Este informe tiene como objetivo documentar el proceso de mejora de la accesibilidad de los emojis de EPSJV Chatbot .

Enfoque estratégico centrado en la accesibilidad

Según la publicación de Ryan Tan, » Emojis y accesibilidad: cómo usarlos correctamente » en UX Collective, hay algunas pautas que podemos seguir para hacer que los emojis sean más accesibles para todos. Veamos:

1. No se deben utilizar emojis para reemplazar palabras.

2. No recomienda utilizar emojis repetidos ni tampoco de forma constante.

3. Tampoco se deben colocar emojis antes de ningún mensaje importante o llamado a la acción; el texto es lo primero

4. Tampoco se recomienda poner emojis en medio de las palabras.

5. Se recomienda utilizar emojis claros que sean ampliamente conocidos por todo el público.

6. No utilizar emoji’s en formato texto.

7. Utilizar emojis que funcionen bien tanto en fondos claros como oscuros.

Traducción de emojis para ciegos

En un trabajo reciente realizado sobre accesibilidad de chatbots en Serasa, contamos con la ayuda de Alvaro Zermiani, un especialista en pruebas orientadas a la accesibilidad, para mostrarnos las mejores prácticas de uso de emojis sensibles al contexto y traducciones de lectores de pantalla. Así, si estamos accediendo a las plataformas a través del móvil, cada tipo de dispositivo puede traducirse de una forma concreta, siendo la voz de google la más armoniosa entre todo tipo de dispositivos con cambios más ligeros en la estructura de las traducciones. Es decir, el lector traduce el emoji para dar contexto a las personas que no pueden verlo y estas traducciones varían, a menudo tienen grandes discrepancias que pueden aturdir al usuario. Ejemplo:

google voice – tijeras

samsung voice – mano de la victoria

Por lo tanto, hemos hecho un trabajo de traducción de todos los emojis utilizados en EPSJV Chatbot para elegir los emojis con las mejores traducciones para usar. Además, usaremos la función ALT para estandarizar estas traducciones para la web.

Propuesta de acción

• Elimina emojis que reemplazan palabras en los mensajes del chatbot;
• Elimina el exceso de emojis;
• Coloca los emojis en el final de las oraciones;
• Usa solo un emoji a la vez según el contexto;
• Hacer coincidir emojis con el contexto;
• Sacar emojis que tienen significado para grupos específicos, como friki referencias u otras áreas que no son conocidos por todo el mundo;
• Traducir emojis ya implementados con Google Voice;
• Elegir los emojis más accesibles con traducciones;
• Crear una biblioteca de emoji para chatbot con sus traducciones;
• Utilizar la función ALT para estandarizar estos emojis en la web.

Los emojis que utilizaba el bot antes de realizar las mejoras de accesibilidad

cara con mirada de asombro

sonrisa

arriba

galleta

puñetazo

dedos cruzados

cara de robot

libro

icono de fiesta

lupa

abrazos de cara

mujer haciendo gesto de OK

hombre haciendo gesto de OK

mujer levantando la mano

hombre levantando la mano

sonríe con halo

vivo

bíceps

señal llámame

silueta hablando

advertencia

manos aplaudiendo

dedo hacia abajo

a la lámpara

corazón y flecha

cara del sol

manos juntas

rostro festivo

esta prohibido

Saludo vulcano

cohete

super heroína

hombre superhéroe

cara suplicante

trébol

globo de diálogo a la izquierda

al cuerno

tachuela

chispa

hacer cometa

bandera triangular

cara con mascarilla

reloj de arena

Emojis considerados no accesibles para el contexto de nuestro chatbot Wal

sonrisa

arriba

galleta

puñetazo

libros

icono de fiesta

lupa

mujer haciendo gesto de OK

hombre haciendo gesto de OK

sonríe con halo

mujer levantando la mano

hombre levantando la mano

vivo

bíceps

silueta hablando

advertencia

a la lámpara

corazón y flecha

cara del sol

rostro festivo

esta prohibido

Saludo vulcano

cohete

super heroína

hombre superhéroe

trébol

globo de diálogo a la izquierda

al cuerno

tachuela

chispa

hacer cometa

bandera triangular

reloj de arena

Biblioteca de emojis que si son accesibles y usados por Wal

cara con mirada de asombro

rostro ligeramente sonriente

cara de robot

abrazos de cara

dedos cruzados

calendario

señal llámame

manos juntas

rostro pensativo

manos aplaudiendo

cara parpadeando

corazón rojo

cara suplicante

cara con mascarilla

Consideraciones finales

La experiencia del usuario solo se vuelve fácil de usar cuando es accesible. Un Chatbot puede ser inteligente desde el punto de vista de asertividad y precisión, pero si no tiene un texto que informe de forma clara y objetiva, se vuelve obsoleto. El código es solo una parte del cuerpo de estos Asistentes Virtuales que habitan en la imaginación de los públicos más diversos que acceden al mundo virtual.

Nuestro trabajo se basa cada vez más en comprender las posibilidades de mejora que aún no se han explorado en nuestras empresas. La UX es un trabajo infinito que se renueva cada día y tenemos que estar abiertos a cambiar conceptos y estrategias siempre que tengan el objetivo de hacer posible la interacción para todos.

The post La accesibilidad en emojis: el caso del chatbot Wal first appeared on Planeta Chatbot.

Entonces, estoy aquí para compartir algunas cosas que me ayudaron a planificar mi trabajo de curaduría, reduciendo posibles errores. Primero, a la hora de analizar conversaciones, es importante anotarlo en una hoja de cálculo y luego generar una recopilación de las mejoras a realizar. Al priorizar un conjunto de ajustes para realizar a la vez, minimizamos los errores y obtenemos más control sobre lo que se está optimizando en el bot. Cuando cambiamos todo demasiado entrecortado, tenemos una alta incidencia de esfuerzo innecesario.

Lo ideal es documentar TODO, SIEMPRE. Lo que entra, lo que sale, lo que queda en análisis, lo que queda para el futuro. Luego, comparamos las métricas de curación antes y después de los cambios. Además, tenemos que abusar de todos los recursos de RASA TEST y otro tipo de pruebas que podamos aplicar. Sin una compilación que cubra todo nuestro corpus con casos de prueba automatizados, pueden surgir errores muy graves que afecten la experiencia de nuestros usuarios de manera muy negativa.

Muy bien, después de toda esta contextualización, ahora acerquémonos al análisis de riesgo para Rasa. También noté que muchas veces iniciamos una tarea con mucha certeza de que será algo sencillo de implementar. “Oh, lo hago en 30 minutos”. Y, estos 30 minutos se convierten en horas, días, semanas… Precisamente, porque no reflexionamos profundamente sobre la sensibilidad del entrenamiento en el modelo RASA. Si tenemos un corpus grande con más de 70 intents / stories, acciones, flujos transaccionales y todo lo demás, tenemos que hacer un análisis de riesgo sobre lo que vamos a cambiar y qué impactará en nuestro corpus. Entonces, creé una tabla muy simple para recordarme hacer esta reflexión obligatoria cada vez que repase algún detalle del bot.

La idea no es simplemente entrecerrar los ojos y decir: tengo que hacer un cambio de historia, ¡alto riesgo! Pero, unir los pasos de la tarea. Tengo que insertar contenido nuevo (total + intención + historia), por lo que tengo un riesgo bajo + medio + alto. Cuando planifique esto dentro de Sprint, evaluaré cada cambio dentro del código y recopilaré los riesgos para estar al tanto del tiempo que tomará hacer esta implementación y también los posibles errores que se puedan generar para que tengamos un poco más tiempo si lo hacemos, necesitamos hacer algunas correcciones que surgen en el camino. Este análisis mejoró enormemente mi desarrollo en RASA, porque dejé de ver el negocio de una manera milagrosa en base a mi expectativa de querer ARREGLAR TODO DE INMEDIATO! ja ja ja

¡Estás ahí! Si tienes  otras técnicas y consejos que ayuden a aportar más calidad al desarrollo de RASA, comenta aquí . Y, en la siguiente, traeré algunas BUENAS PRÁCTICAS más detalladas que he estado recopilando y aplicando en mi trabajo basado en el mandala UX.

The post Análisis de riesgos – RASA 💜 first appeared on Planeta Chatbot.

Banderas — Trabajo en equipo

Rasa tiene una función para marcar las interacciones que necesitamos revisar, este es un gran recurso tanto para revisar errores como para cuando trabajamos en equipo, porque a veces necesitamos que otras personas corrijan un error que ha sido revisado:

Curación dentro de la conversación: no hay curación sin un análisis de toda la conversación.

Las personas que están acostumbradas a hacer el papel de curador saben que no hay curación sin analizar toda la conversación, por lo que esta posibilidad de curar dentro de la conversación del usuario es una gran ventaja, haz clic dos veces y aparecen las opciones para mejorar el bot. al lado. En este ejemplo, pudes crear la intención de “cumplido” que no existía en la base de conocimientos del bot y registrar “eres genial” sin salir de la conversación:

El siguiente paso sería dar de alta el nuevo flujo, para eso puedes hacer clic en Copiar a Aprendizaje Interactivo y puedes corregir el bot de una forma muy divertida y práctica:

Curación semiautomática de flujos

Rasa nos permite crear múltiples flujos para cada intención y expresión. No necesitamos seguir un modelo rígido de Historias. Podemos crear ejemplos de conversaciones completas, comenzando con hola o charla, o la pregunta en sí, con innumerables combinaciones. Cuantas más posibilidades de flujo tenga en su base de conocimientos, más inteligente se volverá. Tener la capacidad de predecir los próximos pasos de la conversación. En este ejemplo, podemos ver que después del saludo, el bot no puede predecir nuevos flujos, lo que indica que su base de conocimientos es débil:

Aquí, podemos ver que ya está prediciendo mejor los próximos pasos porque tiene más flujos registrados:

De esta manera, tenemos un recurso para copiar los flujos de conversación que nuestro bot tenía con nuestros usuarios y enriquecer nuestras Historias, es muy simple, solo copia todo el flujo y pégalo como una nueva Historia:

Otros recursos increíbles para la curaduría de Rasa

• Validar datos

Es fundamental que un bot no tenga errores dentro de su código, que tenga un código limpio y sólido para que no se confunda. En Rasa tenemos el mecanismo Validate Data para monitorear si hay algo registrado que sea inconsistente:

Supongamos que una de nuestras Historias tiene una intención registrada que no existe, Validate Data nos señalará el problema:

• Rasa Visualizar

A medida que pasa el tiempo, el bot evoluciona y se hace difícil tener un sentido de todos los temas que cubre, para eso tenemos la vista superficial con él podemos generar un mapa mental actualizado de nuestro chatbot sin el menor esfuerzo humano:

• Validación de la NLU

En Rasa podemos evaluar si nuestros ejemplos de intent registrados muestran conflicto usando el comando rasa test nlu -u train_test_split / test_data.md –model, un recurso valioso para garantizar la calidad del bot:

• Validando historias

Asimismo, podemos evaluar la salud de nuestros flujos con el comando rasa test core — stories test_stories.md — out results

• Casos de prueba de diálogo: evaluación de un extremo a otro

Cada vez que insertamos nueva información en nuestra base de datos, ya sea una nueva intención, entidad, un nuevo flujo o ranura, esto cambia todo el entrenamiento del bot, una forma de probar si los cambios que hemos realizado no han “estropeado” nuestros datos. está creando casos de prueba con ejemplos de conversaciones reales entre el bot y el usuario. De esta forma, incluso si un gran equipo está cambiando el bot, podemos evaluar si el bot se mantiene saludable incluso después de la inserción de nuevos datos, en Rasa X tenemos la capacidad de transformar conversaciones almacenadas en casos de prueba que garantizarán este control:

Y luego pruébalo:

Conclusión

Rasa ofrece recursos muy valiosos para evitar errores en la Curaduría, si el equipo de expertos utiliza todas las herramientas que proporciona, podemos garantizar la calidad del chatbot, prediciendo errores antes de que el bot entre en contacto con los usuarios. Además, sabemos que es posible construir todos estos recursos para otras tecnologías de chatbot, sin embargo Rasa nos proporciona todo este aparato de forma gratuita y sigue evolucionando, aportando en cada versión una nueva característica. Las formas de curar Rasa, además de ser una practicidad incuestionable, está

The post ¿Por qué elegí RASA? first appeared on Planeta Chatbot.

¡Vamos, es hora de ar-rasa-r!

Error de entidad

En este caso, podemos ver que el nivel de exactitud de la intención sabor_suco es clara, por lo que descartamos la posibilidad de ofrecer el mensaje default general. Además, como conocemos teóricamente el corpus que estamos analizando, sabríamos que para este fin deberíamos caer en “Quiero un zumo de fresa”. Veamos que el bot no reconoció la entidad fresa, por lo que es un primer error a señalar y corregir. Pero, ¿puede haber también un error de flujo? Puede. Entonces, también tendríamos que revisar lo que se conoce como “stories” exactamente las “stories d suco_morango” e identificar si también hay un error en la construcción de los flujos. Fácil ¿verdad? No fue necesario analizar el NLU / stories / Domain para poder encontrar el error y corregirlo.

Error del flujo

En este otro ejemplo, podemos ver que el bot acertó en la intención con una confianza alta y también predijo correctamente todas las entidades: {“taste”: “pineapple”}, {“ml”: “300”}. Entonces, probablemente sea un error de Story, no nos habíamos dado cuenta de que nuestro usuario podía escribir toda la información en una sola entrada y llegar al flujo final en segundos. De esta forma, crearíamos este flujo para optimizar nuestra experiencia de usuario.

Error de intención

En esta conversación, vemos un clásico error de intención, el concepto “bebida” cayó en agradecimiento debido a un nivel de confianza muy bajo 0.58. También sabemos que este aporte no debería haber caído en esta intención. Entonces, agreguemos el ejemplo de la bebida con la intención juice_sabor_pergunta . ¿Está ahí? No. En este punto, tenemos que entrenar al bot y ejecutar un “rasa test nlu” para asegurarnos de que nuestras intenciones no se hayan desequilibrado. ¡Las pruebas lo son todo!

Respuesta de bot mejorada

Aquí, vemos que el bot hizo la entrada correcta, pero el usuario escribió “No entiendo”. En esta situación, sabríamos que nuestra explicación no es lo suficientemente buena o que hay un término que el usuario no entendió. En esta respuesta la pregunta “qué vaso” no tiene mucho sentido, la idea sería que el usuario entendiera que debe elegir la cantidad de ml de zumo que quiere comprar. Haríamos un tratamiento de ese mensaje, y en las próximas semanas seguiríamos las interacciones en la curación de esa respuesta para ver si el problema se resolvió.

Insertando contenido nuevo

Vaya, pero ya vi este ejemplo !!! Sí, en un mismo análisis puede haber más de un error. Nos dimos cuenta de que el bot no tiene una respuesta chichat para el input “no entendí”. Sería interesante crear una respuesta que reconfortara al usuario y explicara que este bot aprenderá más para ayudar a los usuarios, y que intentará explicarlo mejor la próxima vez.

Y estas son solo algunas de las reflexiones sobre curación y entrenamiento usando los datos que Rasa X pone a disposición de los responsables del chatbot sobre las conversaciones de los usuarios. Es obvio que un entrenamiento completo de estos errores exige un análisis más profundo de las métricas y los ejemplos de conversaciones de otros usuarios que tengan los mismos errores. Lo que quiero decir con estos es: le tus datos, use tu intuición y se consciente de que gracias a ellos podrás corregir tu chatbot de una manera más práctica y sencilla.

The post Errores de curación — Rasa first appeared on Planeta Chatbot.