No tenemos que buscar mucho para encontrar ejemplos que van de lo gracioso a lo directamente inquietante cuando las aplicaciones creadas a partir de grandes modelos lingüísticos (LLM), como ChatGPT y Bard de Google, cometen errores embarazosos. Gran parte de ello tiene que ver con el hecho de que hay una gran diferencia entre inventar una palabra que suene adecuada, que siga correcta y gramaticalmente a la palabra anterior, pero que no tenga en cuenta el contexto, la comprensión o la empatía, elementos clave de una comunicación significativa.

Como líder en el espacio de pruebas y aseguramiento de Chatbot, Cyara está impulsada por los nuevos avances en el mundo de las aplicaciones conversacionales y nuestro enfoque principal es ayudar a nuestros clientes a entrenar, probar y monitorear sus chatbots e IA conversacional. En este artículo, compartiremos nuestra perspectiva sobre qué son realmente los LLM, qué efectos reales y potenciales podrían tener en las experiencias de los clientes, los desafíos técnicos que presentan y dónde observamos que hay margen de mejora.

¿Qué son los LLM?

Aunque la sofisticación de la tecnología de chatbot ha ido en aumento durante la última década, la aparición de grandes modelos lingüísticos preentrenados, como GPT3, LaMDA de Google o Bloom, está causando un revuelo nunca visto en el sector de la IA conversacional.

ChatGPT y Bard son aplicaciones conversacionales de grandes modelos lingüísticos (LLM), entrenados en un vasto corpus de texto -normalmente terabytes de datos de diversas fuentes- para que puedan generar conversaciones similares a las humanas. Estos modelos utilizan algoritmos de deep learning que reconocen, resumen, traducen, predicen y generan texto y otros contenidos, como código escrito, ecuaciones matemáticas, letras de canciones o incluso sugieren grandes ideas para la primera cita.

Grandes modelos lingüísticos en CX

El revuelo en torno a los LLM ha sido digno de verse. En ningún otro lugar se ha hablado tanto como en el mundo de la atención al cliente, inspirando un entusiasmo renovado por la aplicación de la IA en todo el proceso de atención al cliente. Cuando funcionan, las aplicaciones de autoservicio del cliente que utilizan IA conversacional basada en LLM pueden aliviar frustraciones comunes y ofrecer un camino más rápido y optimizado para que los clientes obtengan lo que necesitan, ayudando a las organizaciones a mantenerse al día con las crecientes expectativas de los clientes.

Aunque el reconocimiento de voz tiene una larga historia en la gestión de clientes y la automatización de centros de llamadas, los nuevos chatbots basados en LLM suponen avances significativos para proporcionar un servicio personalizado más similar al humano.

Las organizaciones ven oportunidades de aprovechar los LLM para obtener una ventaja estratégica. Existe un potencial real para generar un valor sin precedentes mediante la creación de experiencias de usuario superiores para conseguir más negocio y la automatización de tareas mundanas para mantener los costes bajos. Pero el éxito no está garantizado…

Los mayores retos de la adopción de los LLM

La IA conversacional experimental de Google, Bard, nos ha demostrado que, aunque versátiles, los LLM aún tienen algunos problemas que resolver.

Uno de los principales problemas de los LLM es su tendencia a afirmar de forma segura y convincente información incorrecta como si fuera un hecho. Los LLM inventan información con frecuencia, ya que no disponen de una base de datos de hechos codificados, sino sólo de la capacidad de escribir afirmaciones plausibles sin ninguna garantía de que sean correctas.

Mientras que los modelos tradicionales de Procesamiento del Lenguaje Natural (NLP) se entrenan con datos etiquetados manualmente, los LLM utilizan fuentes no supervisadas para aprender y generar respuestas. En consecuencia, existe un alto potencial para producir sinsentidos, como respuestas completamente irrelevantes, sesgadas o inexactas.

Otra limitación es que los bots basados en LLM suelen consumir muchos recursos. El volumen de datos de entrenamiento que hay detrás de un bot basado en LLM podría ralentizarlo considerablemente, por lo que podría resultar complicado utilizarlo en algunas aplicaciones en tiempo real, como el servicio de atención al cliente, donde esperamos respuestas rápidas.

Tras la reciente lucha de Bard, el mercado reaccionó inmediatamente eliminando un 7%, o 144.000 millones de dólares, de la valoración de Alphabet, mostrando así cierta pérdida de confianza en la tecnología de IA de Google. (1)

¿Cuál es la pieza que falta para el éxito de los LLM?

Aunque es posible que unos modelos lingüísticos tan complejos e impredecibles no estén preparados para interacciones sin control directamente con los clientes, el portavoz de Google destaca el elemento que falta para el éxito de los LLM: «pruebas rigurosas».

Como con cualquier tipo de prueba, el propósito de probar los LLM es evaluar su rendimiento, capacidades, limitaciones y riesgos potenciales para evitar que difundan información errónea y garantizar que sean seguros y fiables.

Lamentablemente, probar los LLM es comparable a probar el universo global de la información o un motor de búsqueda, lo que plantea un enorme desafío. En lugar de la evaluación humana, que es lenta, subjetiva, incoherente e ineficaz, deberíamos dejar esta tarea a la automatización, una estrategia de pruebas que es realmente escalable y proporciona una garantía de calidad a lo largo del camino para estos enormes modelos.

Por supuesto, las pruebas aquí no resuelven todos los problemas.

Cómo aprovechar los LLM con éxito y evitar los peligros actuales

Los LLM han demostrado unas capacidades impresionantes a la hora de generar texto de apariencia humana difícil de distinguir del texto escrito por humanos reales, pero aún persisten los peligros inherentes a su uso para aumentar el servicio de atención al cliente.

El objetivo de Cyara en este artículo es esbozar posibles estrategias que podrían aumentar la confianza de las organizaciones en los LLM mediante la creación de una estructura con resultados más predecibles.

A continuación presentamos tres formas en las que creemos que cualquiera puede aprovechar la avanzada tecnología y obtener beneficios que permite el uso de los LLM sin comprometer la calidad de su IA conversacional.

Reducir el alcance: Un enfoque que pueden adoptar las empresas es crear un modelo de IA generativa más pequeño basado en sus propios datos internos supervisados. Esto permitiría a la empresa implementar ciertos límites para sus LLM. Esta técnica implica cosas como el ajuste fino (alimentar el modelo con una pequeña cantidad de datos adaptados a la tarea en cuestión), que centrará el modelo en un caso de uso específico del dominio, reduciendo así su alcance y aumentando su precisión. Estas personalizaciones pueden mejorar el rendimiento en una tarea específica. Básicamente, es como pedirle a un robot que se especialice en la universidad y se convierta en un experto en la materia.

Híbrido: Otro posible enfoque para aprovechar el potencial de LLM sin experimentar inconvenientes o riesgos es limitar el funcionamiento sólo a determinados casos de uso. Esto podría consistir en utilizar una IA conversacional para las «conversaciones de negocios» y recurrir a los LLM para las conversaciones triviales u otras interacciones «más humanas».

Potencia tus datos de entrenamiento y prueba: La potencia de los LLM no se limita a las aplicaciones conversacionales orientadas al cliente, sino que también puede ayudar a acelerar el desarrollo de datos de entrenamiento y prueba. Botium, la plataforma de garantía de calidad de Cyara para IA conversacional, permite a los usuarios desarrollar rápidamente datos de entrenamiento y prueba a través de una integración con GPT3, desarrollado por OpenAI. GPT3 es un sistema de IA que produce lenguaje natural y sólo requiere una pequeña cantidad de texto de entrada para generar grandes volúmenes de ejemplos de usuario relevantes y sofisticados para el chatbot de su organización.

Esto significa poner a los chatbots basados en NLP a cargo de las preguntas de precisión intensiva y dejar que los LLM se ocupen de conversaciones más sencillas y generales. Esto combina más tecnologías para equilibrar las necesidades de los clientes, como la personalización y la veracidad. Una solución híbrida como esta también abriría la puerta a las pruebas automatizadas, que ayudarían a superar los principales obstáculos de control de calidad antes de declarar con confianza «¡Éxito!»

Dirigir un centro de contacto digital de autoservicio ya es una tarea difícil sin las complicaciones adicionales que plantean los LLM y las IA conversacionales. Encontrar un equilibrio entre las ventajas y los posibles riesgos de utilizar LLM es un dilema que llevará tiempo resolver, pero no tiene por qué depender únicamente de usted y de su equipo para sortear estas dificultades.

Con una solución de pruebas y monitorización como Cyara Botium, puede automatizar el control de calidad y ampliar su capacidad de pruebas mucho más allá de lo que puede hacer manualmente. Esto garantiza que pueda probar y supervisar continuamente todo su sistema y sentirse seguro de que está ofreciendo una CX impecable.

The post LLMs e IA Generativa: ¡haz que trabajen para ti! first appeared on Planeta Chatbot.

Incluso antes de COVID-19, Gartner predijo que el 70% de los trabajadores de cuello blanco interactuarían con plataformas de IA conversacional todos los días para 2022. Ahora se espera que el mercado de esta tecnología crezca a una tasa compuesta de crecimiento anual (TCAC) del 21,8%, hasta alcanzar los 18.400 millones de dólares en 2026.

Esto se debe, en gran parte, a lo mucho que ha mejorado esta tecnología en los últimos años. Los chatbots, en particular, pueden ahora apoyar la experiencia del cliente de muchas maneras, permitiendo un mayor autoservicio del cliente y reduciendo la demanda de agentes humanos.

Sin embargo, el éxito no está garantizado cuando los centros de contacto implantan chatbots y otras soluciones de IA conversacional. Un chatbot viene con potentes capacidades de IA, pero todavía no se ha adaptado a sus necesidades ni se ha probado en su empresa. Antes de que los centros de contacto den el paso, deben considerar lo que realmente se necesita para garantizar que sus soluciones de IA conversacional apoyarán y mejorarán la experiencia del cliente.

La creciente demanda de chatbots en el centro de contacto

En gran medida, no es necesario convencer a los ejecutivos de los centros de contacto de que deben adoptar la IA conversacional en forma de chatbots o asistentes de voz inteligentes. La mayoría están demasiado ansiosos por incorporar estas soluciones. Según Canam Research, el 78% de los centros de contacto planean desplegar IA para 2023, y la mayor parte (55%) apunta a los chatbots como su principal solución de IA. Se espera que el CAGR para los chatbots crezca incluso más rápido que la IA conversacional en general, con un 30,29% entre 2022 y 2027.

También hay buenas razones para ello. En general, los ejecutivos de los centros de contacto ven los frutos de implementar soluciones de chatbot. Una encuesta reciente realizada a miembros de la Junta Ejecutiva de Fast Company señaló que añadir una solución de chatbot a su sitio web mejoraba el compromiso del cliente, aceleraba el servicio, mejoraba la asistencia personalizada y aumentaba la satisfacción del cliente, por nombrar solo algunos resultados.

Estos resultados positivos son alentadores, pero eso no significa que los chatbots y otras tecnologías de IA conversacional sean ahora impecables. Siguen fallando en muchos aspectos, desde interpretaciones erróneas de las intenciones de los clientes hasta retrasos en los traspasos y fallos de seguridad. Y las malas experiencias de los clientes resultantes pueden provocar la pérdida de clientes y otros impactos negativos en una marca. Estas posibilidades deberían hacer reflexionar a cualquier ejecutivo de un centro de contacto antes de subirse al carro del chatbot sin estar preparado.

El enigma de las pruebas de chatbot

Esto no quiere decir que los responsables de los centros de contacto no deban adoptar esta tecnología, sino que deben hacerlo de la forma correcta. Por muy sensible e inteligente que sea la IA, sigue estando limitada por su programación. En última instancia, los chatbots siguen fallando porque no pueden tener en cuenta todas las posibles interacciones humanas. Los matices y peculiaridades de la comunicación humana son tan amplios y variados que no hay forma de preparar un chatbot para todas las posibilidades desde el principio.

Pensemos, por ejemplo, en la cantidad de formas posibles en que alguien puede pedirle a un chatbot que pida una pizza vegetariana. Puede pedir una «pizza vegetariana», una «pizza sin carne», una «pizza sin carne» o utilizar cualquier otra frase. Además, cada persona puede tener sus propias peculiaridades, como errores ortográficos, formas coloquiales de decir algo, capacidades tecnológicas limitadas… lo que se te ocurra. ¿Cómo saber si tu bot es capaz de manejar todas estas variaciones y matices? Hay que probarlo.

Pero probar realmente todas estas y muchas otras opciones de cómo alguien podría pedir una pizza es un trabajo muy extenso. Hacerlo manualmente requeriría muchas horas, o incluso días, primero para idear los tipos de pruebas a realizar y luego para ejecutarlas. Para hacerlo de forma eficiente, necesitas una solución que pueda realizar todos los pasos necesarios por ti: una plataforma de pruebas que te permita exponer rápida y eficientemente estas limitaciones para que puedas enviar el bot de vuelta al desarrollo y enseñarle nuevas habilidades.

Pruebas de IA: el verdadero camino hacia una CX impecable

Fundamentalmente, este tipo de pruebas debe cubrir todo el proceso para que sus evaluadores no tengan que probar sus chatbots manualmente o pasar horas desarrollando casos de prueba.

Significa realizar pruebas de principio a fin con pruebas automatizadas de puntuación de procesamiento del lenguaje natural (NLP), pruebas de flujo conversacional, pruebas de seguridad, pruebas de rendimiento y supervisión del chatbot. Lo ideal es que el proceso de prueba sea sencillo e intuitivo, sin necesidad de codificación, secuencias de comandos ni programación.

Volvamos al ejemplo de la pizza vegetariana. A una persona (o a un equipo de personas) le llevaría muchísimo tiempo idear todas las formas en que alguien podría pedir su pizza vegetariana; e incluso así, probablemente se le escaparían algunas. La única forma de encontrar todas las posibilidades sería utilizar la IA para generar los datos de prueba. La IA podría seleccionar una pregunta, como «¿Puedo pedir una pizza vegetariana?», y generar automáticamente una lista de formas de decir lo mismo. A continuación, podría probar automáticamente el chatbot con esas variaciones para ver cómo responde.

Yendo un paso más allá, ¿de cuántas formas distintas podría decir una persona cada una de esas variaciones? La IA puede utilizarse para profundizar en las peculiaridades humanas que los distintos clientes pueden aportar a una interacción. Por ejemplo, la IA podría añadir capas a las pruebas para los clientes que escriben de forma descuidada, escriben todo en mayúsculas, utilizan mal los homófonos, añaden espacios adicionales o emojis, y más. «Pizza sin carne» podría convertirse en «pizza sin carne», «PIZZA SIN CARNE» y muchas otras posibilidades.

Estos son sólo ejemplos, pero lo importante es que tus evaluadores no tengan que idear todas estas opciones o realizar las pruebas ellos mismos. Necesitas una solución de pruebas que lo haga por ellos, con un esfuerzo manual mínimo. Lo que quiere es, efectivamente, una IA de pruebas para poder ejecutar este tipo de pruebas exhaustivas y detalladas con mucha más rapidez y frecuencia. Esto permite a tus probadores exponer más puntos débiles del chatbot para que tus desarrolladores puedan enseñar y mejorar tus bots más a menudo y con mayor precisión, proporcionando en última instancia una experiencia de mejor calidad a sus clientes usuarios de chatbot.

Los ejecutivos de los centros de contacto tienen razón: invertir en chatbots es una decisión inteligente. Pero hacerlo sin un soporte de pruebas adecuado podría resultar más perjudicial que beneficioso. Cyara Botium hace exactamente lo que hemos descrito aquí y puede proporcionar el soporte de pruebas que la tecnología de chatbot de su centro de contacto necesita.

The post ¿Tienen tus chatbots y asistentes de voz el soporte de pruebas que necesitan para tener éxito? first appeared on Planeta Chatbot.

Aunque todos los equipos de chatbots están preparados para el desagradable momento en el que el bot no puede detectar la intención del usuario, alejándose del «happy path» o «camino feliz» previsto. Esto se produce cuando el usuario no cumple las reglas de diseño existentes en la comprensión del chatbot, pero también podría ocurrir fácilmente si el cliente utiliza términos que el chatbot ya conoce.

Pero entonces, ¿cómo podemos predecir el comportamiento de nuestro chatbot cuando se enfrenta a entradas inesperadas del usuario? ¿Y cómo podemos mejorar el resultado de esos encuentros?

A medida que un bot avanzado se utiliza y se enfrenta a nuevas entradas imprevistas de diferentes usuarios, utiliza estos datos para entrenarse y volverse aún más preciso con el tiempo. Podemos esperar a que los usuarios propongan intenciones inesperadas significativas, o enseñarles nosotros mismos.

Generador de datos de Botium potenciado por IA

Para hacer frente a este problema, hemos introducido una nueva característica en Botium. Nuestra solución, AI-powered Data Generator, utiliza tecnología punta de generación de lenguaje natural para crear ejemplos de usuario para el chatbot de tu organización.

Una vez que hagas clic en el elemento Asistente de datos de prueba, podrás acceder al panel de control, donde se te pedirá que rellenes dos campos importantes:

• Dominio del Chatbot: Los chatbots de dominios específicos se centran en temas concretos. Tienen acceso al conocimiento dentro de estos dominios para poder conversar inteligentemente. Algunos ejemplos de dominios son: sanidad, educación, negocios, recursos humanos, etc. Botium también ofrece una variedad de categorías predefinidas para simplificar esta elección.

• Descripción del Chatbot: La descripción es estrecha y aplicable a la preocupación y tarea de la organización a la que sirve el chatbot. Ejemplo: «Un chatbot bancario para transferencia de dinero y saldo de cuenta«.

Al proporcionar estos datos, el generador de pruebas asistido por IA generará las entradas de usuario más probables que sean relevantes para el campo del chatbot.

Para demostrar cómo funciona, he elegido el dominio del chatbot «Food Delivery» y la descripción es «Pizza ordering chatbot» y he hecho clic en la varita mágica para generar casos de prueba.

El generador de pruebas asistido por inteligencia artificial sugirió siete temas que el chatbot debería ser capaz de tratar basándose en su dominio y descripción, como cancelar pedido, pedir pizza con ingredientes o pedir una pizza con queso extra (¿quién no querría eso?).

Una vez satisfechos con los temas generados, podemos «generar scripts» para crear cientos de ejemplos de usuarios a los que el chatbot probablemente se enfrentará en producción.

Si no estás completamente satisfecho con el resultado, puedes pedir a Botium que regenere las listas con el icono de las flechas circulares.

Una vez que hayas terminado con la configuración y hayas seleccionado los ejemplos que te parezcan más útiles, todo lo que tienes que hacer es guardar los guiones y decidir si los añades a un conjunto de pruebas existente o empiezas de cero con un nuevo proyecto de pruebas. Ahora puedes ejecutar las pruebas generadas por AI en cualquier momento.

¿Cuándo es aplicable?

Los casos de prueba asistidos por IA se pueden utilizar para varios propósitos diferentes y pueden mejorar su chatbot de muchas maneras diferentes.

1. Facilitar los primeros pasos

Uno de los mayores retos en el desarrollo de un chatbot es cómo aclarar los temas que el chatbot debe ser capaz de manejar. En esta fase, no se suelen conocer las aportaciones reales de los usuarios, por lo que las expectativas del equipo del chatbot pueden no estar alineadas con la realidad de cómo se utilizará el chatbot.

Existen varias prácticas recomendadas para detectar las solicitudes más urgentes, pero la más habitual es analizar las preguntas entrantes que el equipo de atención al cliente gestiona a diario, sopesarlas según su importancia y crear diferentes grupos de temas en función de este análisis para garantizar que el chatbot pueda gestionar las entradas de los usuarios.

Nuestro Generador de Pruebas asistido por IA ofrece a las organizaciones la sencillez de generar ejemplos significativos de usuarios que tienen más probabilidades de surgir en sus dominios elegidos.

2. Aumentar la cobertura de las pruebas de IA

La cobertura de las pruebas es un indicador muy común e importante en las pruebas de software en términos de calidad y eficacia. Aunque es importante tener en cuenta que en las pruebas de chatbot es imposible alcanzar una cobertura total, porque los usuarios pueden esencialmente decir cualquier cosa a tu bot y, por lo tanto, los conjuntos de pruebas se vuelven infinitamente grandes.

A pesar de que el término «cobertura» no es la métrica más significativa para expresar la calidad del conjunto de pruebas del chatbot, los esfuerzos por aumentar la cobertura de las pruebas ayudarán a que tu bot sea más robusto y esté libre de errores.

Si guardas el tema generado por la IA como una nueva intención, mejorarás la comprensión de tu chatbot, mientras que si lo añades a una de las intenciones existentes aumentarás la cobertura y enriquecerás la conversación sin fallos.

Los ejemplos de usuario generados también pueden ayudarte a identificar casos de prueba sin sentido que no aumentan la cobertura.

3. Prueba tu chatbot para detectar entradas inesperadas del usuario

No hace falta decir que las personas no se expresan con las mismas palabras, pero el chatbot necesita entender cuál es la intención detrás de una frase desconocida.

Las intenciones permiten al chatbot entender lo que el usuario quiere que haga. Una intención categoriza las peticiones típicas de los usuarios por las tareas y acciones que su bot realiza. La intención de nuestro chatbot de pedidos de pizza, por ejemplo, etiqueta una petición directa «Quiero pedir una pizza», junto con otra que implica una acción: «Me apetece comerme una pizza«. Aunque se expresan de forma diferente, la petición que hay detrás de los dos ejemplos de usuario es la misma.

Con el generador de pruebas asistido por IA, puedes capacitar mejor a tu chatbot para entender estas entradas inesperadas del usuario. ¿Listo para poner esto a prueba?

The post Generador de datos y pruebas basado en IA first appeared on Planeta Chatbot.

La IA conversacional está cambiando nuestra forma de hacer negocios.

En 2018, IBM declaró audazmente que los chatbots ya podían gestionar el 80% de las consultas rutinarias de los clientes. Ese informe incluso pronosticó que los bots tendrían una tasa de éxito del 90% en sus interacciones para 2022. A medida que estudiamos el panorama de las empresas que utilizan IA conversacional, parece que se está desarrollando de esa manera.

Sin embargo, no muchos clientes están encantados con estos avances. Según una investigación reciente de UJET, el 80% de los clientes que interactuaron con bots afirmaron que aumentaron sus niveles de frustración. El 72% incluso lo calificó de «pérdida de tiempo».

Si bien es cierto que los chatbots y los sistemas IVR conversacionales han avanzado significativamente en su capacidad para ofrecer un servicio de calidad, aún presentan serias limitaciones. La más notable es que tienden a adoptar los prejuicios de sus diseñadores humanos, a veces incluso amplificándolos. Si los responsables de los centros de contacto quieren confiar plenamente en esta tecnología, no pueden ignorar este problema.

¿Qué son los sesgos de los chatbots y la IA conversacional?

A primera vista, la idea de que un ordenador tenga prejuicios puede parecer paradójica. Es una máquina, podría decirse, así que ¿cómo puede tener una actitud o disposición a favor o en contra de algo?

Pero recuerda que la inteligencia artificial ha sido creada por humanos. Como tal, su programación refleja a sus creadores humanos, incluidos sus prejuicios. En muchos casos, esos prejuicios pueden incluso amplificarse porque quedan profundamente codificados en la IA.

Ha habido algunos ejemplos extremos (y bien conocidos) de esto. Tay, el chatbot de Microsoft, se cerró después de sólo 24 horas cuando empezó a tuitear comentarios racistas y de odio. Blender, el chatbot de Facebook, también aprendió lenguaje vulgar y ofensivo a partir de los datos de Reddit.

Por muy preocupantes e importantes que sean estos ejemplos extremos, eclipsan el problema más generalizado y persistente de la parcialidad de los chatbots. Por ejemplo, el motor de procesamiento del lenguaje natural (NLP) que impulsa la IA conversacional no suele reconocer bien las variaciones lingüísticas, lo que suele provocar que los bots no reconozcan los dialectos regionales o no tengan en cuenta la lengua vernácula de todos los grupos culturales y étnicos que utilizarán los chatbots.

Más sutil es la tendencia de los chatbots y otras formas de IA conversacional a adoptar características femeninas, reforzando los estereotipos sobre la mujer y su papel en una economía de servicios. En ambos casos, está claro que estos bots reflejan prejuicios presentes en sus autores humanos. La pregunta es: ¿qué se puede hacer al respecto, especialmente en los centros de contacto?

Afrontar el problema

Muchas de las soluciones a la parcialidad de los chatbots están en manos de los desarrolladores y de los procesos que utilizan para crearlos. Y lo que es más importante, los equipos de desarrollo necesitan un conjunto diverso de puntos de vista en la mesa para garantizar que esos puntos de vista estén representados en la tecnología.

También es crucial reconocer las limitaciones de la IA conversacional y crear soluciones teniendo en cuenta esas limitaciones. Por ejemplo, los chatbots tienden a funcionar mejor cuando sus conjuntos de tareas no son tan amplios como para introducir demasiadas variables. Cuando un bot tiene un trabajo específico, puede centrar más sus parámetros para un público determinado sin arriesgarse a ser parcial.

Sin embargo, los desarrolladores no operan en el vacío y es fundamental tener en cuenta la perspectiva del usuario final a la hora de diseñar y evaluar los chatbots. Los comentarios de los clientes son un componente esencial del desarrollo y rediseño de los chatbots para eliminar mejor los prejuicios.

Un enfoque eficaz para afinar los algoritmos de los chatbots implica todo lo anterior, y más. Para acelerar el proceso y profundizar en él, es necesario aprovechar el poder de la IA no sólo para crear chatbots, sino también para probarlos.

Profundizar para desarraigar los prejuicios

Sin embargo, éstas no son las únicas formas de enseñar a los robots a hacerlo mejor. Una de las opciones más eficaces es dejar que la IA haga el trabajo por ti. En otras palabras, en lugar de limitarse a esperar las diversas perspectivas de tu equipo de desarrollo o de tus clientes, ¿por qué no ser proactivo para desarraigar los prejuicios lanzando diversos escenarios a tus bots?

Una solución eficaz de pruebas de IA conversacional debe ser capaz de realizar una serie de pruebas que ayuden a exponer los prejuicios. Por ejemplo, la IA le permite añadir «ruido» a las pruebas que ejecuta para tu IVR conversacional. Este ruido puede ser literal, pero también puede incluir cambios orientados a la parcialidad, como presentar el IVR a diferentes acentos, géneros o variaciones lingüísticas para ver si responde adecuadamente.

En cuanto al chatbot, la IA le permite probar tus bots con una amplia gama de alternativas y variaciones en la redacción y las respuestas. Piensa en las posibilidades, por ejemplo, si pudieras generar inmediatamente una larga lista de opciones potenciales sobre cómo alguien podría formular una petición. Por ejemplo, reformular una pregunta o parafrasear una consulta más larga. Con estas alternativas, puedes probar tu bot con las que tengan más posibilidades de provocar una reacción sesgada.

Las pruebas pueden llevarte aún más lejos en tu búsqueda para mitigar el sesgo. Los datos de entrenamiento son uno de los componentes más críticos para enseñar a tu bot a responder adecuadamente, y puedes utilizar las pruebas de NLP para analizar los datos de entrenamiento que estás utilizando y determinar si están infundiendo sesgo en tus chatbots. Incluso puedes utilizar funciones de prueba basadas en IA para ampliar el conjunto disponible de datos de prueba y poner sobre la mesa ángulos de conversación más diversos. En efecto, esto le permite diversificar la perspectiva de tu bot, incluso si tu equipo de desarrollo aún no es tan diverso como podría ser.

Las soluciones de pruebas basadas en IA son capaces de realizar este tipo de pruebas y muchas más. Y, cuando utiliza la IA, acelera rápidamente tu capacidad para probar tus sistemas de IA conversacional, ya sea para detectar sesgos o muchos otros problemas.

No tienes que esperar hasta haber reunido el equipo perfecto de desarrolladores o acumulado un conjunto diverso de datos de clientes para eliminar los sesgos en tus chatbots e IVR conversacional.

The post El secreto para mitigar el sesgo en tus chatbots y sistemas IVR conversacionales first appeared on Planeta Chatbot.

Para cubrir todas estas características, las plataformas para hacer pruebas de terceros son casi siempre esenciales. Los CRM, la conversión de voz a texto, la conversión de texto a voz, los modelos lingüísticos y los motores NLP generan conexiones adicionales y puntos de ruptura en los que las experiencias podrían torcerse.

Para garantizar estas capacidades y evitar el temor a que el chatbot se rompa en algún punto, se requiere un enfoque de pruebas exhaustivo.

¿Cuándo debo empezar a probar mi IA conversacional?

Probar la IA conversacional después de su despliegue es como poner el carro delante de los bueyes. Esta creencia común no es exclusiva de las pruebas de chatbots, sino que está arraigada en todos los proyectos de software en los que aún no se han introducido las pruebas continuas. Hay ciertas conductas de calidad que debes cumplir antes de introducir tu asistente digital al público, por lo tanto, ¡las pruebas ya deberían haber comenzado durante el proceso de desarrollo!

¿Existe una jerarquía de pruebas para la IA conversacional?

Es posible que conozcas los niveles tradicionales de las pruebas de software, en las que las pruebas unitarias y de componentes son las primeras, seguidas de las pruebas de integración, del sistema y de aceptación. Cuando se trata de la IA conversacional, no hay una práctica única que seguir. Conocer tu chatbot, sus capacidades y limitaciones determinará en gran medida la estrategia de pruebas que debes aplicar.

Aunque no existe una solución unificada, hemos creado un manual para que conozcas mejor tu chatbot e identifiques los posibles escollos antes de que afecten negativamente a tus clientes y a tu reputación.

¿Por dónde empezar?

A lo largo del proceso de desarrollo de tu IA conversacional, es importante que cada persona que forme parte del desarrollo se mantenga en sintonía con los demás. Si se trabaja en silos, se corre el riesgo de afectar negativamente al rendimiento general de la IA. Las pruebas de regresión pueden servir mejor como punto de partida para hacer una comprobación de la temperatura de tu chatbot en curso, y la forma más fácil de asegurarse de que un cambio reciente en el programa o el código no ha afectado negativamente a las características existentes.

Además de las pruebas de regresión, las pruebas de NLP son el siguiente paso para garantizar la calidad de la IA conversacional. Es importante señalar (y puede sonar redundante) que este tipo de prueba sólo es posible si tu chatbot funciona con un motor NLP.

Es esencial probar y analizar los datos de entrenamiento de tu chatbot y proporcionar orientación y recursos que mejoren continuamente la capacidad de comprensión de tu chatbot a medida que los clientes plantean preguntas y solicitudes de formas inesperadas. Las pruebas de NLP le ayudan a ajustar no sólo la cantidad, sino también la calidad de tus datos de entrenamiento, y te proporcionan información que te ayuda a tomar decisiones informadas sobre la mejor manera de desarrollar y mejorar el rendimiento de tu chatbot.

¿Cuáles son los siguientes pasos?

Aunque las pruebas de regresión y NLP son la base de la preparación funcional de tu chatbot, hay muchas circunstancias -y a veces requisitos- que debes conocer y para las que debes probar tu chatbot.

Dependiendo de los tipos de pruebas que hayas realizado hasta ahora, es posible que te sientas seguro de que tu chatbot entiende lo que dice y puede responder si necesita mantenerse en contacto con una persona a la vez. Tras el despliegue, es razonable suponer que el chatbot tendrá que hacer frente a una carga mayor, pero sin un período de pruebas sólido, no sabrás el máximo de usuarios paralelos a los que el chatbot puede atender en tiempo y forma. Por lo tanto, las pruebas de rendimiento se convierten en algo imprescindible para determinar cómo se comporta tu IA conversacional en términos de capacidad de respuesta y estabilidad bajo una carga de trabajo concreta.

Podrías poner todo tu empeño en lograr la mayor estimación de confianza posible en NLP, pero todo será en vano si el chatbot simplemente se rinde y se apaga cuando se ve abrumado por un volumen de usuarios superior al normal.

¿Podemos dar por sentado que nuestra IA conversacional se comportará como esperamos?

Así pues, tenemos un chatbot inteligente que es capaz de hacer frente a la carga esperada y dar respuestas precisas y oportunas, pero aún así no podemos asumir que todos los subsistemas y plataformas integradas funcionen a la perfección. Cuando uno falla, lo hace todo el producto, por lo que la estabilidad de cada componente es vital para el éxito de tu IA conversacional.

Las pruebas end-to-end son tu mejor aliado para simular cómo será la experiencia de un usuario real de principio a fin, para validar tu IA conversacional en circunstancias similares a las del producto y para replicar escenarios en vivo.

La combinación de estos tipos de pruebas –regresión, NLP y de extremo a extremo– te dará la confianza para ejecutar y mantener tu IA conversacional, teniendo en cuenta factores importantes como la seguridad y el cumplimiento del GDPR.

The post ¿Tienes un manual para probar IA conversacional? first appeared on Planeta Chatbot.

Con resultados como estos, es fácil ver por qué tantas empresas están ansiosas por subirse al carro. Pero hay que hacer una advertencia: cuando se trata de la ejecución de un chatbot, es fácil errar el tiro. Nuestra investigación muestra que muchos consumidores todavía se sienten incómodos con la idea de comunicarse con los chatbots, y gran parte de ello se debe a las malas experiencias que han tenido con ellos.

Si estás dispuesto a encontrar un lugar para los chatbots en tu estrategia de ventas y asistencia más amplia, es importante saber en qué te estás metiendo y cómo hacerlo bien. Hay muchas historias de malas experiencias de los clientes con los chatbots -llamémoslas #chatbotfails-, así que veamos qué es lo que sale mal y cómo asegurarse de que tu programa de chatbot alcance todo su potencial.

Cuando los chatbots fracasan: El peligro de errar el tiro

Todos tenemos historias de interacciones incómodas o frustrantes con los chatbots. Algunas son divertidas y otras, enloquecedoras. Pero, en los tiempos que corren, todo el mundo sabe lo que es querer desesperadamente abandonar el bot por un diálogo humano real.

En los primeros días de la Inteligencia Artificial (IA) conversacional, estos percances eran comprensibles. Pero la tecnología de la IA ha avanzado mucho, y los bots son ahora capaces de alcanzar niveles de comprensión y conversación extremadamente altos. Entonces, ¿por qué siguen fallando los chatbots? Veamos algunas razones por las que, a pesar de las mejores intenciones, tu chatbot puede quedarse corto.

No sabes realmente para qué sirve tu bot

Aunque es fácil dejarse llevar por una tendencia emocionante, la popularidad por sí sola no suele ser razón suficiente para hacer un cambio importante en tu negocio. La implementación de chatbots aporta un elemento significativamente diferente a la experiencia del cliente, por lo que es importante tener una razón sólida para hacerlo.

¿Estás tratando de reducir el volumen de llamadas? ¿Tus clientes quieren más soluciones de autoservicio? ¿Buscas una forma de mejorar el compromiso con la marca sin añadir más personal de asistencia? La forma en que diseñes e implementes tu chatbot debe estar determinada por tus respuestas a estas preguntas. Sin una estrategia, es probable que despliegues una solución que no resuelva realmente sus problemas o los de sus clientes.

Estás utilizando en exceso el chatbot

Los chatbots son una poderosa herramienta para mejorar la relación con el cliente y aumentar los resultados de tu empresa. Pero son sólo una parte de una estrategia completa de CX. Las empresas que los utilizan en exceso a menudo descubren que sus bots son contraproducentes.

A veces, sus clientes sólo necesitan hablar con un humano. Los bots pueden manejar muchos problemas de soporte y comprender una gran cantidad de conversaciones. Pero la amplitud de la comunicación humana es mucho más matizada que lo que la IA conversacional puede manejar actualmente. Tus bots deben estar programados para reconocer dónde está esa línea, y dar a los clientes una vía de escape fácil para hablar con un agente humano en vivo. De lo contrario, en lugar de aliviar la frustración de los clientes, us chatbots solo la aumentarán.

Tu chatbot no tiene las habilidades de comunicación adecuadas

Algunos aspectos de la conversación humana no tienen muchos matices. Pero algunos bots ni siquiera están bien programados para manejar los aspectos básicos. Cuando faltan estas sencillas habilidades de comunicación, puede ser doloroso.

A veces es tan sencillo como entender que las personas no son ordenadores y no pueden procesar un diluvio de información de la misma manera.

Estos son sólo algunos ejemplos de fallos básicos del #chatbot conversacional. Hay muchos más. Independientemente de los detalles, puedes ver cómo estas debacles dejan a los clientes en un lugar peor que cuando se pusieron en contacto por primera vez.

Tu bot es demasiado robótico (o engañosamente humano)

Hay una línea muy fina que caminar cuando se trata de dar a tu chatbot un poco de personalidad. Sin ella, las interacciones de los clientes con tu marca se sentirán sin vida y carentes de emoción. Pero un exceso de personalidad puede resultar antinatural o abrumador. Asaltar a tus clientes con emojis o conversaciones amables puede darles la impresión de que tu marca es demasiado poco profesional o displicente con sus quejas.

Incluso existe el peligro de conseguir el equilibrio justo. Tu bot puede parecer tan humano que tus clientes no puedan notar la diferencia. Eso puede parecer algo bueno, pero ¿qué pasa si se sienten engañados cuando descubren que estaban chateando con un robot? Lo ideal es que tus chatbots se dirijan a los clientes con la mayor naturalidad posible, pero dejando siempre claro que están hablando con un bot.

No ha solucionado los problemas

Incluso si no te equivocas en ninguna de las formas anteriores, es posible que no aciertes con tus chatbots. Si no te tomas el tiempo necesario para resolver todos los problemas, acabarás dando a tus clientes algunos momentos de sorpresa.

Seguro que este tipo de incidentes son divertidos cuando no le ocurren a tu empresa. Pero estos pequeños fallos pueden suponer grandes pérdidas en la experiencia del cliente. Los consumidores de hoy en día, especialmente los más jóvenes, no tienen mucha paciencia con las marcas que no consiguen una buena relación con el cliente. Una encuesta realizada a los consumidores del Reino Unido demostró que los clientes de la Generación Z tienen el doble de probabilidades que los baby boomers de decir que han experimentado un mal servicio al cliente. También tienen casi el doble de probabilidades de ser menos fieles a las marcas que ofrecen una mala experiencia.

¿La conclusión? En última instancia, merece la pena el esfuerzo adicional que supone asegurarse de que tu chatbot está preparado para ofrecer una experiencia de calidad.

A dónde pueden llevarte los chatbots

Estas historias con moraleja pueden hacerle dudar sobre la incorporación de chatbots a tu repertorio de CX. Y eso es comprensible, incluso encomiable. Pero eso no significa que deba abortar. Los beneficios y las posibilidades son simplemente demasiado grandes.

En varios sectores, los chatbots tienen un potencial que cambia las reglas del juego. Un estudio realizado por Juniper Research, por ejemplo, reveló que los sectores financiero y de seguros se beneficiarían enormemente del uso de chatbots. A nivel mundial, para el año 2023, proyectó que los bancos ahorrarían 7.300 millones de dólares en costes operativos, mientras que las compañías de seguros ahorrarían 1.300 millones de dólares en la gestión de reclamaciones, gracias a los chatbots y otras tecnologías de IA. En otro estudio, un chatbot ayudó a reducir la mano de obra y a mejorar el servicio para los asistentes a un evento al automatizar el 67% de las conversaciones durante una conferencia presencial que acogió a 20.000 personas.

A pesar de las reticencias de algunos consumidores, la actitud general hacia los chatbots ha cambiado radicalmente. Los chats solo con bots tienen un índice de satisfacción del 87,5%, dos puntos más que los chats con agentes humanos. Y el 66% de los clientes prefieren empezar con opciones de autoservicio, que son perfectas para los chatbots.

Cuando se profundiza en los detalles, los casos de uso de los chatbots son prácticamente ilimitados. Tanto si se trata de gestionar devoluciones y comprobar el inventario en el sector minorista, como de gestionar presupuestos y reclamaciones en el sector de los seguros, o de transferir fondos y notificar la pérdida de tarjetas de crédito en el sector bancario, los chatbots pueden mejorar la relación con el cliente para casi cualquier empresa.

Cómo evitar los fallos del #chatbot

Entonces, ¿cómo se pueden evitar los numerosos fallos potenciales de los chatbots para poder aprovechar al máximo el potencial de esta tecnología?

Ya hemos insinuado algunas de las soluciones específicas en nuestro debate sobre las causas de que los bots no den en el blanco, pero podemos reducirlo a cuatro sencillos pasos:

1. Determina el «por qué» de tus chatbots: Este paso es, por desgracia, uno que muchas empresas se saltan. Antes de comenzar a elaborar los detalles de tus chatbots, determina por qué los necesitas y qué quieres que logren para ti.
2. Utilizar una IA conversacional sólida: Muchos fallos de los #chatbot se deben a deficiencias en la IA subyacente. Si quieres que tu bot maneje los matices de la conversación y aborda más que un puñado de cuestiones, es esencial una IA conversacional robusta. Esto es lo que permite al bot aprender y evolucionar con cada interacción.
3. Planifica con cuidado: Es importante no precipitarse en el proceso sólo para poner en marcha el bot. Dedicar más tiempo a las fases de planificación puede ayudarte a garantizar que construyes una personalidad de bot que se ajusta a tu marca. También lleva tiempo elegir y configurar cada uno de los canales en los que vivirán tus bots (por ejemplo, las redes sociales, tu sitio web o una aplicación móvil) y construir los distintos flujos de conversación que tu bot necesitará para prestar un buen servicio a los clientes.
4. Prueba a menudo: Con cualquier tecnología de cara al cliente que esté diseñada en gran medida para funcionar sin la participación humana, tienes que estar seguro de que funciona correctamente y de que aborda adecuadamente los problemas de los clientes. La única forma de conseguirlo en el caso de los chatbots es mediante pruebas continuas y automatizadas en cada fase de desarrollo y en el entorno de CX en vivo. No intentes medir la CX de tu chatbot con pruebas manuales ocasionales: invierte en una solución completa y automatizada.

Esa solución final es lo más importante de cara a evitar #chatbotfails. La buena noticia es que las pruebas no son algo que tengas que averiguar por tu cuenta. La solución líder de Cyara Botium para el testeo y aseguramiento de chatbots puede ayudarte a automatizar todo el proceso de análisis y testeo de tus chatbots durante el desarrollo y en las interacciones reales con los clientes.

No tienes que preguntarte si tus chatbots están funcionando como lo planeaste. Puedes estar seguro de ello. Pónte en contacto con Cyara hoy mismo para obtener más información sobre cómo puedes obtener una garantía completa de CX para tus soluciones de chatbot.

The post 4 maneras de asegurarte de que tus chatbots alcanzan todo su potencial first appeared on Planeta Chatbot.

De hecho, los ordenadores han llegado tan lejos que, en cierto nivel, nos relacionamos con ellos como con otros humanos. No nos limitamos a utilizar nuestros dispositivos, sino que interactuamos con ellos -incluso hablamos con ellos- casi todos los días. Ya sean asistentes virtuales o chatbots, estos dispositivos y aplicaciones de aspecto humano están ahora arraigados en nuestra vida cotidiana.
Sin embargo, detrás de cada una de esas interacciones hay una compleja infraestructura de código e inteligencia artificial (IA), tecnología que se ha desarrollado durante décadas. Y cuando se empieza a echar un vistazo bajo el capó, uno se da cuenta de que es mucho más complicado de lo que parece en la superficie.

Para las empresas que buscan aprovechar esta tecnología y utilizar los chatbots para mejorar la experiencia de los clientes, entender estas herramientas puede parecer complicado. Términos como IA, comprensión del lenguaje natural, intenciones y entidades pueden hacerte sentir como si estuvieras perdido en una novela de Phillip K. Dick. Sin salida.

Pero, respira hondo. El mundo de los chatbots no es tan extraño ni aterrador como parece. Te ayudaremos a ponerte en situación explorando algunos conceptos clave, y a menudo incomprendidos.

¿Chatbot, IA conversacional o asistente virtual?

En primer lugar, es importante distinguir entre algunos términos básicos que a menudo se mezclan y se utilizan incorrectamente. Los chatbots, la IA conversacional y los asistentes virtuales pueden desempeñar un papel en su negocio, pero no son lo mismo.

Los asistentes virtuales pueden compartir algunas similitudes con los chatbots u otras formas de IA conversacional (más sobre esto a continuación), pero tienen un propósito completamente diferente. Un asistente virtual funciona de la misma manera que lo haría un asistente personal humano: te ayuda a realizar tareas, a mantenerte organizado o a gestionar los flujos de trabajo diarios. Son las Siris y Alexas del mundo, y aunque pueden ayudarte a llevar tu negocio, no están diseñadas para la atención al cliente como los chatbots.

Un chatbot es un programa automatizado basado en texto que interactúa directamente con sus clientes para responder a sus preguntas, resolver problemas y (si es necesario) conectarlos con los agentes humanos adecuados. Su trabajo consiste en recoger información de los usuarios, interpretar lo que necesitan e intentar resolver sus problemas de la manera más eficiente posible. En otras palabras, el servicio al cliente es el trabajo número uno para un chatbot.

La IA conversacional, por su parte, utiliza el Procesamiento del Lenguaje Natural junto con los chatbots y los asistentes virtuales. Esto permite a los clientes interactuar con la IA como si estuvieran hablando con otro ser humano y no con un ordenador.

IA vs. Machine Learning

Para entender realmente la tecnología de los chatbots de hoy en día, es necesario tener una sólida comprensión de la inteligencia artificial y de algunas de las tecnologías subyacentes que la sustentan. Y una de las primeras formas en que la gente se pierde es confundiendo la IA con el machine learning (ML). Son conceptos relacionados pero distintos.

De alguna manera, la IA existe desde los años cincuenta. Los ordenadores de esta época aplicaban las primeras formas de esta tecnología, que utiliza software y programación para imitar la inteligencia humana. Con los años, se ha vuelto más compleja e impresionante, pero el objetivo básico ha sido el mismo.

El machine learning es un subconjunto y una forma más avanzada de la tecnología de IA. En lugar de basarse simplemente en instrucciones preprogramadas para imitar el pensamiento y las respuestas humanas, los ordenadores equipados con ML pueden realmente aprender de sus interacciones. Esto es, por supuesto, mucho más parecido a un ser humano que un chatbot preprogramado, ya que permite a los ordenadores y bots tener un grado de independencia en su forma de pensar y reaccionar.

Muy relacionado con el ML está el concepto de «deep learning«. Se trata del machine learning en su forma más avanzada. Dado que los bots con esta tecnología están construidos sobre redes neuronales multicapa, pueden analizar datos y entradas con mayor profundidad y precisión.

¿Por qué son importantes estas distinciones para los chatbots? Todo se reduce a lo que necesitas que hagan tus bots. La mayoría de los bots actuales se basan en la IA, aunque algunos más antiguos simplemente se basan en una codificación básica basada en reglas para manejar sólo los problemas más simples y predecibles de los clientes. E incluso si un bot tiene IA, puede no estar equipado con capacidades de ML, y mucho menos de aprendizaje profundo. Cuantas más de estas capacidades tenga un chatbot, más podrá manejar en términos de servicio al cliente sin ceder el control a un agente humano.

NLU vs. NLP

Al profundizar en el mundo de la IA, llegamos a algunas de las tecnologías clave que la impulsan, especialmente cuando se trata de la IA conversacional que utilizan los chatbots. El Entendimiento del Lenguaje Natural (NLU) y el Procesamiento del Lenguaje Natural (NLP) son dos herramientas que dan a un bot la capacidad de interpretar y comprender el lenguaje humano.

«Natural» es una palabra clave aquí, ya que traza una línea entre los lenguajes humanos, que desarrollan una vida propia y evolucionan de forma natural con el tiempo, y los lenguajes construidos que los ordenadores utilizan para comunicarse según reglas más estrictas y rígidas. Conseguir que un ordenador entienda los matices y peculiaridades personales del lenguaje humano natural es una tarea difícil.

Para que un chatbot haga su trabajo de forma eficaz, necesita habilidades tanto de NLP como de NLU. La NLP le ayuda a procesar las palabras básicas, la semántica y la estructura del lenguaje humano para clasificar la información básica que se comunica. El NLU, que en realidad es un subconjunto del NLP, permite al bot profundizar en las pistas del contexto para deducir el verdadero significado y la intención de las palabras.

Ambas tecnologías se apoyan mutuamente para interpretar con precisión el lenguaje humano. Sin la NLP, un chatbot no sería capaz de analizar los aspectos básicos de la sintaxis y la gramática para obtener una comprensión superficial de las preguntas o entradas de los clientes. Pero requiere NLU para llevar esa comprensión un paso más allá y hacer el complejo trabajo de seguir los giros de una conversación, algo que los humanos damos por sentado.

Para que el bot contribuya a la conversación, necesita una tercera tecnología, la generación de lenguaje natural (NLG). Esta última pieza permite al bot traducir sus respuestas de ceros y unos a palabras propias de los humanos.

Intentos, entidades y expresiones: Una relación compleja

Ahora que hemos explorado algunos de los engranajes clave de la IA conversacional, llegamos a tres de los conceptos más importantes para la aplicación de NLU y NLP por parte de los chatbots: intenciones, entidades y expresiones.

En términos sencillos, la intención representa lo que el usuario pretende cuando hace una pregunta o envía una solicitud. Estas entradas del usuario se conocen como «expresiones», y el trabajo del chatbot consiste en deducir la intención del usuario a partir de ellas.

Sin embargo, discernir la intención de un enunciado no suele ser una tarea sencilla. Por ejemplo, un cliente puede decir: «¿Cuál es su horario? Pero, ¿en qué lugar está preguntando? ¿Y qué día? ¿Qué departamento?» Incluso una pregunta sencilla puede llevar muchas capas de intención oculta. Y, para aumentar la confusión, hay innumerables expresiones diferentes que un usuario podría introducir para preguntar por el horario de la tienda.

Las entidades desempeñan un papel fundamental a la hora de aclarar el significado de las expresiones de los usuarios. Son los modificadores que la gente utiliza para aclarar la intención cuando se comunica. En el enunciado anterior, «horas» es una entidad, pero un enunciado más preciso incluiría entidades adicionales como «hoy» y «centro». Sin embargo, un bot bien programado no tardaría en hacer preguntas de seguimiento para extraer más entidades y profundizar en una interpretación precisa de la intención.

Esta relación entre enunciados, intenciones y entidades es fundamental para comprender correctamente el significado de la comunicación. Por eso, en última instancia, la evaluación del rendimiento de un chatbot gira en gran medida en torno a esta relación. Muchos de los términos que se relacionan con el rendimiento de los bots tienen que ver con ella de alguna manera, desde los riesgos de desviación de la entidad hasta las intenciones mixtas y la confianza en la entidad.

Encuentra tu camino en el mundo de los chatbots

Los chatbots son cada vez más importantes para el servicio al cliente, pero acostumbrarse a esta tecnología puede resultar intimidante. Si todavía te sientes como si vivieras en una película de ciencia ficción, no te preocupes. Podemos ayudarle a navegar por este nuevo mundo de la IA conversacional para ofrecer una mejor CX.

Cyara Botium te ayuda a probar cada aspecto de tus chatbots para garantizar que sean más inteligentes, más rápidos y más precisos. No tienes que entender todo sobre chatbots, porque nuestra plataforma lo hace por ti. Conoce más sobre cómo Cyara puede ayudarte a garantizar un servicio al cliente de primera categoría con tus soluciones de chatbot.

The post ¿La tecnología conversacional te confunde? first appeared on Planeta Chatbot.

Eventualmente, cada proyecto de IT tiene los mismos o similares objetivos:

• Simplificar los flujos de trabajo
• Ahorrar tiempo
• Reducir costos
• Aumentar los ingresos

Las pruebas de chatbot no son diferentes. En este artículo, destacamos las principales razones comerciales que hacen que las pruebas automatizadas de chatbots con Botium sean una parte esencial e imperdible de cada proyecto de tecnología conversacional.

Experiencia de usuario

No importa en qué área opere el chatbot, su trabajo principal es conectarse y comunicarse con las personas. En la mayoría de los casos, estas personas son clientes. La ecuación del éxito es en realidad la misma para los chatbots que para las líneas de clientes convencionales: servicio rápido y eficiente. Aunque los avances tecnológicos detrás de la IA conversacional son prometedores, ¡aún falta la experiencia del usuario!

Los chatbots fallan, e incluso la intención alternativa más amable o divertida (cuando el agente no reconoce la expresión del usuario final) no puede salvarte si el usuario recibe el mensaje «lo siento, no entendí» por tercera vez.

Dado que garantizar la alegría de poseer y usar un chatbot significa cubrir todas las solicitudes, las empresas tienen en cuenta factores como el placer, la elegancia, la personalidad e incluso la diversión al diseñar chatbots. Por supuesto, estos toques suaves realmente pueden poner la cereza en el pastel, pero en la mayoría de los casos, la funcionalidad del chatbot es deficiente.

No será de mucha ayuda que tu chatbot «hable» británico formal cuando el servidor esté caído y no se pueda contactar, o si ya no puede manejar las solicitudes de los usuarios debido a la alta carga que está recibiendo. Comienza con lo básico y luego sube de nivel y descubre cómo puedes ayudar al usuario durante todo el proceso.

Reputación

Si bien los chatbots pueden ayudarte a administrar tu negocio, también pueden ser una herramienta clave para mantener y nutrir tu reputación.

Como sabrás, los clientes no «juzgan» a tu empresa únicamente en función de cómo se desempeña en su actividad principal. La confianza es transferible. Es una suposición común pensar que la calidad de tu trabajo en un área se reflejará en otras.

¿Quién querría viajar con una aerolínea que necesita mantener cientos de airbus al año, pero no puede desarrollar un chatbot que funcione bien?

Siempre que los consumidores sientan que se han cumplido sus expectativas, es probable que regresen como clientes. Conclusión clara: los clientes satisfechos dejan comentarios positivos, lo que a su vez conduce a más clientes y, en última instancia, a un aumento de las ventas.

Está claro que es crucial obtener una sólida reputación en línea, pero puede llevar años construirla y solo unos minutos romperla.

El nivel de competencia se está moviendo

Tener un sitio web en 1994, cuando comenzaron a estar disponibles para el público en general, se consideraba algo extremadamente genial y raro de tener. Hoy (independientemente de la actividad), incluso las empresas más pequeñas no pueden sobrevivir sin un sitio web accesible.

Los chatbots pasarán por la misma evolución, pero con un ritmo más rápido. Si bien hace un par de años, colocar un asistente virtual en tu página de destino o redes sociales era un gran paso, hoy en día son imprescindibles. El creciente número de chatbots en el mercado ha desplazado la competencia del producto al nivel de calidad. La pregunta ya no es si tienes un chatbot, sino qué tipo de chatbot tienes.

Retorno de la inversión

Los chatbots fallan. Es un problema conocido, pero no hay suficientes acciones para evitarlo. Si echamos un vistazo al mercado global, solo el 3 % de las grandes empresas que poseen un chatbot (y que fácilmente podrían permitirse el control de calidad) cuentan con pruebas automatizadas para su IA conversacional. El otro 97 % está desperdiciando una enorme cantidad de mano de obra en pruebas manuales o ni siquiera presta atención al control de calidad.

Sin embargo, con esta actitud, el propósito principal del desarrollo de chatbots pierde sentido. El chatbot no puede completar la tarea en cuestión y devuelve la solicitud al agente humano tal y como hubiera sido si el chatbot no existiera. La única diferencia entre los dos escenarios son los millones de dólares gastados en el desarrollo de chatbots.

La dirección suele dar prioridad a los proyectos de IT que tienen un potencial de crecimiento de los ingresos sobre aquellos que se centran principalmente en el ahorro de costes. Las pruebas de chatbot en realidad se incluyen en ambas categorías, pero aún no han luchado por su merecida posición en el ciclo de desarrollo de la mayoría de las empresas.

¿Exactamente de cuánto dinero estamos hablando?

La siguiente figura muestra cómo se distribuyen las horas de trabajo para las pruebas manuales y automatizadas de Botium al desarrollar y monitorear un chatbot de cliente promedio de Telecom.

¡El resultado en términos de tiempo ahorrado no es inferior a 28.725 horas al año!

Por supuesto, esto es una estimación, ya que los procesos y flujos de trabajo son diferentes en cada negocio, pero las proporciones hablan por sí solas. Con esta información, es fácil calcular el dinero que podrías ahorrarte si conoces el salario promedio por hora de los ingenieros.

Libera a tus empleados para mejores tareas

Según un informe reciente del Foro Económico Mundial, los robots, la automatización y la inteligencia artificial podrían reemplazar 85 millones de puestos de trabajo en todo el mundo para 2025. Sin embargo, también crearán 97 millones de nuevos puestos de trabajo en el futuro.

Sin duda, los nuevos fenómenos siempre provocan gran entusiasmo, pero la experiencia general es que no se vuelven excluyentes, sino que se integran a los sistemas existentes y ganan espacio allí.

Con la llegada de la IA conversacional, los empleadores de servicio al cliente pueden convertirse en miembros valiosos del equipo de desarrollo de chatbots como analistas comerciales, diseñadores de conversaciones o escritores de conjuntos de pruebas. Romper con la monotonía puede aumentar considerablemente la productividad y el sentimiento de motivación.

Conclusión

La percepción común de que los bots de servicio al cliente generalmente son menos útiles que los representantes humanos puede deberse a la falta de garantía de calidad. Es hora de poner la pregunta sobre la mesa: ¿el dinero realmente se ahorró, no lo gastamos en control de calidad o simplemente tuvimos que invertirlo en otra cosa, como la gestión de la reputación después de un bot fallido? ¿Cuándo será contraproducente nuestro descuido y cuánto costará?

La calidad es la cinta roja que nos diferencia de la competencia, conduce a la lealtad del cliente y al crecimiento de los ingresos. Invertir en pruebas de chatbots es hacerles saber a tus clientes que te preocupas por ellos, sus prioridades y su seguridad.

Además, cuando la calidad es una prioridad para una empresa, también marca la pauta para los empleados. ¡Una cultura de trabajo enfocada en cumplir con ciertos estándares es buena para todos!

The post Pruebas de Chatbot: la descripción definitiva del negocio first appeared on Planeta Chatbot.

• Falta de recursos (humanos, financieros)
• Falta de experiencia (conocimiento en automatización de pruebas)
• La creencia general de que las pruebas solo aparecen en la imagen después de la implementación (incorrecta)
• La dirección no reconoce la importancia de la garantía de calidad

Por tanto, el testing permanece todavía en un segundo plano, como el “mal necesario”, que consume recursos y dinero.

Casi no importa qué experiencia técnica o rol tengamos, el testing de los chatbots nos obligará a salir de nuestra zona de confort, acumular conocimientos adicionales y aprender nuevas expresiones y métodos.

En Botium, hemos decidido facilitar las cosas a las empresas que ya han reconocido el enorme beneficio de Testing Conversational AI, pero que aún no han tenido la oportunidad de designar a una persona para esta tarea o de reunir la experiencia necesaria.

Aunque creemos que usar Botium ya es lo más fácil posible (ya que no es necesario usar Selenium o Appium), hemos intentado facilitar los pasos iniciales con la máxima automatización. Nuestra nueva función Go, Botium, Go te brinda una gran ventaja hasta que realmente tengas la información necesaria para configurar con éxito tu primer conjunto de prueba.

Un inicio rápido, fiel a tu nombre

El nuevo Quickstart no solo te brindará simplicidad y velocidad para comenzar, sino que también te ayudará a ver qué tipos de prueba son posibles para tu tecnología Chatbot elegida. No todos los motores de Chatbot envían la información necesaria para ejecutar ciertas pruebas. Para algunos, la prueba de NLP no es posible ya que el Chatbot no revela la información requerida para ejecutar estas pruebas, mientras que en otros casos la prueba E2E está deshabilitada, porque la conexión de Botium a la interfaz de usuario (widget web, aplicación móvil o aplicación controlada por voz ) se realiza con conectores Botium E2E dedicados.

Una vez conectado a tu Chatbot, Botium Box asignará automáticamente los tipos de prueba posibles, adaptados a la tecnología seleccionada. Los primeros pasos siguieron siendo en gran parte los mismos. Para comenzar, debes seleccionar la tecnología Chatbot de la manera habitual y verificar la conectividad.

La mayor diferencia sigue en el tercer paso, donde Botium Box ofrece automáticamente los tipos de prueba que se pueden realizar.

Las pruebas de regresión y NLP se comprobarán y ejecutarán de forma predeterminada, a menos que las omitas intencionalmente. Estos tipos de prueba son los puntos de partida para probar la IA conversacional. Cuando un Chatbot se desempeña bien en esas disciplinas, tú das el siguiente paso y agregas pruebas de rendimiento, pruebas de extremo a extremo, pruebas de seguridad y monitoreo.

Los tipos de prueba ejecutables se muestran en color y los que no son compatibles con la tecnología Chatbot seleccionada se muestran en gris. Para ciertos tipos de prueba que requieren algún ajuste, Botium Box inicialmente trabaja con valores predefinidos. Por supuesto, estos se pueden cambiar en cualquier momento con un clic. Como ejemplo, podemos ver Performance Testint (Pruebas de rendimiento) aquí, que se pueden cambiar a los valores deseados usando los controles deslizantes.

Live Monitoring también funciona de manera similar. En caso de habilitar esta función, debes ingresar la (s) dirección (es) de correo electrónico de la persona o equipo correspondiente (a quien se notificará en caso de complicaciones) y la frecuencia del Monitoreo en vivo a ejecutar.

Una vez que hayas terminado con la configuración, obtendrás una descripción general de todo lo que Botium ejecutará por ti. En caso de que no esté satisfecho con los resultados, puedes volver fácilmente a la página anterior y cambiar la configuración en consecuencia.

¡Y ahora es el momento de hacer que Botium funcione para ti! Presiona el botón Go, Botium, Go, toma un sorbo de tu café y disfruta de los resultados instantáneos y la gratificación. Las pruebas en ejecución se indican con un círculo giratorio y las pruebas ejecutadas con éxito están marcadas con una marca de verificación verde.

Al continuar con los signos de interrogación con el cursor, obtendrás una información sobre herramientas genial para la prueba ejecutada para tener una visión más profunda. En caso de que te encuentres con algunas expresiones desconocidas, ¡nuestro Wiki siempre está ahí para ayudarte!

Enhorabuena, en 2 minutos has configurado tu primer conjunto de pruebas y lo has ejecutado correctamente.

Conclusión

Nuestra última función, Go, Botium, Go simplifica los pasos iniciales de la Automatización de pruebas de Chatbot y permite que todos obtengan los primeros conocimientos sobre la eficiencia de tu Chatbot. En 4 sencillos pasos, todos podrán realizar pruebas e interpretar los resultados.

Ten en cuenta que esto no puede reemplazar las pruebas continuas en una forma organizada, pero ofrece una gran ventaja en términos de simplificar el inicio de tu viaje de Automatización de pruebas de Chatbot. ¡Lo que cambia las reglas del juego ya no es la habilidad, sino la voluntad!

The post Cómo configurar los fundamentos de las pruebas de tu chatbot en 2 minutos first appeared on Planeta Chatbot.

Con la esperanza de responder a estas preguntas, creamos una encuesta para ver exactamente lo que lo que hemos bautizado como “Chatbot-refusers” piensan y lo que es su primera opción de fuente de información. Intentamos evaluar su experiencia general y cómo se sienten con los diferentes tipos de chatbots. Discuto los resultados de la encuesta y proporciono información sobre los gustos y disgustos de las personas cuando interactúan con los chatbots. Como puedes imaginar, estos resultados esperamos que te ayuden a optimizar la experiencia del cliente de tu empresa con la IA conversacional.

Hemos pasado la fase en la que los chatbots son una tecnología «emergente». Han existido durante mucho tiempo y en ese tiempo rara vez han cumplido con las expectativas de los clientes o han brindado una experiencia positiva. El verdadero cambio de juego es ya no tener un chatbot, sino entrenarlo y trabajarlo para que tenga un potencial real.

Sin un desarrollo adecuado, pueden confundir a los usuarios, en lugar de ayudarlos, y afectarán negativamente la impresión general de tu empresa y el servicio que brinda. Dada la frecuencia con la que buscamos resultados instantáneos, es fácil entender por qué algunas empresas implementan un chatbot a medias y terminan capacitándolo para sus clientes, lo que resulta en una mala calidad. Esta mentalidad alimenta la cantidad de personas desilusionadas con la IA conversacional.

Analicemos su punto de vista

Según nuestro estudio, el 28% de las personas afirmaron que no interactúan con un chatbot bajo ninguna circunstancia. El rechazo de nuevas soluciones tecnológicas podría deberse a diferencias generacionales, pero en nuestro caso el “grupo de rechazo” está disfrutando de los veinte y, según las respuestas dadas a nuestra pregunta abierta, su actitud negativa es claramente el resultado de una mala experiencia.

La peor experiencia TOP 5

1. Callejón sin salida
   La elegante solución “Dirijamos a todos a nuestra IA conversacional”, junto con un chatbot que funciona de manera espantosa, se considera el servicio al cliente más molesto de todos los tiempos. El bot falla y la toma de control humana tampoco es una opción.
2. Chatbots acosadores
   El chatbot que nunca deja de aparecer. Para empeorar las cosas, aparece acompañado de un sonido molesto cuando simplemente haces clic en cualquier parte del sitio web. Te da la sensación de que una mosca aterriza sobre ti que simplemente no puedes espantar. En este caso, los clientes simplemente abandonan la página sin encontrar lo que estaban buscando porque la irritación percibida es mayor que el beneficio esperado.
3. Reproducción
   El tercer problema mencionado con más frecuencia fue un chatbot fallido, seguido de una toma de control humana en la que el usuario tuvo que repetir todo el problema nuevamente.
4. Un número limitado de opciones
   Los chatbots basados ​​en botones son geniales, pero limitan radicalmente las direcciones hacia donde podría ir la conversación. A la mayoría de los clientes les resulta frustrante que la conversación esté muy restringida y no haya ninguna opción para encontrar el tema que están buscando o terminan en un bucle sin fin.
5. Baja comprensión
   Sorprendentemente, a pesar de que la baja comprensión de los chatbots suele ser uno de los problemas más destacados, fue el inconveniente que se destacó en el quinto y último lugar.

En los casos enumerados anteriormente, a pesar de que los chatbots se desempeñaron por debajo de las expectativas, no nos opusimos a un rechazo instintivo y, a pesar de su decepción, las personas aún intentaron lograr su objetivo hablando con un chatbot. En este artículo, queremos centrarnos en un segmento diferente, los llamados «rechazadores de chatbot», es decir, las personas que ni siquiera intentan interactuar con los chatbots de forma predeterminada. Así que saltemos al punto principal de descubrir las razones que hay detrás:

Una vez que analizamos más de cerca por qué los usuarios no están contentos con los chatbots, comenzamos a ver que el problema realmente se puede resolver. La principal razón por la que los clientes a menudo sienten que los chatbots no cumplirán es simplemente la complejidad de la tarea en cuestión. El problema es que una vez que nos alejamos de las interacciones simples comando-respuesta, terminamos en el complejo terreno del lenguaje humano y (como vimos anteriormente) en caso de que elijamos la estructura basada en botones, la conversación será muy restringida.

Recordemos que al final del día, el cliente es quien determina si la experiencia fue buena o no. No importa si estamos promocionando estas herramientas como la mejor alternativa para brindar ayuda rápida, si no funcionan correctamente o, lo que es peor, no se utilizan. Al final, la experiencia del cliente nos dirá si vale la pena invertir en la solución. No olvidemos que, según nuestra encuesta, solo el 28% de las personas evitan los chatbots.

Si examinamos más a fondo el grupo discutido, podemos tener una idea de qué otras fuentes de información prefieren. No es de extrañar que los motores de búsqueda sigan siendo la opción más utilizada cuando se trata de encontrar respuestas rápidas en Internet.

Les sigue el sitio web de la empresa sobre qué usuarios están tratando de obtener más información. Entre los «que rechazan los chatbots», las preguntas frecuentes siguen siendo un canal popular, sin embargo, la mayoría de las veces son solo mapas de contenido de los chatbots (viceversa).

Entonces, ¿cuál es el beneficio percibido?

Para adquirir información específica de un chatbot, tenemos que alcanzar una cierta profundidad de conversación, lo que puede llevar mucho tiempo. Por el contrario, los motores de búsqueda y las páginas de preguntas frecuentes te ofrecen la opción de buscar fácilmente palabras clave y saltar directamente a tu interés, acelerando el proceso.

¿Cómo superar esto?

¡Empieza a invertir en el desarrollo de un chatbott! Nuestra experiencia demuestra que las empresas quieren mantenerse al día con las últimas tendencias con los menores costes posibles. Hay un dicho famoso: “quien compra barato, compra dos veces.” Esto es explícitamente cierto para el desarrollo de chatbots. El dinero que las empresas ahorran en el aseguramiento de la calidad les volverá en repetidas ocasiones, a menudo en una forma que ya no puede ser etiquetada con precio, como clientes frustrados, pérdida de participación de mercado, valor de marca y declinación de ventas, etc.

Para empeorar las cosas, esta actitud negativa fue creada por toda la industria de la inteligencia artificial conversacional, y la realidad es que es extremadamente difícil de superar. Entonces, incluso si tiene un chatbot súper inteligente, los usuarios aún se verán afectados por su sesgo y podrían evitar la interacción. Por lo tanto, sería de interés común para las empresas lanzar chatbots debidamente diseñados, capacitados y probados.

Resumen

Desafortunadamente, una gran cantidad de usuarios parece no confiar en los chatbots y sienten que los chatbots no comprenden completamente su problema. Como se mencionó, los chatbots han existido durante algún tiempo y la infraestructura de servicio también se ha construido alrededor de ellos. Existen herramientas de prueba de chatbot desarrolladas por profesionales altamente capacitados y experimentados como Botium que ayudan a pulir su chatbot. Esta garantía de calidad no solo ayuda a su propio negocio, sino que también mejora la experiencia negativa general acumulada durante varios años, creada por bots mal diseñados. Como la industria ofrece ahora tantas oportunidades no solo para desarrollar, sino también para mejorar los chatbots, ¡ya no hay una excusa aceptable para un bot que funciona mal!

The post Los puntos débiles más importantes en el uso de chatbots first appeared on Planeta Chatbot.

Detrás de la aparente simplicidad, existen muchas dificultades de nivel operativo para los diseñadores de conversación en el mantenimiento. Cuando un chatbot alcanza un cierto tamaño, se vuelve extremadamente difícil de manejar y seguir cualquier cambio en el modelo de conversación. Los saltos lógicos (para crear diferentes caminos bajo condiciones) y los bucles (para volver a un elemento anterior de la conversación) le brindan una amplia gama de flexibilidad en este entorno cerrado, pero a menudo hacen que la conversación sea difícil de manejar.

Una vez que se ha implementado cualquier cambio, debe asegurarse de que no causó ninguna confusión en otras convos y que cada ruta de conversación se mantuvo «saludable».

Botium Crawler está aquí para ayudar

Botium Crawler es el miembro más nuevo del conjunto de herramientas de Botium. Fue diseñado para imitar a los usuarios pasando por todas las combinaciones posibles de la estructura de diálogo al mismo tiempo. Detecta automáticamente todas las rutas de conversación para navegar por todo el modelo de conversación.

El siguiente gráfico muestra el concepto de un chatbot de comercio electrónico y una de las posibles rutas por las que puede navegar un usuario (flechas rojas).

Botium Crawler simula que el usuario hace clic en todas las opciones en paralelo, siguiendo todas las rutas hacia abajo hasta que llega al final de la conversación o un determinado criterio.

En la opción de flujo puede ver la representación visual del modelo de conversación de tu chatbot.

Esto es algo que probablemente también pueda ver en tu plataforma de diseño de conversación.

En la vista de secuencia de comandos del rastreador puede ver cada ruta de convo por separado.

Siempre que tengas una marca verde a un lado, significa que el rastreador llegó con éxito al final de la ruta actual, sin ningún error. Sugiere que el usuario también podrá hacer lo mismo en producción.

Vale la pena examinar otros casos con un signo de exclamación. En este caso, el rastreador no pudo alcanzar la profundidad predefinida en la ruta de conversación. Podría haber más razones detrás de esto:

1. La conversación se detiene antes de alcanzar los pasos máximos de conversación

Antes de iniciar la sesión del rastreador, hay varios criterios que puedes agregar. Uno de ellos es el número predefinido de pasos de conversación que debe alcanzar el rastreador. En caso de que no se cumplan los criterios especificados, el rastreador no tendrá éxito.

2. Espera el mensaje

Puedes definir el tiempo máximo que un usuario debe esperar por un mensaje del chatbot. Hay varios pasos de conversación en los que el chatbot envía más de una solicitud. En este caso es recomendable definir un tiempo de espera más largo, pero lo suficientemente corto para dar la sensación de una conversación dinámica. Si el tiempo de espera supera el límite de tiempo predefinido, la conversación se etiquetará con un signo de exclamación.

Características adicionales del rastreador

1. Criterios de salida

Tienes la opción de dar un mensaje determinado como criterio de salida. Esto significa que cuando el rastreador llegue a este paso, no avanzará más. Esta función es extremadamente útil, si tu chatbot se ocupa de una gran cantidad de convos, pero solo ha realizado un pequeño cambio en el modelo de conversación y no desea esperar a que el rastreador realice un seguimiento de todas las rutas de conversación. Si el rastreador se detiene al cumplir con los criterios de salida, se cerrará correctamente.

2. Punto de entrada

El mensaje de inicio de la conversación es una configuración similar a los criterios de salida, excepto que no especifica cuándo detener la sesión del rastreador, sino dónde comenzar. Es posible que desees utilizar esta función en situaciones en las que ha realizado cambios al final de un modelo de conversación y no tiene sentido ejecutar el rastreador desde el principio de la conversación. En caso de que establezca un punto de entrada, que el rastreador no puede encontrar, la conversación se detendrá en el primer paso y fallará.

La sesión fallida del rastreador también podría resultar en casos en los que el chatbot no responde.

Resumen

Botium Crawler te ayudará a identificar las rutas que faltan y los callejones sin salida en el flujo de la conversación y te ayudará a brindar una excelente experiencia de usuario sin importar la ruta que tome.

El beneficio adicional del rastreador es que todos los flujos de conversación detectados a lo largo de todas las rutas se pueden guardar como casos de prueba de Botium y listas de enunciados y se pueden utilizar como base para un conjunto de pruebas de regresión.

Al final, Botium Crawler ayuda a los diseñadores de conversaciones a desatar los hilos inescrutables de las comunicaciones humanas y a examinar cada ruta de conversación como una parte individual de la experiencia del usuario final.

¡No olvides darnos tu !

The post Detectar callejones sin salida en el flujo conversacional de un chatbot first appeared on Planeta Chatbot.