El contexto y su resolución: chatbots con inteligencia artificial

¿Existe la posibilidad de que en el futuro un chatbot alcance la comprensión humana? Te contamos los avances de chatbots con inteligencia artificial.

Las personas hacemos constante uso de elementos de economía lingüística, que se utilizan para no estar repitiendo entidades (objetos físicos o abstractos del mundo) constantemente en un texto o una conversación. Uno de los más comunes es la anáfora, el cual es una entidad que no ha sido mencionada explícitamente en cierta oración (en un texto o conversación), sin embargo, queda claro que antes ha sido mencionada y por tanto, se puede relacionar con dicha entidad o también llamado antecedente. ¿Será posible algún día, que estos elementos sean comprendidos por chatbots con inteligencia artificial?

La anáfora es necesaria en un amplio rango de tareas de procesamiento de lenguaje natural, como comprensión del lenguaje, traducción automática, extracción de información e interfaces en lenguaje natural como los chatbots. A la acción de relacionar una misma entidad en diversas oraciones, incluso si han sido mencionadas con anáforas, se le conoce como correferencia. El hecho de hacer todas las correferencias en un texto o conversación, se entiende como resolución del contexto. 

Con el contexto, nos referimos a todos los conocimientos necesarios entre los hablantes para entender una conversación. El contexto puede ser visto como un iceberg en donde lo único perceptible es el texto, y lo que hay “debajo del agua” es la información previamente mencionada.

chatbots con inteligencia artificial

Diferencia entre el chatbot y el humano

Hacer referencia a entidades antes mencionadas es una de las habilidades humanas que son interesantes en el lenguaje. Para las personas es una acción tan natural, que no nos damos cuenta de ello. Sin embargo, cuando tratamos de replicar este mismo comportamiento en una máquina, nos damos cuenta que es uno de los problemas más complejos en el campo del lenguaje natural. El hecho de que existan diversos lenguajes y modismos dentro de ellos, hace que se complique aún más. Veamos un ejemplo sencillo:

Juan llegó tarde a la reunión, [Juan] tuvo un percance en el camino. 

El texto puesto entre corchetes es algo que generalmente no mencionamos, pero cuando preguntamos ¿Quién tuvo el percance? naturalmente pensamos en la entidad Juan.

Ahora pongamos un ejemplo un poco más complicado:

El perro de Juan mordió a un niño, ahora mismo [el niño] está siendo trasladado al hospital.

Es ahora donde hacemos la pregunta ¿Quién está siendo trasladado al hospital? Naturalmente, una persona respondería lo más lógico: el niño. 

No obstante, al desarrollar un algoritmo o modelo que tome esta misma decisión en una máquina, no es tan trivial, debido a que contiene mayor cantidad de entidades en una sola oración.

¿Cómo algo que hacemos de manera natural es tan difícil de replicar? Es por el hecho de no conocer la manera en que nuestra mente realiza este proceso, que no podemos replicarlo. Esto es frecuente con muchos procesos humanos (como la visión), que realizamos sin pensar en ello. 

La comunidad científica ha propuesto métodos y algoritmos con los que se pueda solventar este problema, estableciendo temas o escenarios para resolver el contexto y utilizando soluciones basadas en diccionarios o métodos más avanzados, como redes neuronales. Sin embargo, aún existe una brecha para acercarse al comportamiento humano.

El equipo de investigación de SoldAI (SoldAI Research), empresa graduada de la tercera generación de NAVE, también ha puesto su enfoque en este problema. Su objetivo es  brindar el mejor servicio de chatbots, así como aportar a la tecnociencia con modelos y métodos para mejorar las correferencias, actualmente para el lenguaje español.

chatbots con inteligencia artificial

¿La resolución de correferencias podría ayudar a hacer chatbots más agradables para la humanidad? 

En efecto. Usualmente las personas sienten mayor comodidad al hablar o ser atendidas por una persona, pues sabe que ésta comprenderá lo que diga. Crear chatbots con inteligencia artificial que puedan llevar a cabo una resolución correcta de las correferencias, los acerca más al modo habitual de las personas, sin que éstas deban preocuparse hablar con un agente virtual y cambiar su modo de expresión para ser entendidas. En este contexto, si una persona no logra distinguir si se comunica con una máquina o con otra persona, se dice que dicho agente virtual ha pasado la prueba de Turing.

Como vemos, este mecanismo de resolución de contexto es un problema complejo, cuya solución nos acercará más a la creación de bots que cuenten con una capacidad del lenguaje igual o cercana a la de las personas. 

En SoldAI se tiene como misión dar un mejor servicio de chatbots con inteligencia artificial, y así impulsar un mayor uso de estas herramientas virtuales que ayudarán a las personas a mejorar procesos cotidianos.

 

También te puede interesar:

Inteligencia artificial para evitar el COVID-19

Inteligencia artificial para evitar el COVID-19

RWI Synthetics puede recrear escenarios futuros y aportar claridad en los riesgos actuales por la pandemia. Te explicamos cómo se utiliza la inteligencia artificial para evitar el COVID-19.

La pandemia ha cambiado el mundo en el que vivimos. Las actividades cotidianas, como ir a trabajar, ahora presentan desafíos desconocidos y riesgos de exposición que hacen que sea imperativo que aprendamos a navegar de manera segura. Ya sea que su área sea parte de la primera ola o se dirija hacia la segunda, ya sea que usted sea un empleador o un individuo, todos necesitamos encontrar formas de ofrecer seguridad y confianza para poder participar en este nuevo mundo. ¿Será que una forma de encontrar esta seguridad, es usar inteligencia artificial para evitar el COVID-19?

En RWI Synthetics, hemos ayudado a diferentes industrias a mitigar el riesgo en una variedad de condiciones y escenarios complejos. Ayudar a las personas a comprender cómo minimizar su riesgo de exposición a COVID-19 no es diferente. Aunque los nuevos factores de riesgo y los niveles de riesgo asociados al virus son numerosos y difíciles de evaluar, nuestros modelos sintéticos pueden incluir a las personas y lo que experimentan, junto con la forma en que sus experiencias se cruzan con las variables de exposición de duración, diversidad y densidad en caso de riesgo de transmisión de enfermedades.

¿Cuál es nuestro objetivo?

En RWI, scaleup B2B graduada de la 4ta generación de NAVE, siempre nos hemos propuesto aportar claridad a los riesgos complejos, para informar las decisiones basadas en datos. Usando una forma de inteligencia artificial que llamamos Modelado Sintético, RWI creó un modelo para obtener información sobre cómo los diversos comportamientos y movimientos humanos se cruzan con cada variable posible en un entorno en el camino al trabajo. 

Tenemos la capacidad de investigar la interacción de las variables ambientales con el comportamiento y el movimiento humano, y ver qué surge a medida que las personas navegan el mundo. Este modelo sintético nos permite explorar resultados sin tener que experimentarlos físicamente, junto con la capacidad de descubrir formas de influir y optimizar los resultados.

Como punto de partida, realizamos un experimento para medir la diferencia que los cubrebocas pueden hacer en las tasas de exposición si las personas lo usan durante su traslado al trabajo por la mañana. Comenzamos creando un modelo sintético del centro de Edmonton, una ciudad del oeste de Canadá. Agregamos un grupo diverso de 500 personas caminando al trabajo durante un período de 40 minutos. Luego, ejecutamos múltiples escenarios en nuestro entorno sintético, variando el número total de individuos que usan cubrebocas.

También te puede interesar:

Tecnología ante el COVID-19 para las empresas

Resultados

El experimento muestra que cuando todo el grupo usa cubrebocas en el camino al trabajo, la exposición se reduce drásticamente. El grupo que usa cubrebocas tiene menos del 10% de exposición en promedio en comparación con el grupo sin cubrebocas, como se muestra a continuación:

inteligencia artificial covid

En cualquier período de 10 segundos, en promedio, el grupo con cubrebocas tiene una exposición efectiva de menos de un cuarto de segundo cada 10 segundos. Mientras que el grupo sin cubrebocas tiene exposición generalmente de entre 2 y 5 segundos.

Durante todo el camino al lugar de trabajo, aproximadamente un traslado de 3 minutos cuando el tráfico es ligero, el grupo con cubrebocas tiene menos de 5 segundos de exposición efectiva en promedio. Además, este mismo grupo, al estar alrededor de 30 segundos en la línea media está expuesto durante 1 minuto en promedio máximo. Este promedio máximo se correlaciona con los períodos de congestión asociados con la llegada de los trenes.

Contexto y diseño, personas y movimiento

El experimento lleva a un grupo de 500 personas a través del centro de Edmonton, desde el estacionamiento público y estaciones de tránsito, hasta el lugar de trabajo en el transcurso de 40 minutos durante el traslado matutino.

El modelo de movimiento refleja a cada persona y grupo navegando hacia el trabajo mientras intentan distanciarse de las personas que los rodean a través de vueltas regulares, restricciones, luces para caminar y otros obstáculos que se podrían encontrar en el camino al trabajo.

El grupo representa un grupo típico de un lugar de trabajo: cada uno con una edad, género, salud, capacidad de movimiento e incluso un nombre.

Cubrebocas

Los varios tipos de cubrebocas tienen diferente efectividad y se presentan en un grupo de personas en proporciones variables. El tipo de cubrebocas que usa un individuo es importante, así como las proporciones variables de estos diferentes tipos de máscara presentes en el grupo de 500 individuos.

Otro factor esencial es la capacidad de usar y ajustar el cubrebocas de manera óptima. El conocimiento, la capacidad y la disposición de un individuo determinado afectan la capacidad del cubrebocas para filtrar los patógenos, incluyendo COVID.

La tabla y el gráfico siguiente, muestra la proporción de los tipos de mascarillas y un rango de distribución de su efectividad por tipo. Nuestro grupo de personas usando cubrebocas estaba equipado con máscaras de este tipo y en esta proporción.

inteligencia artificial covid

Las medidas

A medida que el grupo se mueve, rastreamos el número de segundos que cada individuo pasa dentro de los 2 metros de otro individuo.

Para la puntuación “sin cubrebocas”, esta vez se cuenta en pares; cada segundo que las personas pasan a menos de 2 metros una de la otra obtiene una segunda exposición para ambas personas. Para otro ejemplo, si 5 personas están a menos de 2 metros una de otra, cada una obtiene 5 segundos de exposición.

Para la puntuación “con cubrebocas”, esta puntuación en relación con persona-segundo se reduce en función de la efectividad de los cubrebocas como un múltiplo. Por ejemplo, si ambas personas tienen una máscara de efectividad del 50%, el puntaje se reduce en 0.5 para el primer cubrebocas, y luego nuevamente en 0.5 para el segundo cubrebocas.

Estos son los dos resultados del experimento: 

1- La de exposición persona-segundos 

2- La puntuación de persona-segundo reducida por el cubrebocas.

Esta medida se toma 5 veces por segundo, y los resultados se muestran por segundos. Y así, confirmamos que es posible utilizar la inteligencia artificial para evitar el COVID-19.

También te puede interesar:

Tecnología para la nueva normalidad desarrollada por scaleups B2B

Close Bitnami banner
Bitnami