Diferencias entre Inteligencia Artificial, Machine Learning y Deep Learning

inteligencia artificial call center

En nuestro webinar del pasado 3 de junio, en el que repásabamos el potencial de aplicar inteligencia artificial al sector del contact center, definíamos la IA como la teoría y el desarrollo de sistemas informáticos capaces de realizar tareas que normalmente requieren inteligencia humana, como la percepción visual, el reconocimiento del habla, la toma de decisiones y la traducción entre idiomas.

Es una de las definiciones menos técnicas y más adaptables para revisar el concepto de IA. La comunidad de Inteligencia Artificial ha estado tratando de imitar comportamientos inteligentes con programas informáticos durante las últimas décadas. Esta no es una tarea fácil porque un programa de computación debe ser capaz de hacer muchas cosas diferentes para poder ser llamado inteligente. 

Por eso es bueno entender qué significa el concepto de comportamiento inteligente. Para los investigadores Stuart Russell y Peter Novig, engloba 4 tipos de sistemas de Inteligencia Artificial: 

  1. Sistemas que piensan como humanos. Se refiere  a sistemas que realizan automatización de actividades que asociamos con el pensamiento humano, como la toma de decisiones. 
  2. Sistemas que actúan como humanos. Un ejemplo de esto es la AI aplicada a la robótica, donde robots pueden hacer actividades humanas como la conducción de un vehículo. 
  3. Sistemas que piensan racionalmente. Que se refiere al  estudio de las facultades mentales a través de modelos computacionales, una aproximación de estos sistemas es el análisis de sentimientos y emociones. Máquinas que pueden analizar al ser humano y su comportamiento para determinar las emociones que está percibiendo. 
  4. Sistemas que actúan racionalmente.  Son sistemas que emulan el razonamiento humano y actúan tal cual como lo haría un experto en un área de conocimiento específico. Un ejemplo típico de este tipo de sistemas son los los chatbots, sistemas que analizan el entorno y ante determinados estímulos,  como una pregunta a través de un mensaje de texto, el robot genera una respuesta, de esta manera mantiene una conversación con su interlocutor. 

En 1950, Alan Turing determinó que para que una máquina fuera llamada inteligente tenía que superar una prueba en la que demostrara poder cubrir estas tareas: 

  • Procesamiento de lenguaje natural: necesita poder comunicarse en un lenguaje natural. 
  • Representación de conocimiento: necesita poder tener conocimiento y almacenarlo en algún lugar. 
  • Razonamiento automatizado: necesita poder hacer razonamientos basados en el conocimiento almacenado. 
  • Aprendizaje automático: necesita poder aprender de su entorno. 

¿Cómo aprenden las máquinas? 

Lo hacen bajo un enfoque conocido como aprendizaje supervisado. El enfoque es muy simple: se le enseña al modelo unos ejemplos de aquello que queremos aprender. En el ejemplo que se puede ver más abajo se muestra  una máquina que va a aprender a reconocer imágenes de gatos, la idea es que la máquina sea capaz de distinguir imágenes de “gatos” de “no gatos”.

Para aprenderlo el sistema necesita imágenes de diversos tipos de gatos para aprender patrones y características de estos felinos (formas, colores, texturas, etc). A la vez, el sistema aprende de ejemplos de otros animales “no gatos” para distinguir aquellos patrones no característicos en los gatos.

Inteligencia Artificial Aprendizaje Automático

El aprendizaje involucra una serie de iteraciones en las que el algoritmo es probado con datos que no ha visto durante el entrenamiento. Esto se hace para evaluar su capacidad de respuesta a nuevos inputs o “generalización”.

El modelo calcula unas métricas, se ajusta internamente y hace otra iteración. Este proceso se repite con algún criterio de parada, como un umbral sobre alguna métrica que se ha establecido por ejemplo. Al final del proceso tendremos una máquina capaz de distinguir patrones en animales que le permitan estimar si este es o no un gato.

Centrándonos en un caso de uso de contact center, el sistema podría aprender de un contexto como la “pregunta de contratación del producto”, en cuyo caso se le daría al sistema ejemplos de distintas maneras de hacer esta pregunta.

También con ejemplos de frases que no son dicha pregunta, para que el sistema aprenda a distinguir los patrones del lenguaje que caracterizan dicho contexto. Estos patrones incluyen el vocabulario, semántica, gramática y otras propiedades asociadas al texto y el lenguaje.

Cuando el sistema sólo es capaz de identificar los gatos vistos en entrenamiento, y no es capaz de distinguir otros gatos diferentes, hablamos que la máquina tiene un error de sobre aprendizaje. Cuando el modelo no es capaz ni siquiera de aprender los patrones mostrados en entrenamiento, se afirma que el modelo tiene un problema de sub aprendizaje. Estos dos casos son dos dilemas que los científicos de datos tienen que lidiar en el día a día en la construcción de modelos de Machine Learning. 

Seguro que te suena esta terminología. Ya hemos definido la Inteligencia Artificial, pero dentro de esta existen muchas ramas. Una de ellas que despierta especial interés en la industria es esta de “aprendizaje automático” o “machine learning.

Aprendizaje Automatico

Para explicarlo necesitamos entender primero qué es un algoritmo. Un algoritmo es un conjunto de instrucciones que se ejecutan para hacer una tarea. Por ejemplo, un programa informático que calcula la suma de dos dígitos se puede resumir como un algoritmo de tres pasos: 

  1. En un primer paso lee el primer dígito a ser sumado.
  2. En el segundo paso lee el segundo dígito.
  3. En el tercer paso calcula la suma de ambos dígitos y se imprimen en pantalla.

Una definición de aprendizaje automático que es muy extendida, es la que hace referencia a los algoritmos con la capacidad de aprender sin ser explícitamente programados. Siguiendo el ejemplo de la suma, se podría programar un algoritmo de forma explicita como en el ejemplo anterior o podría darle a un modelo ML muchos ejemplos de sumas para este aprenda a sumar.

En ese caso no estoy programando explícitamente la suma, le estoy enseñando a la máquina mediante ejemplos qué es la suma. Al final tendríamos una máquina que sabe sumar dos dígitos sin programar explícitamente un algoritmo. La máquina influiría esa lógica de los ejemplos suministrados. 

Otra de las ramas a tener en cuenta es el Deep Learning. Que, básicamente, es una categoría dentro de Machine Learning. Es decir, DL es un tipo particular de ML. DL es ML pero hay técnicas de ML que no son DL. 

Es una subcategoria del ML que se ha hecho famosa por su capacidad de resolver problemas con señales de alta complejidad, como imágenes y sonido. Ha conseguido mejorar considerablemente el rendimiento de los modelos de ML en esa línea. Los modelos DL utilizan redes neuronales artificiales que son modelo computacionales inspirados en el comportamiento observado en las redes neuronales biológicas. 

La red aprende algo simple y luego va sofisticando su análisis y conclusiones en niveles inferiores. La principal diferencia con el aprendizaje automático es su estructura y el procesamiento de la información, el cual imita las redes neuronales del cerebro humano. 

El aprendizaje profundo se mueve en los terrenos de la percepción y tiene aplicaciones ya muy relevantes como: 

  1. Traductores inteligentes, como Google Translate.
  2. Lenguaje natural hablado y escrito, como Siri.
  3. Reconocimiento de voz, como las labores de dictado.
  4. Interpretación semántica, como los bots de asistencia en chats.
  5. Reconocimiento facial, como el sistema Face Id de Apple.
  6. Visión computacional, como el trabajo de proponer imágenes similares en Google cuando haces una búsqueda. 

Y estas tecnologías, ¿qué aportan a mi Contact Center? 

Este tipo de tecnologías, en las que se apoya Upbe para transformar datos de audio no estructurados en estructurados, te servirá para hacer más eficiente y productiva tu operación. Nuestro enfoque es que las operaciones en contact centers necesitan reducir curvas de aprendizaje y hacer más eficiente la gestión de las llamadas. Ayudando a los auditores a trabajar mejor. A tomar mejores decisiones. A formar de forma diferente y más efectiva a los agentes. La IA y sus sub-ramas te ayudarán entonces a: 

  1. Tomar mejores decisiones, porque el entorno de datos será más completo y basado en el contexto de las llamadas.
  2. Entender el contexto de cada cliente y personalizar tus estrategias de atención y comerciales.
  3. Adaptar el discurso comercial o de atención de tus agentes en base a las mejores prácticas que identifiques.
  4. Reducir el número de llamadas u optimizar los kpi’s fundamentales del negocio evolucionando las posibilidades de otras tecnologías como Speech Analytics.
  5. Asignar mediante un scoring el nivel de riesgo de baja de un cliente.
  6. Someter a una mejor priorización la gestión de las llamadas. Encajar los mejores agentes con las llamadas más complicadas o atendiendo a su tipología.

1 Comment

Leave a comment