, caracterizando así una Ventana de Atención al Cliente.

Cualquier mensaje adicional enviado a ese cliente fuera de la ventana de servicio al cliente debe ser un mensaje de plantilla, que se facturará según se define en la tabla de tarifas de Facebook. Las tarifas están siempre actualizadas.

Las conversaciones se dividen en dos categorías, que pueden tener un precio diferente. Se trata de mensajes activos iniciados por la empresa (mensajes de plantilla) y mensajes de conversación (mensajes de sesión). Pueden ser de dos tipos:

• Iniciado por el usuario: preguntas generales de soporte.
• Iniciado por la empresa: notificaciones posteriores a la compra.

Todas las conversaciones se miden en incrementos de 24 horas, es decir, por “sesiones”, que comienzan tan pronto como una empresa envía el primer mensaje. El contador de horas comienza cuando la empresa envía el primer mensaje: un mensaje de plantilla o una respuesta a una conversación iniciada por el cliente.

Conversaciones de nivel gratuito: cada WABA tiene derecho a 1000 conversaciones de nivel gratuito por mes.

Puntos de entrada gratuitos: mensajes iniciados por el usuario a través de botones de llamada a la acción; no se cobrarán las llamadas a la acción. Solo la primera conversación iniciada de esta manera es gratuita. Los anuncios con clics para WhatsApp se cobrarán normalmente.

A continuación, se muestran algunos ejemplos de conversaciones extraídas de la documentación de la API de Facebook.

Conversaciones iniciadas por el usuario

Caso 1: primero, un caso de soporte general dentro del período de 24 horas.

1. El cliente Anne envía un mensaje con una pregunta general sobre su reserva.
2. Recibe un mensaje de recibo de la empresa. Aquí comienza la sesión de 24 horas. A partir de ahora, todos los mensajes dentro de este período son gratuitos. Esto ayuda en la calidad del servicio al cliente, después de todo, no necesitamos economizar en comunicación, ¿verdad?
3. Después de 24 horas, Commercial Air solo puede reiniciar la conversación enviando una plantilla. Luego comienza un nuevo ciclo de recolección.

Caso 2: dos conversaciones, un mensaje de plantilla obligatorio.

1. Anne quiere saber cuándo llega su pedido.
2. Un bot responde a la entrega estimada, inicia un ciclo de conversación de 24 horas.
   Pasan 24 horas, pero la empresa envía un mensaje de plantilla diciendo que ha llegado el pedido.
3. En este caso, se cobra a la empresa Kicks por dos conversaciones. Uno iniciado por el usuario, uno autoiniciado.

Conversaciones iniciadas por la empresa

Caso 1: la empresa comienza a enviar un mensaje modelo

1. Primera plantilla para usuarios que eligen recibir comunicaciones de vuelos de la empresa. Empiece a cobrar por una conversación.
2. Según la plantilla enviada dentro de las 24 horas, solo se cobrará una conversación.

Caso 2: iniciado por la empresa, con respuesta del usuario

1. El cliente cierra el pedido con Kicks y recibe una confirmación con una pregunta sobre cómo ser contactado para los detalles de la entrega más adelante.
2. El cliente responde en un plazo de 24 horas. Se carga una conversación. Si el cliente se pone en contacto después de 24 horas y la empresa responde, comienza a cobrar por una nueva conversación.

Los costos por conversación varían según la región.

Elegir un BSP – Twilio

Una vez realizado el análisis comercial de WhatsApp, es hora de poner un BSP aprobado por WhatsApp en la ecuación. En este caso, trabajaremos con Twilio. Por lo tanto, para fijar el precio, debemos acoplar el valor de WhatsApp al valor de Twilio de esta manera (noviembre de 2021).

Twilio cobra actualmente 0,005 USD por mensaje de sesión.

Hay descuentos por volumen de mensajes:

De acuerdo, pero ¿cómo fijar el precio?

Es importante verificar si tiene sentido para la empresa utilizar una arquitectura que involucre a WhatsApp y sus socios. Para muchos problemas comerciales, un chatbot más simple, con o sin NLP, implementado directamente en la aplicación o el sitio web de la empresa, ya resuelve este gran salto en el servicio.

Mira algunos ejemplos de proveedores de servicios en el sector chatbot:

Existen diferentes categorías de soluciones dentro de la arquitectura del chatbot, y debes comprender el papel y la responsabilidad de cada una de ellas para saber cómo usarlas bien, de una manera que funcione a escala. En el próximo artículo, cubriremos arquitecturas escalables.

¡Hasta luego!

The post Análisis comercial y estrategia de canales para la implementación de un chatbot: WhatsApp y Twilio first appeared on Planeta Chatbot.

El escenario de desarrollo es un curso de la Escuela de Diseño para la Experiencia de Usuario Digital de la escuela Casa Codificación, en el que se aprende a utilizar los métodos del pensamiento de diseño en la práctica, bajo la guía del profesorado. Empezamos a elegir uno de los Objetivos de Desarrollo Sostenible de la ONU, y trabajamos en cómo podríamos ofrecer una solución para mitigar los efectos de un mundo desigual y desconectado de la misma realidad.

Elegí ODS 10, que dice, entre otras cosas, que deberíamos:

• 10.3 – Garantizar la igualdad de oportunidades y reducir las desigualdades en los resultados
• 10.2 – Para 2030, empoderar y promover la inclusión social, económica y política para todos. Promover la prestación de servicios de forma fácil y accesible.

Decidí crear una aplicación conversacional, para que las personas con algún tipo de limitación innata o adquirida – como ceguera y baja visión – o situacional – como «conducir» – pudieran realizar transacciones bancarias solo usando su voz, teniendo una experiencia satisfactoria en el proceso.

Usé Miro y ejecuté un conjunto de herramientas de Design Thinking, teniendo la imagen general del proyecto. Minimalista y al grano, cómo me gusta trabajar.

Aquí está la lista de pasos tomados para construir el producto:

• Matriz de CSD
• Investigación de escritorio
• Benchmarking
• Mapa de partes interesadas
• Etnografía rápida
• Investigación UX
• Mapa de empatía
• Viaje del cliente
• Persona del usuario
• Persona del sistema
• Definición del problema
• Trabajos por hacer
• Historias de usuarios
• Propuesta de valor
• Esquema de modelo de negocios
• Análisis de tareas
• Flujo de usuario: VUI
• Advertencias o puntos negativos del producto
• Reglas de incorporación del banco central
• Sistema de diseño
• Prototipo
• Análisis heurístico para VUI
• Pruebas
• Prototipo de Figma
• Prototipo de flujo de voz

Investigación UX

Usé tres métodos de investigación para diseñar este MVP:

• Mobile Diary Studies, en el que pedí a los usuarios que grabaran las pantallas de sus celulares tratando de realizar PIX por voz a través de bancos tradicionales, que supuestamente tendrían soporte para ello. Ninguno de los usuarios pudo realizar ningún tipo de transferencia financiera con su voz.
• Google Forms, donde sondeé las relaciones de las personas con comandos de voz para actividades vitales. Descubrí una gran intención de adherirme a esta tecnología.
• Netnografía, en la que busqué comunidades de ciegos en Youtube y otras redes sociales para descubrir sus relaciones con Alexa. El dispositivo es aclamado entre las personas ciegas, que dicen que luchan con las tecnologías de asistencia tradicionales como VoiceOver o Text-to-Speech.

personas

Después de analizar los datos recopilados, construí dos tipos de personas:

GUI y Fig

A priori, quería crear Bank Voice. Me propuse estudiar las reglas de incorporación del banco central y crear la plataforma, y ​​luego encontrar inversores para poner el producto en funcionamiento. Quería crear un banco real.

Sin embargo, la incorporación por sí sola daría lugar a más de 40 pantallas para dibujar en Figma. Mientras hacía el trabajo yo misma, trabajando en 4 trabajos, mis maestros me guiaron para crear una skill de Alexa que pudiera integrarse fácilmente en la aplicación bancaria preferida de la persona, sin preocuparme por el backend de FinTech en sí.

Sistema de diseño

Elegí estos colores haciendo un análisis estadístico sobre cómo los ven las personas con discapacidad visual, y elegí una combinación con una alta probabilidad de proporcionar un buen contraste para la mayoría de las personas que pueden ver.

Las pantallas se veían así.

Prototipo navegable

Diseño conversacional y LGPD

Ahora vayamos a la mejor parte: el diálogo en sí.

Mientras desarrollaba los flujos en Voiceflow, me detuve a preguntarme si está dentro de la LGPD para que un usuario hable en voz alta el CPF, el correo electrónico, el teléfono o el CNPJ de otra persona. Confieso que por primera vez me sentí mal como investigadora, porque ni siquiera hablando con abogados especializados en tecnología pude averiguarlo.

Pensé, la tecla del teléfono debe estar bien. Quiero decir, ¿recuerdas cómo era con las guías telefónicas? ¿El agente llamó a las puertas de las casas, entregó los libros y los datos de las personas fueron literalmente públicos? No debería ser un problema ahora.

Decidí no arriesgarme y habilité el prototipo solo para la clave CNPJ, que todos sabemos que son datos públicos por naturaleza. Más vale prevenir que lamentar.

Este es el flujo final.

Pruebas

Después de diseñar los diálogos, preparé una serie de pruebas y me puse en contacto con los usuarios que participaron en la primera ronda de encuestas para averiguar qué estructura de texto y estilos de comunicación preferían. El diseño se realizó según la preferencia del público.

Heurística en VUI

El flujo se desarrolló siguiendo las mejores prácticas heurísticas de Jacob Nielsen, adaptadas para interfaces de voz. El que más me sorprendió va en contra de nuestra tendencia a querer humanizar a los robots. El efecto de una interfaz de voz puede tener efectos psicológicos tan profundos que, a pesar de la necesidad de una lógica natural, los robots no pueden sonar demasiado naturales.

El caso de la película «Her», ya sucedió en la vida real, a través del Open AI y GPT-3.

Jason Rohrer creó miles de líneas de código para automatizar la creación de diferentes personalidades, y llamó a este nuevo sistema Project December. Un usuario, Joshua Barbeau, utilizó el sistema para proporcionar datos demográficos y psicológicos sobre su prometida Jessica Pereira, y literalmente creó una relación completa con el robot que resultó. La relación estaba afectando gravemente sus decisiones en la vida real. Como si para él, el chatbot de IA realmente fuera la misma Jessica.

Por lo tanto, es importante que una VUI sea resuelta, pero los diseñadores y los ingenieros de aprendizaje automático deben ser conscientes de los efectos de esta nueva forma de comunicarse con las computadoras.

Otras heurísticas son más simples y obvias, entre las que destacan:

• El usuario necesita saber cuándo el sistema está escuchando.
• Requiere claridad y brevedad en los diálogos.
• La documentación debe estar incorporada. El usuario debe poder pedir «ayuda» y comprender cómo funciona el sistema interactuando con él.
• Los flujos de “ayuda” y “parada” son obligatorios.
• La variación del vocabulario está programada, contrariamente a la consistencia de la escritura UX de la GUI.
• Memoria del sistema bien desarrollada, personalizada según las necesidades del usuario, y prevención de errores con un puntaje de confianza de que lo que se está haciendo es exactamente lo que el usuario desea. Lo logramos a través de la curación del aprendizaje automático.
• Cuidado y atención extra con la ingeniería social: arte de explotar la confianza de las personas para obtener información o realizar una acción maliciosa en nombre del atacante.
• Por último, la ambición de la VUI es hacer que la curva de aprendizaje del usuario sea mínima o inexistente. El usuario habla, pasan cosas. Simples así.

Consideraciones

Un agradecimiento especial al equipo de Digital House Coding School por apoyar mi cambio de carrera, por la flexibilidad para adaptarme a mi apretada agenda de clientes (soy niñera, educadora y profesora de inglés en este momento).

Gracias a mis profesores Bill Martinez y Raquel Antonio (ella, ella).

A la coordinadora Aline Przybelak y André Rosa de Oliveira

Y a ti, querido lector, si llegaste tan lejos, también te agradezco.

Si eres experto en este sector, deja un comentario y conectemos.

Hasta la vista!!

The post Diseño UX y el caso Bank Voice first appeared on Planeta Chatbot.

Es el único fabricante y distribuidor de comida vegana y vegetariana para perros y gatos en Brasil, y surgen muchas preguntas sobre esta innovadora forma de alimentar a las mascotas. ¿Base vegetal para animales carnívoros?

El soporte de VegPet mapeó estas preguntas comunes, y el CEO Victor Ramos generosamente puso sus datos a disposición de los estudiantes del curso para la construcción y curación del chatbot.

El desafío era entonces crear una conversacional (FAQbot) en WhatsApp, para automatizar las respuestas a las preguntas más comunes, el uso de la capacidad total de los sistemas cognitivos de IBM Watson. Los pasos diseñados fueron los siguientes:

• Comprender las preguntas frecuentes y sumérjase en el contenido de referencia para crear respuestas asertivas
• Diseño de intenciones: basándose en la pregunta y las respuestas, crea la estructura de intenciones
• Nombre de la intención
• Textos de formación (entradas de usuario)
• Variaciones de respuesta (ya que la misma respuesta se puede decir de diferentes maneras)
• Diseño de cuadros de diálogo: agregue intenciones al cuadro de diálogo IBM Watson Assistant
• Curaduría y desambiguación: un andamiaje del motor cognitivo para hacer que el bot sea más inteligente y resuelto

Recibimos esta tabla:

Y comenzamos a generar otra excel en paralelo, dando repsuesta a las necesidades:

Creé a priori 12 intents y una entidad con tres slots, y coloqué el enlace del bot en el grupo de Telegram del curso para que la gente probara y «rompiera» el bot, es decir, para encontrar puntos donde el robot no tenía respuestas.

Luego comencé a crear los flujos de respuesta para hacerlo más resuelto e interesante.

Mi primer susto fue que uno de los beta testers insultó a mi bot… ¡desde el principio!

Con eso, aprendí que debemos poner a prueba el chatbot ya entrenado con un flujo de «acoso primero», para que no tengamos sorpresas. Me inspiré en el BIA de Bradesco y creé una respuesta. Puedes verlo en esta imagen:

Como el chatbot ya estaba en producción y con varias personas interactuando con él, rápidamente creé una intención combinada para resolver tanto las palabras abusivas como las de acoso. La intención de #bullying_harassment parecía prometedora, pero el motor cognitivo comenzó a interpretar oraciones normales como si fueran abusivas.

Con la lección aprendida, separé las intenciones y comencé a resolver los flujos de personas que me enviaban impresiones de sus interacciones. El bot creció rápidamente.

Curado para crear intenciones por la noche mientras mis usuarios interactuaban durante el día, mi bot mostró una tendencia de cobertura positiva en Analytics. Si estuviera en el bot todo el día, estos resultados serían aún mejores.

Aún falta la curaduría interna, es decir, que ayude al motor cognitivo a evaluar todo lo que no reconoció y etiquetó como “irrelevante” y, si es necesario, cree más intenciones y diálogos. Mira cómo está el bot ahora mismo.

Por el momento, el asistente tiene 20 intenciones y una entidad de tres variables cada una. Sin embargo, cada entidad puede combinarse con una intención y tener un significado diferente. Por ejemplo, tenemos la intención #know_price combinada con tipos de ración, para cada ración un precio diferente.

También combiné la intención #buy_ration con las entidades de tipos de ración, para guiar al usuario recurrente o quién está listo para cerrar la compra.

Todavía falta la ingeniería de PNL, es decir, la curación manual de las declaraciones reales de todos los usuarios. Así, entrenamos el motor cognitivo de la plataforma y aumentamos la complejidad y resolución del asistente.

Puedes interactuar con El Gato con Botas a través de este enlace.

¿Qué te parece? Espero tus comentarios y aportaciones para poder seguir mejorando el proyecto.

The post Cómo programé el Gato con Botas, el chatbot de VegPet first appeared on Planeta Chatbot.