Continuando con los artículos anteriores sobre “Procesamiento de lenguaje natural” y “Comprensión del lenguaje natural”, vamos a repasar la última tecnología usada para programar mediante Inteligencia Artificial los Chatbots:
- NLP: Procesamiento de lenguaje natural (Natural Language Processing)
- NLU: Comprensión del lenguaje natural (Natural Language Understanding)
- NLG: Generación de lenguaje natural (Natural Language Generation)
El desafío con el lenguaje humano es que no se confina a un formato o secuencia de comandos predefinidos. En diferentes momentos, el mismo ser humano puede escribir diferentes mensajes para el mismo intento. Además, muchas veces los humanos son abstractos y ambiguos en las conversaciones. ¿Cómo maneja el Chatbots esas situaciones?
Un Chatbots que posea la capacidad de generación de lenguaje natural (NLG), es aquel que sabe qué respuesta exacta y clara (mensaje) generar para un mensaje de usuario correspondiente.
En el ejemplo anterior, para el mensaje “Quiero viajar de Costa Rica a Hong Kong”, el Chatbots debería entender que para reservar un vuelo también necesitamos la fecha y la hora del viaje y por lo tanto, pedirle al usuario una fecha específica de viaje, tiempo de viaje, viaje de regreso, etc.
Sin embargo, si el usuario ya había proporcionado esta información en el mensaje, entonces el Chatbots no debería volver a solicitar la misma información. En el caso anterior, el Chatbots debería responder como “Gracias, Sr. XYZ” por su consulta. ¿Podría proporcionarnos la fecha y la hora del viaje? Mientras que en el segundo caso debería responder como ‘’ Gracias, Sr. XYZ, por su consulta. Déjame ver si hay vuelos disponibles con regresar pronto’. Es notorio que la respuesta debe ser coherente, significativa, contextual, completa, no repetitiva y clara. Esto exige que la respuesta no puede ser estática sino que debe ser dinámica.
¿Cómo averigua el Chatbots qué tipo de respuesta generar? Una de las formas en que esto se ha solucionado es mediante el uso de un sistema de gestión de cuadros de diálogo. Para diferentes mensajes de entrada, el modelo predictivo puede ser entrenado para decidir qué decir a continuación, contextualmente. Rasa Core es uno de esos sistemas de gestión de diálogo para generación de lenguaje natural (NLG).
Investigaciones recientes en la generación de lenguaje natural (NLG), han descubierto algoritmos de Aprendizaje Profundo (Deep Learning), especialmente, en modelos de generación de diálogo neural como secuencia a secuencia, que son más efectivos para predecir respuestas a conversaciones de lenguaje natural. Esto mejoraría enormemente las capacidades de comprensión de las máquinas y también permitiría que los Chatbots manejen los problemas de respuesta a las preguntas.
Mirando hacia el futuro, parece seguro que los Chatbots realmente desarrollarían una inteligencia comparable a los humanos y los evaluaríamos utilizando –como cuestione en el primer artículo-, un ‘cociente conversacional’ (CQ) en vez de ‘cociente intelectual’ (IQ).
Fuente: Engati: Bot innovation.