vegpet

En el curso Hello Bot de Letsbot abordamos el caso de la compañía VegPet.

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

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

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

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

Recibimos esta tabla:

vegpet-chatbot
Datos de preguntas frecuentes de la empresa VegPet

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

vegpet-chatbot1

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

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

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

vegpet-chatbot2Con eso, aprendí que debemos poner a prueba el chatbot ya entrenado con un flujo de «acoso primero», para que no tengamos sorpresas. Me inspiré en el BIA de Bradesco y creé una respuesta. Puedes verlo en esta imagen:

vegpet-chatbot3

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

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

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

vegpetchatbot (1)

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

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

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

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

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

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

Por Luciana Reynaud Ferreira

Bióloga por la Universidad Federal de São Carlos. Actualmente, trabaja con ingeniería de NLP, conceptualización, diseño y desarrollo de asistentes de AI conversacional.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *