La inteligencia artificial - Daniel Cuellar

Vista previa del material en texto

La inteligencia artificial (IA) ha influido en la forma en que participamos en nuestras actividades diarias mediante el diseño y la evaluación de aplicaciones y dispositivos avanzados, llamados agentes inteligentes, que pueden realizar diversas funciones. Un chatbot es un programa de inteligencia artificial y un modelo de interacción humano-computadora (HCI) (Bansal & Khan, 2018). Según el diccionario, un chatbot es ‘‘Un programa informático diseñado para simular una conversación con usuarios humanos, especialmente a través de Internet’’ (Chatbot |Definición de chatbot en inglés por Lexico Dictionaries, 2019).
Utiliza procesamiento de lenguaje natural (NLP) y análisis de sentimientos para comunicarse en lenguaje humano mediante texto o habla oral con humanos u otros chatbots (Khanna et al., 2015). Las entidades de conversación artificial, los agentes interactivos, los bots inteligentes y los asistentes digitales también se conocen como chatbots.
Además de imitar la interacción humana y divertir a la gente, los bots de chat son útiles en otros campos de la educación, los negocios y el comercio electrónico, la salud y el entretenimiento (Shawar & Atwell, 2007). La productividad es la motivación más importante para los usuarios de chatbots, aunque entre las diferentes motivaciones se incluyen el entretenimiento, los factores sociales y la interacción novedosa. Además, en los negocios, los chatbots se han vuelto tan comunes porque reducen los costos del servicio y pueden manejar muchos clientes simultáneamente. Los chatbots son más amigables y atractivos para los usuarios que, por ejemplo, la búsqueda de contenido estático en listas de preguntas frecuentes (FAQ). Ofrecen a los usuarios una asistencia cómoda y eficaz a la hora de comunicarse con ellos; les brindan respuestas más atractivas, respondiendo directamente a sus problemas (Brandtzaeg & Følstad, 2017) (R. Ranoliya, Raghuwanshi, & Singh, 2017).
La mayoría de las veces, los usuarios sienten a los chatbots como compañeros amistosos y no solo como meros asistentes (Costa, 2018). El cuarenta por ciento (40 %) de las solicitudes de los usuarios son más emocionales que informativas (Xu, Liu, Guo, Sinha y Akkiraju, 2017). Es la evolución del aprendizaje automático y el análisis de sentimientos lo que equipó a los chatbots con la capacidad de responder emocionalmente a los clientes (Følstad, Bertinussen Nordheim y Alexander Bjørkli, 2018).
El grado de confianza que gana un chatbot con su uso depende de factores relacionados con su comportamiento, apariencia y otros relacionados con su fabricante, cuestiones de privacidad y protección (Wallace, 2009). El desarrollo de esta relación de confianza también está respaldado por el nivel de similitud humana del chatbot, que depende de las características visuales, qué tan cerca se relaciona su nombre con una persona, su personalidad y su eficiencia para manejar el lenguaje humano ( Go & Sundar, 2019). La emoción es otro aspecto esencial para humanizar un chatbot, y ha habido muchos enfoques para construir un chatbot emocionalmente consciente (Pamungkas, 2019).
Además, la comunicación humano-chatbot cambia según la divulgación o no del interlocutor. Los bots de chat no revelados son cuatro veces más productivos que el personal de ventas novato y su capacidad alcanza la de los empleados especializados en compras de consumo (Luo, Tong, Fang y Qu, 2019). Sin embargo, la percepción humana subjetiva hace que las personas consideren que los chatbots revelados son menos informados y emocionalmente inteligentes. Así, cuando los clientes descubren durante una conversación que hablan con un chatbot, se molestan y compran menos productos. Por lo tanto, se utilizó un método para la divulgación diferida de un chatbot (Luo et al., 2019). En Mori, MacDorman y Kageki (2012), la llamada “teoría del valle inquietante” examina los sentimientos incómodos que experimenta una persona cuando no sabe si el interlocutor es un ser humano o un programa informático (Skjuve , Haugstveit, Følstad y Brandtzaeg, 2019). También se han examinado la personificación y el contacto en las revelaciones de las personas sobre temas delicados, como los estresores sociales (Sannon, Stoll, DiFranzo, Jung y Bazarova, 2018).
Si bien vivimos en una época en la que nuestro interlocutor puede ser una persona real o un chatbot sin importar su verdadera identidad (Dale, 2016), se expone un sesgo contra el género (Costa, 2018). La mayoría de los chatbots se utilizan normalmente como asistentes personales y secretarias para ejecutar actividades que imitan los estereotipos tradicionalmente femeninos y transmiten estas características a través de comportamientos estereotípicos.
En este contexto, planteamos la pregunta de investigación de esta revisión de la literatura de la siguiente manera: ¿Cuál es la evolución y el estado actual de la tecnología de los chatbots y sus aplicaciones? Nuestro objetivo es a través de una investigación descriptiva de la pregunta de investigación para organizar la información crítica que es un antecedente necesario para una mayor actividad de investigación en el campo de los chatbots. En este contexto, presentamos el historial de evolución de los chatbots y señalamos los inconvenientes en cada etapa; también presentamos los diferentes enfoques para la construcción de chatbots y discutimos las aplicaciones de chatbots y los casos de uso industrial. La principal contribución de nuestro trabajo consiste en:
• Mejoramos el sistema de clasificación de chatbots propuesto por (Ni mavat & Champaneria, 2017) agregando la categoría 'Permisos', que distingue a los chatbots de código abierto o comercial y ampliando la categoría 'Canal de comunicación' al agregar la entrada de imagen.
• Proponemos un diseño de arquitectura para chatbots que sea general, con suficientes detalles y completo en comparación con otros trabajos relacionados.
• Destacamos aspectos críticos que todo desarrollador debe tener en cuenta antes del diseño del chatbot.
• Señalamos los inconvenientes de los chatbots actuales y comentamos cómo se pueden mitigar.
• Expresamos nuestra opinión sobre la dirección que debe tomar la tecnología para que los chatbots satisfagan las necesidades de la comunicación humana a través de discurso.
El resto del documento está estructurado de la siguiente manera. En la Sección 2, echamos un vistazo histórico desde el comienzo de la creación del chatbot.
hasta el día de hoy, señalando el interés de la comunidad científica. Luego, en la Sección 3, proponemos una clasificación de los chatbots existentes. Los enfoques de coincidencia de patrones y aprendizaje automático se describen en la Sección 4. En la Sección 5, sugerimos una arquitectura general de chatbot, mientras que en la Sección 6, analizamos cuestiones relacionadas con el desarrollo de chatbot. En la Sección 7 se abordan las debilidades y amenazas de los chatbots, mientras que en la Sección 8 se presentan algunas aplicaciones de los chatbots. Finalmente, en la Sección 9, informamos las limitaciones de este estudio, discutimos sus implicaciones y presentamos nuestra opinión sobre la dirección que debe tomar la tecnología.
2. Historia
En 1950, Alan Turing se preguntó si un programa de computadora podría hablar con un grupo de personas sin darse cuenta de que su interlocutor era artificial.
Muchos consideran que esta pregunta, denominada prueba de Turing, es la idea generativa de los chatbots (Turing, 1950). El primer chatbot con el nombre de ELIZA se construyó en 1966. ELIZA simuló la operación de un psicoterapeuta, devolviendo las oraciones del usuario en la forma interrogativa Weizenbaum (1966). Su capacidad de comunicación era limitada, pero fue fuente de inspiración para el posterior desarrollo de otros chatbots (Klopfenstein, Delpriori, Malatini, & Bogliolo, 2017). ELIZA utiliza la coincidencia de patrones y un esquema de selección de respuestas basado en plantillas (Brandtzaeg & Følstad, 2017). Un inconveniente de ELIZA es que su conocimiento es limitado y, por lo tanto, puede discutirsolo en un dominio particular de temas. Además, no puede mantener conversaciones largas y no puede aprender o descubrir el contexto de la discusión.
En 1972 apareció PARRY; Actuó como un paciente con esquizofrenia
(Colby, Weber y Hilf, 1971). PARRY se considera más avanzado
que ELIZA es como se supone que tiene una "personalidad" y una mejor estructura de control. Define sus respuestas con base en un sistema de suposiciones y “respuestas emocionales” activadas por el cambio de peso en las expresiones del usuario (Colby, Hilf, Weber y Kraemer, 1972).
PARRY se utilizó en un experimento en 1979 cuando cinco jueces psiquiatras entrevistaron por teletipo a un paciente para decidir si era un programa de computadora o un paciente esquizofrénico real. Por lo tanto, los psiquiatras dieron diez diagnósticos. El primer psiquiatra dio dos diagnósticos correctos; otro dio dos incorrectas. El tercero consideró que ambos sujetos eran pacientes reales, y los otros dos diagnosticaron que ambos sujetos eran chatbots (Heiser, Colby, Faught y Parkison, 1979).
Sin embargo, la muestra de cinco psiquiatras es pequeña y el significado de los hallazgos no está claro ya que las personas con esquizofrenia tienen un grado de incoherencia en su habla. En general, PARRY se considera un chatbot con bajas capacidades en cuanto a la comprensión del lenguaje y la capacidad de expresar emociones. También tiene una baja velocidad de respuesta y no puede aprender de la conversación.
La Inteligencia Artificial se utiliza por primera vez en el dominio de los chatbots con la construcción de Jabberwacky en 1988 (Jabberwacky, 2019). Jabberwacky fue escrito en CleverScript, un lenguaje basado en hojas de cálculo que facilitó el desarrollo de chatbots, y utilizó la coincidencia de patrones contextuales para responder en base a discusiones previas.
Aun así, Jabberwacky no puede responder a alta velocidad y trabajar con una gran cantidad de usuarios (Jwala, 2019).
El término Chatterbot se mencionó por primera vez en 1991. Era un jugador artificial TINYMUD (mundo virtual en tiempo real multijugador), cuya función principal era chatear. Muchos jugadores humanos reales parecían preferir hablar con Chatterbot que con un jugador real. El Chatterbot tuvo éxito porque, en el mundo de TINYMUD, los jugadores asumían que todo el mundo era humano y que solo podían generar dudas si cometían un error significativo (Mauldin, 1994). Dr. Sbaitso (Sound Blaster Artificial Intelligent Text to Speech Operator) (Dr. Sbaitso, 2019), un chatbot creado en 1992, fue diseñado para mostrar las voces digitalizadas que las tarjetas de sonido podían producir. Desempeñó el papel de un psicólogo sin ningún tipo de
interacción complicada (Zemčík, 2019).
Otro paso adelante en la historia de los chatbots fue la creación, en 1995, de ALICE (Artificial Linguistic Internet Computer Entity), el primer chatbot online inspirado en ELIZA (Wallace, 2009). ALICE se basó en la coincidencia de patrones, sin ninguna percepción real de toda la conversación (Marietto et al., 2013) pero con una capacidad de discusión en la web que permitía la longitud e incluía cualquier tema. Sin embargo, tuvieron que pasar algunos años antes de que se mejorara para ganar el título del Premio Loebner al mejor programa informático similar a un humano (Bradeško & Mladenić, 2012). ALICE se desarrolló con un nuevo lenguaje creado para este propósito, el Lenguaje de marcado de inteligencia artificial (AIML), que es la diferencia más crítica entre ALICE y ELIZA. La base de conocimientos de ALICE constaba de unas 41 000 plantillas y patrones relacionados, una gran cantidad en comparación con ELIZA que solo tenía 200 palabras clave y reglas (Heller, Procter, Mah, Jewell y Cheung, 2005). Sin embargo, ALICE no tenía funciones inteligentes y no podía generar respuestas similares a las humanas que expresaran emociones o actitudes.
En 2001, hubo una verdadera evolución en la tecnología de los chatbots con el desarrollo de SmarterChild (Molnár & Zoltán, 2018), que estaba disponible en Messengers como America Online (AOL) y Microsoft 2 E. Adamopoulou y L. Moussiades Machine Learning with Applications 2 (2020) 100006 (MSN). Era la primera vez que un chatbot podía ayudar a las personas con tareas prácticas diarias, ya que podía recuperar información de bases de datos sobre horarios de películas, resultados deportivos, precios de acciones, noticias y clima. Esta capacidad marcó un desarrollo significativo tanto en la inteligencia de la máquina como en las trayectorias de interacción humano-computadora, ya que se podía acceder a los sistemas de información a través de conversaciones con un chatbot.
El desarrollo de los chatbots de inteligencia artificial fue un paso más allá con la creación de asistentes de voz personales inteligentes, integrados en teléfonos inteligentes o parlantes domésticos dedicados, que entendían los comandos de voz, hablaban con voces digitales y manejaban tareas como monitorear dispositivos domóticos, calendarios, correo electrónico y otro. Apple Siri (Siri), IBM Watson (Watson Assistant | IBM Cloud, 2020), Google Assistant (Google Assistant, su propio Google personal, 2019), Microsoft Cortana (Personal Digital Assistant—Cortana Home Assistant—Microsoft, 2019) y Amazon Alexa (¿Qué es exactamente Alexa? ¿De dónde viene? ¿Cómo funciona?, 2019) son los asistentes de voz más populares. También hay muchos otros asistentes de voz menos famosos que tienen características únicas, pero las mismas funciones básicas. Se conectan a Internet y, a diferencia de sus antecesores, crean rápidamente respuestas significativas (Hoy, 2018).
Siri (Siri), desarrollado por Apple en 2010, fue pionero en el camino para los asistentes personales. Los usuarios realizan consultas y conversaciones con él a través de Messengers mediante comandos de voz, e incluye integración con archivos de audio, video e imagen. Siri hace recomendaciones y responde a las solicitudes de los usuarios utilizando varios servicios de Internet, mientras se adapta, con un uso constante, a los usos del idioma, búsquedas y deseos de los usuarios (Siri, 2020). Aunque Siri es sofisticado, no está exento de debilidades. Requiere una conexión a Internet. Es multilingüe, pero hay muchos idiomas que no admite, mientras que las instrucciones de navegación solo se admiten en inglés. También tiene dificultades para escuchar al interlocutor, que tiene un acento fuerte o en presencia de ruido (Soffar, 2019).
En 2011, IBM creó un chatbot llamado Watson (Watson Assistant | IBM Cloud, 2020). Watson podía entender el lenguaje humano natural lo suficientemente bien como para ganar dos campeones anteriores en el concurso de preguntas "Jeopardy", en el que los participantes recibían información en forma de respuestas y debían adivinar las preguntas correspondientes. Años más tarde, Watson permitió a las empresas crear mejores asistentes virtuales. Además, Watson Health fue diseñado para ayudar a los médicos en el cuidado de la salud a diagnosticar enfermedades.
 Sin embargo, una desventaja de Watson es que solo admite inglés.
Google Now (Google now, 2020), desarrollado en 2012, se utilizó inicialmente para dar información al usuario teniendo en cuenta la hora del día, la ubicación y las preferencias. El Asistente de Google (Google Assistant, tu propio Google personal, 2019), que se desarrolló en 2016, constituye la próxima generación de Google Now. Tiene una inteligencia artificial más profunda con una interfaz más amigable y conversacional y brinda información a los usuarios prediciendo sus requisitos. Sin embargo, no tiene personalidad y sus preguntas pueden vulnerar la privacidad del usuario ya que está vinculada directamente a su cuenta de Google.
Microsoft diseñó un asistente personal que Cortana desarrolló en 2014 (Personal Digital Assistant—Cortana Home Assistant—Microsoft, 2019). Reconoce los comandos de voz y realiza tareas como la identificación de la hora y la posición, admite recordatorios basados ​​en personas, envía correos electrónicos y mensajes de texto,crea y administra listas, charla, juega y encuentra información que solicita el usuario. El principal inconveniente de Cortana que se ha informado es que puede ejecutar un programa que instalará malware (la falla de seguridad de Cortana significa que su PC puede estar comprometida, 2018).
El mismo año, Amazon (¿Qué es exactamente Alexa? ¿De dónde viene? ¿Y cómo funciona?, 2019) presentó a Alexa, que se integra en dispositivos para la domótica y el entretenimiento y haciendo así el Internet de las Cosas (IoT). ) más accesible para los humanos. Una innovación es que los desarrolladores pueden usar Alexa Skills Kit (ASK) para crear y publicar habilidades de Alexa gratuitas o de pago. Como informamos en la Sección 7, Alexa presenta problemas de seguridad.
Aunque los asistentes de voz personales permiten la comunicación de voz con sus usuarios, a menudo se producen malentendidos, ya que no pueden entender el idioma particular que las personas usan en el habla oral o no entienden todo el contexto de la conversación.
A principios de 2016, se produjo una evolución de la tecnología de inteligencia artificial que cambió drásticamente la forma en que las personas se comunican con los fabricantes. Las plataformas de redes sociales permitieron a los desarrolladores crear chatbots para su marca o servicio para permitir a los clientes realizar acciones diarias específicas dentro de sus aplicaciones de mensajería. A fines de 2016, 34 000 chatbots cubrían una amplia gama de usos (Wizu, 2018) en campos como marketing, sistemas de soporte, atención médica, entretenimiento, educación y patrimonio cultural. Se desarrollaron miles de chatbots basados ​​en texto con características específicas para plataformas de mensajería populares, soluciones industriales e investigación (Dale, 2016). Además, Internet of Things (IoT) introdujo una nueva era de objetos inteligentes conectados donde el uso de chatbots mejoró la comunicación entre ellos (Kar & Haldar, 2016).
También vale la pena mencionar Microsoft XiaoIce, que es un chatbot de IA que satisface la necesidad humana de sociabilidad. Aparte de su personalidad, su contribución al desarrollo de los chatbots es que tiene un cociente inteligente y emocional (IQ-EQ). Establece largas relaciones afectivas con sus usuarios, teniendo en cuenta las peculiaridades culturales y cuestiones éticas (Zhou, Gao, Li, & Shum, 2019).
La forma en que los chatbots hoy en día participan en una discusión es completamente diferente a la de su predecesora Eliza. Pueden compartir pensamientos personales y dramas familiares, ser relevantes, pero también confusos y engañar como lo hacen los humanos (Shah, Warwick, Vallverdú, & Wu, 2016).
Se observó un aumento creciente en el uso de chatbots, especialmente después de 2016 (Fig. 1). Según la Fig. 2, el país que ha mostrado más interés de investigación en chatbots es EE. UU., mientras que Reino Unido y Japón le siguen con menos de un tercio del número de artículos publicados en EE. UU.
3. Categorías de chatbots
La siguiente figura (Fig. 3) muestra las diferentes categorías de chatbots. Cada categoría ha sido definida en base a un criterio simple, y un chatbot puede pertenecer a más de una categoría a la vez.
Un chatbot puede acceder a una variedad de conocimientos, lo que determina su Dominio de conocimientos. Los chatbots que pueden responder cualquier pregunta del usuario desde cualquier dominio se denominan chatbots genéricos. Chorus (Chorus— A Crowd-Powered Conversational Agent on Google Hangouts, 2020) es un ejemplo de chatbot genérico. Los chatbots como Guardian (Good & Wilk, 2016), CRQA (Savenkov & Agichtein, 2016) o AskWiz que operan en más de un dominio son chatbots cruzados o de dominio abierto.
Por el contrario, los chatbots de dominio específico como InstuctableCrowd, Legion: Mobile o SnapTravel solo pueden responder preguntas relacionadas con un dominio de conocimiento en particular (Kucherbaev, Bozzon y Houben, 2018).
Los chatbots que ofrecen servicios como servicios de reserva en restaurantes, aerolíneas o búsquedas en preguntas frecuentes sin ser un compañero amigable, pertenecen a los chatbots interpersonales. Los chatbots intrapersonales son compañeros cercanos que viven en el dominio del usuario y entienden sus necesidades. Suelen estar conectados a aplicaciones de mensajería como Slack y WhatsApp.
Finalmente, los chatbots entre agentes proporcionan comunicación con otros chatbots. Alexa y Cortana son dos chatbots que se integraron para comunicarse entre sí (Nimavat & Champaneria, 2017).Finalmente, los chatbots entre agentes proporcionan comunicación con otros chatbots. Alexa y Cortana son dos chatbots que se integraron para comunicarse entre sí (Nimavat & Champaneria, 2017).
El método de generación de respuestas separa los chatbots en chatbots basados ​​en reglas, basados ​​en recuperación y basados ​​en generativos, que analizamos en la siguiente sección (Hien, Cuong, Nam, Nhung y Thang, 2018).
En algunos casos donde se necesita más flexibilidad, la operación de un chatbot se puede combinar con la intervención humana. Un chatbot mediado por humanos utiliza computación humana en al menos una parte de él. Los chatbots completamente autónomos pueden tener debilidades que pueden ser superadas por el personal que trabaja para integrar su inteligencia en ellos. Sin embargo, la computación humana carece de velocidad en el procesamiento de la información y es inevitable hacer frente a una gran cantidad de solicitudes de los usuarios (Kucherbaev et al., 2018).
Dependiendo de los permisos proporcionados por las plataformas de desarrollo, los chatbots se pueden dividir en de código abierto o comerciales, que analizamos más adelante en la Sección 9.
Finalmente, otra clasificación depende del canal de comunicación que utilicen los chatbots, que puede ser texto, voz, imagen o todos. Los chatbots más recientes ahora pueden reaccionar a las imágenes y, además de reconocer objetos en las imágenes, también pueden comentar sobre ellos y expresar sus emociones (Shum, He y Li, 2018).
4. Enfoques de bots conversacionales
Existen dos enfoques para desarrollar un chatbot según los algoritmos y las técnicas adoptadas: enfoques de coincidencia de patrones y aprendizaje automático.
4.1. Enfoques de coincidencia de patrones
Los chatbots basados ​​en reglas hacen coincidir la entrada del usuario con un patrón de reglas y seleccionan una respuesta predefinida de un conjunto de respuestas con el uso de algoritmos de coincidencia de patrones. El contexto también puede contribuir a la selección de reglas y el formato de la respuesta (Marietto et al., 2013).
ELIZA y su sucesora ALICE fueron los primeros chatbots en utilizar la coincidencia de patrones. Al mismo tiempo, mientras PARRY, PC Therapist III, Chatterbot in ‘‘TinyMUD’’, TIPS, FRED, CONVERSE, HEX, Albert y Jabberwacky (Bradeško & Mladenić, 2012; Masche & Le, 2018) utilizan esta técnica.
Los sistemas basados en reglas, por lo general, no crean nuevas respuestas, ya que el desarrollador escribe el conocimiento utilizado en forma de patrones conversacionales (Ramesh, Ravishankaran, Joshi y Chandrasekaran, 2017).
Cuanto más extensa es la base de datos con las reglas, más 4 E. Adamopoulou y L. Moussiades Machine Learning with Applications 2 (2020) 100006 Fig. 3. Clasificación de los chatbots.
Un chatbot es capaz de responder a las preguntas del usuario. Como se necesitan miles de reglas para que este tipo de chatbot funcione correctamente, es difícil lidiar con errores gramaticales y sintácticos en las respuestas del usuario. Cleverbot, Chatfuel y Watson son algunos chatbots basados en reglas (Ramesh et al., 2017).
En la mayoría de los chatbots basados ​​en reglas para la comunicación de un solo turno, se selecciona la respuesta teniendo en cuenta solo la última respuesta. Los chatbots similares a los humanos usan una selección de respuesta de varios turnos en la que cada respuesta se usa como retroalimentación para elegir una respuesta que sea normal y apropiada para todo el contexto (Wu, Wu, Xing,Zhou y Li, 2016).
La desventaja del enfoque de coincidencia de patrones es que las respuestas son automáticas, repetidas y no tienen la originalidad y espontaneidad de la respuesta humana (Ramesh et al., 2017). Por otro lado, existe un tiempo de respuesta rápido, ya que no se realiza un examen sintáctico o semántico más profundo del texto de entrada (Jia, 2009).
En las siguientes subsecciones, se describen y comparan tres de los lenguajes más comunes para la implementación de chatbots con el enfoque de coincidencia de patrones en sus funcionalidades básicas. Estos lenguajes son AIML, Rivescript y Chatscript.
Lenguaje de marcado de inteligencia artificial (AIML) Durante los años 1995 a 2000, los desarrolladores crearon el Lenguaje de marcado de inteligencia artificial (AIML) (Marietto et al., 2013), para construir
la base de conocimientos de los chatbots que adoptan el enfoque Pattern Matching. Está basado en XML y es de código abierto. ALICE fue el primer chatbot con una Base de Conocimiento implementada en el lenguaje AIML.
Gracias a su usabilidad, facilidad de aprendizaje y ejecución, y la disponibilidad de colecciones de AIML creadas previamente, AIML es el lenguaje de chatbot más utilizado (Arsovski, Muniru y Cheok, 2017).
Los objetos de datos AIML consisten en temas, que incluyen categorías relevantes para ellos. Una categoría es una regla del chatbot, que tiene un patrón para representar la entrada del usuario y una plantilla para describir la respuesta del chatbot. El patrón puede incluir palabras, símbolos comodines y espacios individuales. Todas las categorías se almacenan en un objeto llamado Graphmaster, que tiene la forma de un árbol con sus nodos que representan las categorías y sus hojas que representan las plantillas que son las respuestas del chatbot. AIML utiliza una técnica de coincidencia de patrones que realiza una primera búsqueda profunda en el Graphmaster para encontrar el mejor patrón (Wallace, 2009)Gracias a su usabilidad, facilidad de aprendizaje y ejecución, y la disponibilidad de colecciones de AIML creadas previamente, AIML es el lenguaje de chatbot más utilizado (Arsovski, Muniru y Cheok, 2017).
Los objetos de datos AIML consisten en temas, que incluyen categorías relevantes para ellos. Una categoría es una regla del chatbot, que tiene un patrón para representar la entrada del usuario y una plantilla para describir la respuesta del chatbot. El patrón puede incluir palabras, símbolos comodines y espacios individuales. Todas las categorías se almacenan en un objeto llamado Graphmaster, que tiene la forma de un árbol con sus nodos que representan las categorías y sus hojas que representan las plantillas que son las respuestas del chatbot. AIML utiliza una técnica de coincidencia de patrones que realiza una primera búsqueda profunda en el Graphmaster para encontrar el mejor patrón (Wallace, 2009)
Un chatbot implementado con AIML es, hasta cierto punto, consciente del contexto.
Puede responder a la entrada del usuario de diferentes maneras al azar o en función del valor de las variables actualizadas durante la conversación.
En la Fig. 4, mostramos una parte de una base de conocimiento escrita en AIML.
Teniendo en cuenta el código AIML de la Fig. 4, una posible conversación entre un usuario y un chatbot podría ser la siguiente (Fig. 5): Vale la pena mencionar que AIML, y otros lenguajes de coincidencia de patrones, a veces se usan junto con Latent Análisis Semántico (LSA) u otras técnicas. Por ejemplo, AIML puede responder preguntas basadas en plantillas específicas, mientras que las preguntas que no pueden responderse de esta manera pueden usar LSA para la producción de respuestas (Nt, 2016).
RiveScript RiveScript (Lenguaje de secuencias de comandos de inteligencia artificial—RiveScript.com, 2019), creado en 2009, es un lenguaje de secuencias de comandos basado en líneas que implementa la base de conocimientos en chatbots basados ​​en reglas. Es de código abierto y tiene interfaces disponibles para muchos lenguajes de programación como Java y Python.
 
memoria, ChatScript también incluye memoria a largo plazo que utiliza variables que almacenan información específica del usuario y se puede usar directamente o junto con condicionales para producir respuestas de chatbot (Ramesh et al., 2017).
Algunos chatbots implementados con Chatscript son Suzette, Rosette,
Chip Vivant y Mistsuku (Bradeško & Mladenić, 2012).
La conversación en la Fig. 5 está implementada en ChatScript, como se muestra en la figura 7.
Discusión sobre los lenguajes de coincidencia de patrones Hay ventajas y desventajas al usar AIML, Rive Script o Chatscript para implementar un chatbot (Arsovski et al., 2017).
RiveSript ofrece funciones integradas adicionales y más etiquetas que AIML.
Más específicamente, no hay necesidad de archivos de configuración adicionales para definir información sobre el chatbot, por ejemplo, su nombre, que es necesario para AIML. Además, aplica el principio de herencia en sus temas, hay respuestas aleatorias ponderadas y macros de objetos.
En AIM, cada entrada del usuario se transforma a mayúsculas para minimizar el patrón de coincidencia de gastos generales. Sin embargo, esto va en detrimento de la emoción expresada cuando el usuario utiliza mayúsculas. Para abordar este inconveniente y ampliar el potencial de las respuestas dadas a la misma entrada del usuario, ChatScript distingue entre mayúsculas y minúsculas. Sin embargo, el lenguaje de secuencias de comandos de ChatScript es más complicado que RiveScript y AIML, lenguajes delimitados por líneas analizadas. También está basado en el significado, y su soporte de conceptos hace que, además de crear un chatbot, sea un sistema para manipular el lenguaje humano. Por lo tanto, el desarrollador no necesita escribir muchas reglas. ChatScript puede combinar varias reglas de formas complicadas y proporcionar respuestas que no se pueden expresar por igual en AIML o RiveScript. Además, el código de RiveScript se puede traducir a ChatScript, pero no al revés.
4.2. Enfoques de aprendizaje automático
Los chatbots que adoptan enfoques de aprendizaje automático en lugar de coincidencia de patrones extraen el contenido de la entrada del usuario mediante el procesamiento de lenguaje natural (NLP) y disponen de la capacidad de aprender de las conversaciones. Consideran todo el contexto del diálogo, no solo el turno actual, y no requieren una respuesta predefinida para cada entrada de usuario posible. Por lo general, necesitan un amplio conjunto de entrenamiento, cuyo hallazgo puede constituir una dificultad crucial ya que los conjuntos de datos disponibles pueden ser inadecuados. Por ejemplo, el corpus de guiones de películas puede ser demasiado amplio o una línea de ayuda de TI puede ser demasiado específica (Lin, D'Haro y Banchs, 2016).
A menudo, las redes neuronales artificiales (ANN) se utilizan para la implementación de estos chatbots. Los modelos basados en recuperación utilizan una red neuronal para asignar puntajes y seleccionar la respuesta más probable de un conjunto de respuestas.
Por el contrario, los modelos generativos sintetizan la respuesta, generalmente utilizando técnicas de aprendizaje profundo.
Comprensión del lenguaje natural (NLU)
Los chatbots usan la comprensión del lenguaje natural (NLU) (McShane, 2017) para recuperar el contexto de la entrada del usuario no estructurada en lenguaje humano y responder en función de la intención del usuario actual (Jung, 2019). Los tres problemas principales planteados durante el proceso de la NLU son los mecanismos del pensamiento, la interpretación y el conocimiento general del usuario (Chowdhury, 2003).
NLU admite la clasificación de la intención y la extracción de entidades, teniendo en cuenta la información de contexto. Las entidades pueden estar definidas por el sistema o definidas por el usuario. Los contextos son cadenas que almacenan el objeto al que se refiere el usuario (Ramesh et al., 2017). El modelo de clasificación de intención puede ser un clasificador como, porejemplo, un algoritmo lineal SVM, o puede ser un modelo pre -capacitado creado por la clasificación manual de mensajes de texto recopilados de los usuarios en temas (intentos).
Del mismo modo, el modelo de extracción de entidad puede ser pre entrenado mediante entidades de anotación de ManuLy en los mensajes de texto del usuario. Por esta razón, se puede crear un corpus de entrenamiento anotado haciendo coincidir una etiqueta con cada bloque de palabras. Después de que los modelos hayan sido capacitados, pueden clasificar automáticamente los nuevos mensajes de texto del usuario en intentos y extraer entidades (Hien et al., 2018).
Redes neuronales artificiales
La recuperación y los chatbots basados ​​en generación utilizan varios tipos de redes neuronales artificiales. El sistema toma la entrada del usuario, calcula sus 7 representaciones vectoriales de E. Adamopoulou y L. Moussiades con aplicaciones 2 (2020) 100006 Representaciones vectoriales, lo alimenta como características de la red neuronal y produce la respuesta. El proceso de mapeo de palabras en vectores se llama incrustación de palabras, y varios métodos pueden ser simples o usar técnicas de aprendizaje profundo como Word2vec (Mikolov, SutsKever, Chen, Corrado y Dean, 2013).
En los sistemas basados ​​en la recuperación, las redes neuronales artificiales se capacitan utilizando los vectores de entrada e intentos del usuario. Toman como entrada el vector de entrada del usuario y dan una probabilidad de cada intención. La clasificación de las entidades en la entrada del usuario se realiza mediante sistemas de reconocimiento de entidad nombrados (NER), que también pueden usar técnicas de aprendizaje profundo.
Si bien los chatbots basados ​​en generación son útiles para involucrar a una persona en conversaciones informales de dominio abierto, no son ideales para las comunicaciones de dominio cerradas en las que los chatbots basados ​​en los gobernados son adecuados. Los chatbots híbridos utilizan un enfoque basado en la recuperación y un APACH generativo para responder a la entrada del usuario si no hay coincidencia en ninguna de las reglas (Mathur y Lopez, 2019).
Redes neuronales recurrentes
Los desarrolladores de chatbots usan redes neuronales recurrentes (RNN) (Chung, Gulcehre, Cho y Bengio, 2014) para tener en cuenta el contexto anterior en una conversación. En RNN, la nueva entrada de usuario e información de datos anteriores alimentan a las neuronas. De esta manera, un bucle pasa conocimiento de una parte de la red a la siguiente.
Además, cuando los desarrolladores de chatbots deben consultar anteriormente en formación y aprender dependencias a largo plazo, utilizan redes de memoria a corto plazo a corto plazo (LSTMS), un tipo particular de RNN (Xu et al., 2017).
Hasta qué punto el desarrollador quiere volver en la información de una discusión puede ser un parámetro configurable.
Se desarrolló un chatbot para responder preguntas frecuentes (preguntas frecuentes) con el uso de redes neuronales recurrentes LSTM, y los resultados experimentales mostraron que el chatbot podría reconocer preguntas y responderlas con un nivel muy alto de precisión (Muangkammuen, Intiruk y Saikaew, 2018, 2018 ). Además, en Kim, Kwon y Kim (2020), RNN y unidades recurrentes cerradas bidireccionales (Grus) se usaron además de un mecanismo de atención para generar las respuestas apropiadas combinando el contexto de la conversación y el conocimiento dado.
Modelo de secuencia a secuencia
Un modelo típico basado en generación es la secuencia a la secuencia (SEQ2SEQ), que genera una secuencia objetivo al observar la secuencia de origen. La secuencia de origen es la entrada del usuario, y la secuencia de destino es la respuesta del chatbot (Ramesh et al., 2017). Se pueden usar dos RNN como codificador y el decodificador, que es la versión más básica y original del modelo, o LSTMS y Grus (Chung et al., 2014), puede usarse para modelar oraciones más largas. Dichas redes neuronales se entrenan utilizando backpropagation a través del tiempo, una versión modificada de backpropagation (Mathur y Lopez, 2019).
En Zhou, Huang, Zhang, Zhu y Liu (2017) y Zhou et al. (2019), los chatbots emocionalmente conscientes se implementaron utilizando SEQ2SEQ con Gru. En otra investigación (Cho, Van Merrienboer, Gulcehre, Bahdanau, Bougares, Schwenk y Bengio, 2014), se propuso un codificador de RNN para generar una secuencia objetivo a partir de una secuencia de origen utilizando una unidad oculta con un restablecimiento y actualización de la unidad de actualización a Controle la información que recuerda. Además, en Shaikh, más, Puttoo, Shrivastav y Shinde (2019), se propuso un chatbot que inscribe a un amigo virtual usando SEQ2SEQ.
Modelos SEQ2SEQ profundos
Los chatbots generativos pueden tener un rendimiento mejor y más humano cuando el modelo es más profundo y tiene más parámetros, como en el caso de los modelos SEQ2SEQ profundos que contienen múltiples capas de redes LSTM (Csaky, 2017).
En Serban et al. (2016), se introduce un modelo de codificador recurrente jerárquico de variable latente (VHRED), que mantiene el contexto a largo plazo de la conversación y genera salidas extendidas.
En otra investigación, se desarrolló un chatbot de dominio abierto con el uso de redes neuronales recurrentes bidireccionales (BRNN) y capas de atención para dar las respuestas apropiadas cuando la entrada del usuario consta de más de 20 palabras (Dhyani y Kumar, 2020). Se propuso un chatbot multilingüe basado en modelos Seq2SEQ profundos con células Gru para apoyar a las personas en sus actividades de patrimonio cultural (Sperlí, 2020).
5. Arquitectura general
Un diseño arquitectónico de chatbot apropiado es útil para el estudio de chatbots y el aspirante a creador de chatbots. Por lo tanto, se han propuesto varios diseños arquitectores (Tabla 1). En Khanna et al. (2015), los autores proponen una arquitectura, pero es específica para los chatbots basados ​​en reglas. Del mismo modo, Wu et al. (2016) presentan una arquitectura, que es específica para los chatbots basados ​​en la recuperación. Además, no incluyen un diseño. En Zumstein y Hundertmark (2017), la base de conocimiento del chatbot está conectada a otras bases de datos y sistemas de información que dan respuestas a las consultas del usuario. Sin embargo, hay una ausencia de servicios vitales como el análisis de sentimientos y el manejo de la ambigüedad. Un diseño interesante de Khan (2017) presenta una arquitectura estructurada en capas.
Sin embargo, es bastante abstracto ya que no proporciona detalles esenciales para cada capa. Además, no discute cómo se analiza la entrada del usuario y cuáles son los componentes del componente de administración de diálogo.
Además (Nimavat y Champaneria, 2017), presenta un diseño simplista que carece de muchos detalles esenciales; Por ejemplo, no hay información sobre el backend. En Zhou et al. (2017), se propone un chatbot que genera respuestas emocionalmente consistentes, pero el diseño de la arquitectura se centra solo en el módulo de generación de respuesta. Hahm trabaja en arquitectura (Hahm, Kim, An, Lee y Choi, 2018) también, pero no ofrece un diseño arquitectónico. La arquitectura en S. y Balakrishnan (2018) sirve a la integración de Big Data con la base de conocimiento de un chatbot.
Sin embargo, se trata solo de modelos basados ​​en reglas implementados con AIML.
En Misevics, Grundspen¸ k¸ IS, y Rollande (2018), se presenta un diseño tural detallado para un chatbot que apoya a los estudiantes. Este diseño carece de un componente de análisis de sentimientos. En Zhou et al. (2019), se presenta la arquitectura detallada de Microsoft Xiaoice. Incluye muchas características interesantes, pero es específica de Xiaoice. En Villegas, Arias-Navarrete y Palacios (2020), la investigación se centra en las capas del campus y en cómo están conectados a un chatbot, pero no ofrece un diseño arquitectónico del chatbot.
En esta sección, componemos un diseño arquitectónico (Fig. 8) que es general y, al mismo tiempo,incluye todos los detalles que consideramos cruciales. Describimos los componentes principales y las partes individuales que contienen y nos centramos en lo que consideramos más importante. El desarrollador puede decidir qué partes implementará dependiendo del tipo de chatbot.
En la Tabla 1 hay un resumen de las características arquitectónicas de los chatbots de los estudios mencionados anteriormente y la arquitectura propuesta.
5.1. Componente de interfaz de usuario
El funcionamiento del chatbot comienza cuando recibe la solicitud del usuario a través de una aplicación que usa entrada de texto o voz, como una aplicación de mensajería como Facebook, Slack, WhatsApp, WeChat, Viber o Skype.
5.2. Componente de análisis de mensajes de usuario
El controlador de interfaz de usuario dirige la solicitud del usuario al componente de análisis de mensajes de usuario para encontrar la intención del usuario y extrae entidades siguiendo enfoques de aprendizaje automático o coincidencia de patrones.
El mensaje del usuario se puede retener como texto sin formato, lo que mantiene todas las estructuras gramaticales y sintácticas de la entrada sin cambios o procesadas por Procesamiento del lenguaje natural (NLP) (Chowdhury, 2003; Khurana et al., 2017).
Más precisamente, a través de su entrada al chatbot, los usuarios expresan su propósito, que es la intención. El chatbot debe comprender la intención del usuario y realizar las acciones requeridas. Las diferentes entradas de los usuarios desencadenan diferentes intentos y pueden incluir parámetros, llamados entidades, para determinar detalles precisos sobre ellos (Ramesh et al., 2017).
Ciertos servicios cognitivos se pueden vincular al componente de análisis de mensajes de usuario para mejorar la precisión.
• Un corrector ortográfico corrige los errores ortográficos del usuario, ya que la entrada "purificada" generalmente da como resultado una mejor identificación de la intención.
• Se utiliza un traductor automático en el caso de usuarios de chatbot multilingües. El idioma del usuario se identifica y se traduce al idioma de la NLU del chatbot.
• El análisis de sentimiento se aplica a la entrada del usuario para ver cuán satisfecho o irritado parece estar el usuario. En algunos casos, una persona real puede necesitar conectarse a la discusión si el usuario parece muy frustrado.
El análisis de sentimiento detecta una opinión positiva o negativa dentro de un texto. En Tatai, Csordás, Kiss, Szaló y Laufer (2003), se registraron las reacciones de los usuarios mientras discutían con chatbots que utilizaban diferentes sentimientos. Se prefirieron las respuestas positivas del chatbot, independientemente del sentimiento de entrada del usuario. Por lo tanto, los chatbots deben analizar el sentido de la entrada y aprender solo de las entradas positivas ignorando las que tienen una visión negativa o dañina (Bird, Ekart y Faria, 2019). Una base de datos completa de mapeo de expresión-emoción que mapea palabras y expresiones en emociones respalda un chatbot emocionalmente capaz (Tatai et al., 2003). Los servicios de análisis de sentimientos basados ​​en la nube ya están mejor calificados y también se pueden usar en chatbots para obtener análisis de sentimientos a partir de la entrada del usuario (Keijsers, Bartneck y Kazmi, 2019).
5.3. Componente de gestión de diálogo
El componente de gestión de diálogos controla y actualiza el contexto de la conversación. Mantiene la intención actual y las entidades identificadas hasta ese punto de la conversación. Si el chatbot no puede recopilar la información de contexto necesaria, solicita información de contexto adicional del usuario para cumplir con las entidades que faltan. También hace preguntas de seguimiento después de reconocer la intención (Kucherbaev et al., 2018).
El componente de gestión de diálogo normalmente incluye los siguientes módulos.
Manejo de la ambigüedad. Este módulo brinda respuestas cuando el chatbot no puede encontrar la intención de la solicitud del usuario o si no se reconoce ninguna entrada. El chatbot puede indicar que no tenía respuesta, pedir aclaraciones, iniciar una nueva discusión (Heller et al., 2005) o dar una respuesta general que abarque una variedad de temas para que el usuario quede satisfecho, aunque haya preguntado. la pregunta más imprevisible.
Manejo de datos. La información del usuario se almacena en un archivo. De esta forma, el chatbot puede modificar sus respuestas en función del usuario dando la impresión de ser más inteligente.
Manejo de errores. El módulo de gestión de errores se ocupa de los errores inesperados para garantizar el funcionamiento adecuado del chatbot (Khanna et al., 2015).
Después de la identificación de la intención, el chatbot procede a las siguientes acciones, que pueden ser la recuperación de información del Backend o la respuesta al usuario. En el primer caso, el identificador de flujo de control permanece dentro del Componente de gestión de diálogos, que lo utiliza para determinar la siguiente acción. En cambio, en este último caso, el control pasa al Backend.
5.4. back-end
El chatbot recupera la información necesaria para cumplir con los requisitos del usuario.
intención del Backend a través de llamadas de API externas o solicitudes de base de datos. Una vez que se extrae la información adecuada, se envía al Módulo de gestión de diálogos y luego al Módulo de generación de respuestas.
Cuando se utilizan chatbots basados ​​en reglas, existe una base de conocimiento (KB). Incluye una lista de respuestas escritas a mano que corresponden a las entradas del usuario. Para que un chatbot se mantenga firme, la base de conocimiento debe cubrir una amplia variedad de consultas de los usuarios y contener una variedad de respuestas a la misma entrada del usuario para evitar la redundancia de respuestas (Khanna et al., 2015).
Se puede utilizar una base de datos relacional (RDB) para que el chatbot pueda recordar conversaciones pasadas, haciendo que la comunicación sea más consistente y relevante. Este enfoque brinda consistencia y precisión al diálogo, ya que permite que el chatbot acceda al historial de información anterior (A & John, 2015).
Crear la base de conocimiento de un chatbot es una tarea necesaria, pero a menudo exigente y que requiere mucho tiempo porque se desarrolla manualmente.
Se propuso un método que construye automáticamente la base de conocimientos de un nuevo chatbot a partir de uno existente (Arsovski, Osipyan, Oladele y Cheok, 2019). Además, un programa transforma un corpus en la base de conocimiento AIML de un chatbot (Shawar & Atwell, 2004)(AbuShawar & Atwell, 2015). A menudo, los chatbots basados ​​en reglas completan su base de conocimientos haciendo preguntas al usuario y animándolo a tener largas conversaciones (Hahm et al., 2018).
La Base de Conocimiento también puede soportar Ontologías (Redes Semánticas) como Wordnet u OpenCyc (Al-Zubaide & Issa, 2011). El chatbot actualiza el estado de la conversación y busca en los nodos del Knowledge Graph para hacer conexiones de los conceptos utilizados en la conversación (Chowdhury, 2003). Además, en S. y Balakrishnan (2018), la base de conocimiento de AIML se enriqueció a partir de una base de conocimiento de big data con la conexión del chatbot al entorno de big data.
El uso de trucos de lenguaje en la base de conocimiento de un chatbot lo hace más parecido a un humano. Estos trucos simulan el comportamiento de las personas en una conversación, como respuestas estereotipadas, errores de escritura, la forma de escribir, la existencia de una personalidad e incluso respuestas irracionales (aza, muha, zura y Ahmad, 2018).
5.5. Componente de generación de respuestas
El componente de generación de respuestas produce respuestas utilizando uno o más de los tres modelos disponibles: modelos basados ​​en reglas, basados ​​en recuperación y basados ​​en generativos.
El modelo basado en reglas selecciona la respuesta de un conjunto de reglas sin generar nuevas respuestas de texto. El componente de gestión de diálogopasa los valores de marcador de posición que pueden ser necesarios para completar la plantilla para la respuesta al módulo de generación de respuesta. Los modelos basados ​​en reglas utilizan una base de conocimiento (KB) organizada con patrones conversacionales (Ramesh et al., 2017).
El modelo basado en Retrieval es más flexible ya que selecciona la respuesta más adecuada con la verificación y análisis de los recursos disponibles mediante APIs (Hien et al., 2018).
El modelo generativo utiliza la generación de lenguaje natural (NLG) (Singh, Darbari, Bhattacharjee y Verma, 2016) para responder en un lenguaje natural similar al humano en función de las últimas y anteriores entradas. Sin embargo, desarrollar y entrenar un modelo de este tipo es un desafío porque necesita un amplio conjunto de datos para que el entrenamiento establezca una conversación fructífera (Hien et al., 2018). Cuando el corpus de entrenamiento es pequeño, se cometen errores gramaticales, particularmente en oraciones largas (Kim, Lee, Kim, Lee, & Kim, 2018).
También ha habido enfoques híbridos que comparan la respuesta recuperada con la generada y eligen la mejor (Song et al., 2018).
Cuando el chatbot produce una respuesta, se la presenta al usuario y espera hasta que tenga retroalimentación (Kompella, 2018).
6. Desarrollo
En esta sección, discutimos temas críticos más allá del diseño arquitectónico, relacionados con la construcción de chatbots.
6.1. El proceso de creación de un chatbot
La creación de un chatbot comienza con la planificación de los objetivos, los procedimientos y los requisitos del usuario. A continuación, se desarrolla el chatbot utilizando un lenguaje de programación o una plataforma de desarrollo de chatbot, y luego, las funcionalidades del chatbot se prueban localmente. Luego, el chatbot se publica en un sitio web en línea o en un centro de datos, y se conecta a uno o más canales para enviar y recibir mensajes. En este punto, la integración adecuada de un chatbot en una aplicación es crucial y existen tres metodologías para hacerlo: integración mediante API, integración manual o integración de terceros (Trivedi et al., 2019).
Finalmente, la evaluación se lleva a cabo mediante la recopilación de datos durante un tiempo fijo después de la implementación para que los desarrolladores puedan detectar errores y usar la entrada para mejorar el rendimiento y las capacidades del chatbot.
La selección de algoritmos o plataformas para construir chatbots depende de lo que el chatbot debe proporcionar a los usuarios y en qué categoría se encuentra (Nimavat & Champaneria, 2017). La selección adecuada puede resultar en los beneficios de la conectividad, la eficiencia, las revisiones de producción rápidas y sin complicaciones y el mínimo esfuerzo para el diseñador. Tenga en cuenta que un chatbot se considera más eficiente cuando el usuario puede conectarse directamente sin descargarlo e instalarlo.
Un chatbot se puede desarrollar utilizando lenguajes de programación como Java y Python o una plataforma de desarrollo de chatbot que puede ser comercial o de código abierto (Nayyar, 2019). Las plataformas de código abierto incluyen RASA (Rasa, 2019), Botkit Botkit: Building Blocks for Building Bots (2019), Chatterbot Acerca de ChatterBot: documentación de hatterBot 1.0.2 (2019), Pandorabots (Pandorabots: Home, 2019), Botlytics (Botlytics, 2019) y Microsoft Bot Framework (Microsoft Bot Framework, 2019), mientras que las plataformas comerciales incluyen Botsify (Botsify, 2019), Chatfuel (Chatfuel, 2020), Manychat (ManyChat – Chat Marketing Made Easy, 2019) y Flow XO (AI Online Chatbot Software, chat en vivo en sitios web, 2019). Algunas plataformas en la nube de NLU (Braun, Hernandez-Mendez, Matthes y Langen, 2017) con tecnología de aprendizaje automático son Google DialogFlow (Dialogflow,
2019), Facebook wit.ai (Wit.ai., 2019), Microsoft LUIS (LUIS (Language Understanding) – Cognitive Services – Microsoft Azure, 2019), IBM Watson Conversation (IBM Watson, 2019), Amazon Lex (Amazon Lex – Build Conversation Bots, 2019) y SAP Conversation AI (SAP Conversational AI | Automatice el servicio al cliente con AI Chatbots, 2019).
Las plataformas de código abierto hacen que su código esté disponible y el desarrollador puede tener el control total de la implementación. Si bien las plataformas comerciales no otorgan un control total a los desarrolladores, estos generalmente se benefician de la eficiencia de los datos para entrenar a sus chatbots. Además, las plataformas comerciales facilitan la fácil integración con otros productos de la plataforma. Por ejemplo, un chatbot creado con Dialogflow puede interactuar fácilmente con el Asistente de Google y otros dispositivos de Google. Otro
Las instalaciones que muchas plataformas de desarrollo pueden ofrecer incluyen:
1. Fácil adición de intenciones y fácil prueba de activación de intenciones (Greyling, 2020).
2. Gestión del contexto. La mayoría de las plataformas de desarrollo, aunque utilizan enfoques técnicamente diferentes, admiten la gestión de contextos (Contexts | Dialogflow Documentation, 2020; Im portance of context in a chatbot chat | IBM, 2020). La gestión adecuada del contexto es fundamental para la clasificación de intenciones. Por ejemplo, si el enunciado del usuario es "¿En Kavala, hoy?", lo más probable es que la respuesta sea el resultado de una intención no clasificada. Sin embargo, si se activa un contexto como "pronóstico del tiempo", una respuesta exitosa informará el pronóstico del tiempo en Kavala el día de la conversación.
3. Compatibilidad con entidades predefinidas y definidas por el usuario y detección automática de valores de entidad.
4. Admite la búsqueda en colecciones de documentos de conocimiento, como preguntas frecuentes o artículos, para encontrar respuestas (Charrison, 2020; Conectores de conocimiento | Documentación de Dialogflow | Google Cloud, 2020).
Las plataformas individuales también pueden ofrecer instalaciones adicionales. Por ejemplo, Google Dialogflow admite eventos, tanto definidos por la plataforma como personalizados. En lugar de la entrada del usuario, los eventos también pueden desencadenar intentos.
Por ejemplo, un evento ocurrido en un momento específico puede desencadenar un intento de alertar al usuario de que su tiempo de descanso ha terminado (Eventos | Documentación de Dialogflow | Google Cloud, 2020).
Finalmente, las plataformas de desarrollo pueden combinarse con lenguajes de programación si los requerimientos del proyecto así lo exigen.
Por lo tanto, las plataformas de desarrollo pueden ser una parte integral de la implementación de un chatbot. Por supuesto, antes de elegir una plataforma comercial, se deben considerar los costos que implica su uso.
6.2. Entrenando un bot conversacional
Hay muchos corpus disponibles para entrenar chatbots (Serban, Lowe, Charlin y Pineau, 2015). Los enfoques de redes neuronales de charlas generalmente se entrenan en corpus de guiones de películas o diálogos de plataformas web. Un chatbot entrenado en tales conjuntos de datos, formados por discusiones entre diferentes hablantes, a menudo carece de una personalidad específica (Zhang et al., 2018). Además, pueden surgir varios problemas cuando se utiliza un corpus de diálogo con ejemplos de diálogo humano para volver a entrenar un chatbot (Atwell & Shawar, 2003). Cuando el corpus de diálogo no es lo suficientemente grande para el entrenamiento, las respuestas del chatbot pueden tener errores sintácticos o semánticos.
Por lo tanto, se han propuesto métodos para entrenar previamente un chatbot utilizando un gran corpus sin diálogo y para volver a entrenarlo utilizando un pequeño corpus de diálogo (Tammewar, Pamecha, Jain, Nagvenkar y Modi, 2018).
A veces, se utilizan corpus de diálogo y enfoques de aprendizaje automático para generar las reglas AIML y, por lo tanto, entrenar chatbots basados ​​en reglas (Shawar & Atwell, 2010). Además, se han creado automáticamente varias versiones de un chatbot en diferentes idiomas (Shawar & Atwell, 2005).
Los desarrolladoresde chatbots generalmente conservan los archivos de las conversaciones después de que se implementa el chatbot. Les ayuda a comprender mejor las solicitudes de los usuarios y mejorar el chatbot, que está continuamente aprendiendo a través del análisis de estas conversaciones (et al. 2018). Se extraen nuevos ejemplos de capacitación de las conversaciones en las que participa un chatbot cuando la conversación va bien o se solicitan comentarios (Hancock, Bordes, Mazare y Weston, 2019).
6.3. Conectar el chatbot a un canal
En los últimos años, los chatbots han ganado popularidad y se utilizan en varias aplicaciones de mensajería o se conectan a sitios web.
Facebook es una red social popular para chatbots, principalmente para realizar transacciones o servicios en lugar de discutir con los usuarios.
Los chatbots de Facebook Messenger suelen formar parte de chats grupales y realizan funciones como proporcionar estadísticas sobre un partido deportivo, crear una lista de reproducción de música o dar respuestas inteligentes, como informar sobre el horario comercial o hacer una reserva sin salir de la ventana de chat. Por lo tanto, los chatbots de Facebook brindan soporte principalmente a los usuarios de forma secretarial en lugar de comunicarse con ellos.
Los chatbots de Skype, al igual que los de Facebook, se usan comúnmente en chats grupales con fines funcionales. Los chatbots de Skype se vuelven más interactivos cuando brindan a los usuarios la alternativa del chat de voz en lugar de escribir.
Twitter adopta un nuevo enfoque para sus chatbots, ofreciendo una plataforma para que las empresas se conecten con sus clientes y brinda una interacción agradable en lugar de transaccional.
Las empresas utilizan los chatbots de Slack internamente para maximizar la eficiencia, aumentar la conectividad o realizar tareas. Hay dos categorías de chatbots de Slack, los que envían notificaciones y los que realizan transacciones específicas iniciadas por el usuario.
Se incluyen los beneficios de la encapsulación de chatbot en aplicaciones de mensajería: la interacción con el chatbot se puede distribuir rápidamente a través de la red social del usuario sin salir de la aplicación de mensajería, lo que garantiza la identidad del usuario. Los chatbots pueden insertarse en chats grupales o intercambiarse como cualquier contacto, mientras que un sistema de notificación vuelve a involucrar a los usuarios inactivos. Además, los sistemas de pago están integrados en la aplicación de mensajería y se pueden usar de manera segura y eficiente (Klopfenstein et al., 2017).
A diferencia de los canales mencionados anteriormente, los chatbots basados ​​en sitios web brindan a los desarrolladores un control total. En el sitio web, se puede decir con precisión cómo funciona el chatbot, incluido su propósito, interfaz de usuario y experiencia. Además, los usuarios pueden entablar una conversación sin salir de la página actual, teniendo una manera fácil de hacer preguntas.
6.4. Modo conversacional de los chatbots
Cuando un chatbot toma la personalidad de una persona famosa, la interacción con su usuario parece mejorar. Freudbot, un chatbot desarrollado con AIML, se utilizó en educación a distancia y en línea, y demostró ser una herramienta útil de enseñanza y aprendizaje. Se programó de acuerdo con las reglas conversacionales relacionadas con la toma de turnos, brindando respuestas con implicaciones que invitaban al usuario a solicitar más información alargando la conversación (Heller et al., 2005).
Los chatbots también deberían ofrecer a los usuarios una experiencia más accesible y realista para preguntar sobre su configuración de privacidad en aplicaciones o sitios web (Harkous, Fawaz y Aberer, 2016).
Además, los chatbots pueden generar interés e involucrar a los usuarios en actividades como completar cuestionarios. Responder a la pregunta del chatbot sería una solución divertida y deseable para alguien porque no lleva tanto tiempo como los cuestionarios tradicionales (Biduski, Bellei, Rodriguez, Zaina y Bertoletti De Marchi, 2020).
Los usuarios y los chatbots interactúan entre sí, y es interesante examinar la "agencia simbiótica", un término que se usó inicialmente para la agencia proxy donde los usuarios y el software actúan en interacción entre humanos y tecnología. Actualmente, el término amplía este concepto del sistema proxy para considerar cómo la tecnología media los pensamientos, creencias y actitudes de alguien, y cómo la agencia humana impacta el uso de productos tecnológicos (Neff & Nagy, 2016).
6.5. Otras consideraciones de implementación
Al diseñar un chatbot, primero debemos determinar los objetivos que servirá. En función de los objetivos, evaluaremos el carácter principal del chatbot, por ejemplo, si necesitamos un chatbot genérico, de dominio cruzado o de dominio cerrado. En los dos primeros casos, probablemente necesitaremos utilizar técnicas de PNL. Antes de decidir, debemos tener en cuenta si se dispone de los datos necesarios para el entrenamiento del chatbot. Por el contrario, para los chatbots de dominio cerrado, puede ser preferible el uso de un lenguaje de secuencias de comandos. En general, no es fácil encontrar datos de entrenamiento adecuados para propósitos específicos.
Por otro lado, un chatbot de dominio cerrado basado en lenguaje de secuencias de comandos puede, si se diseña correctamente, guiar al usuario de manera efectiva hacia el logro de objetivos específicos. Por ejemplo, un asistente de aprendizaje de vocabulario puede redirigir fácilmente la conversación cuando no logra clasificar la intención del usuario diciendo: "No entendí exactamente". ¿Quieres que te ayude a estudiar algo de vocabulario?’. Mientras la discusión se mantenga en el contexto del aprendizaje de vocabulario, los diálogos son limitados y pueden diseñarse con precisión para que el resultado sea satisfactorio. Además, dicho chatbot puede ser un enfoque inicial que ayudará a recopilar datos de las frases de los usuarios y enriquecerá la experiencia de su fabricante para que, si se considera útil, pase a la segunda fase utilizando la tecnología NLP.
Sea cual sea el enfoque que sigamos, debemos anticipar que nuestro software medirá la experiencia del usuario para que, en función de las mediciones, podamos realizar las mejoras adecuadas. Sin embargo, si elegimos la tecnología NLP, debemos considerar que la elección de una plataforma de implementación que admita la abstracción cognitiva nos proporcionará, en cierta medida, actualizaciones automáticas sobre los aspectos en constante evolución de la Inteligencia Artificial (Shaw, 2020).
Además, es una práctica excelente brindar la capacidad de lidiar con los puntos muertos con los miembros de nuestro personal para evitar experiencias de usuario desagradables (Cuáles son las consideraciones clave al implementar un chatbot, 2020).
Una decisión que también es importante está relacionada con los idiomas que debemos apoyar. Se requiere especial cuidado en la comunicación de voz, ya que no todos los sistemas de conversión de texto a voz (TTS) y reconocimiento automático de voz (ASR) son compatibles con todos los idiomas (5 consideraciones básicas para elegir su chatbot | por Ruth Zive | Revista Chatbots, 2020).
7. Debilidades y amenazas de los chatbots
Además de sus importantes ventajas, los chatbots no están exentos de inconvenientes y amenazas.
Los clientes están bastante familiarizados con la comunicación con las empresas a través de sus teléfonos, correos electrónicos, boletines o sitios web, mientras que utilizan las aplicaciones de mensajería principalmente para sus comunicaciones privadas. La nueva forma en que las empresas interactúan con los clientes es a través de chatbots en Messengers o aplicaciones independientes. Siempre hay tiempo para que los clientes se adapten a una nueva forma de comunicarse, y esto es algo que las empresas deben tener en cuenta. En el proceso de transformación, se deben respaldar las plataformas tradicionales (fuera de línea y en línea) y se debe alentar a los consumidoresa usar tecnologías y herramientas emergentes (Zumstein & Hundertmark, 2017).
La seguridad de los datos es una preocupación importante tanto para los proveedores como para los usuarios.
Las empresas son responsables de la protección y el manejo adecuados de los datos de los clientes si proporcionan una aplicación de chatbot independiente.
Sin embargo, a medida que las empresas hacen que su chatbot esté disponible en sitios de terceros, a menudo se les entregan datos. Se debe mantener la privacidad y la seguridad de los datos, especialmente cuando se trata de sistemas de autenticación y pago donde se accede a detalles confidenciales, sensibles o financieros.
Además, los clientes deben ser conscientes de que cuando las empresas se comunican con ellos, recopilan, almacenan y utilizan datos personales con fines comerciales y de marketing (Zumstein & Hundertmark, 2017).
7.1. Fracaso en la comprensión de la intención.
A pesar de su espectacular desarrollo, los chatbots a menudo no reconocen la intención de su interlocutor. Es probablemente su debilidad más importante que se manifiesta con bastante frecuencia. No verificar la intención del usuario crea frustración para él/ella. Según el alcance del chatbot, esta vulnerabilidad puede resultar perjudicial para el propietario del chatbot, por ejemplo, una conversación frustrante con un chatbot que actúa como asistente de ventas puede ahuyentar al cliente.
7.2. Contenido tóxico en las entradas de usuario de chabot
El contenido tóxico puede ser un grave inconveniente para los proveedores y usuarios de chatbots. Por ejemplo, el registro de información personal por parte de servicios no confiables constituye contenido tóxico y debe evitarse. Además, las declaraciones destinadas a explotar el chatbot o la violación de la confidencialidad o el robo de derechos de autor se consideran contenido tóxico. Una solución basada en la redacción homomórfica, para el manejo seguro de la Información de Identificación Personal, propuesta por Baudart, Dolby, Duesterwald, Hirzel y Shinnar (2018). Más precisamente, se activa un marco de interferencia que desvía el flujo de la conversación a un subdiálogo cuando se identifica material peligroso u otras necesidades de protección. Este enfoque crea defensas para los lenguajes de programación, la computación en la nube y los chatbots. No es intrusivo, ya que no requiere actualizaciones de los chatbots actuales ni de las plataformas conversacionales subyacentes. Tay, un chatbot que mejora a través de la conversación, generó una gran controversia cuando fue atacado por trolls de Internet en Twitter. Luego de 16 h de su explotación, comenzó a enviar Tweets altamente abusivos a los usuarios. Por lo tanto, aunque se enfatiza como estrategia exitosa aprender de la experiencia, el chatbot debe tener protección para evitar el mal uso de este (Neff & Nagy, 2016).
7.3. Engaño hacia los chatbots
La detección del engaño es fundamental en algunas aplicaciones donde se utilizan chatbots. Las características que hacen que las interacciones de los chatbots sean más humanas inducen comportamientos estratégicos no deseados de los engañadores humanos para ocultar su engaño. Para comprender mejor esta relación, se exploró el impacto de las habilidades conversacionales de los chatbots en las medidas de manipulación del comportamiento (Schuetzler, Grimes y Giboney, 2019). Los hallazgos revelaron que las señales de engaño difieren según las habilidades de conversación de los bots de chat. Esas habilidades de conversación mejoradas llevaron a los usuarios a participar en actividades estratégicas que son contraproducentes para la detección de fraudes. Por lo tanto, usar chatbots más parecidos a los humanos puede ser ineficiente para aplicaciones en las que es beneficioso identificar cuándo las personas mienten.
La conveniencia que los asistentes de voz digitales para el hogar ofrecen a sus usuarios al monitorear dispositivos inteligentes y usar comandos de voz para recibir asistencia en vivo, a veces viene con amenazas de seguridad. En Lei et al. (2019), Amazon Alexa se consideró como un caso de estudio y se identificaron varias vulnerabilidades para la protección. El servicio de Alexa se basa únicamente en una autenticación débil de un solo factor, que puede romperse porque sigue comandos de voz sin control de acceso que dependa de la presencia física. Esta investigación propone un factor de autenticación adicional, la presencia física.
7.4. Factores de falla adicionales
Las respuestas largas en las que la información vital consiste en una o dos oraciones ocultas entre varias otras pueden provocar el desánimo del usuario y la interrupción de la conversación. Por lo tanto, se deben preferir mensajes breves y claros. Los errores de ortografía del usuario también pueden fallar en la clasificación de intenciones (The Worst Chatbot Fails | Conversational AI vs. Chatbots, 2019). Un mecanismo de revisión ortográfica empleado como paso de preprocesamiento puede ser útil aquí.
Otras fallas iniciadas a partir de la entrada del usuario pueden deberse a frases mal utilizadas, mala entonación, mala pronunciación, uso de humor sutil, problemas del habla, uso de jerga, errores de sintaxis (The Chat Crash: When a Chatbot Fails, 2020). La falta de personalidad por parte del chatbot también puede alejar a un usuario del diálogo. Uno puede reducir este riesgo dándole al chatbot un nombre y un avatar.
En otros casos, la decepción del usuario puede deberse a la falta de una estrategia clara de chatbot y la consiguiente orientación ineficaz del usuario hacia los objetivos de comunicación (#ChatbotFail: 4 Chatbot Customer Experience Fails (And How To Avoid Them), 2020). A veces, un chatbot está diseñado para cumplir un propósito específico y luego se revisa para adaptarse a una necesidad adicional. En este caso, el chatbot revisado probablemente presentará una doble personalidad que creará sentimientos negativos en el usuario (4 razones para el fracaso de Enterprise Chatbot y cómo superarlas usando un enfoque de bot múltiple, 2020).
7.5. Mitigar los riesgos
Los investigadores de todo el mundo esperan que los avances tecnológicos proporcionen respuestas satisfactorias a las debilidades de los chatbots. En esta etapa, sin embargo, algunos comentarios pueden ayudar a reducir estas debilidades en función de la tecnología disponible.
La integración con un servicio de chat en vivo, que se activará para entradas no identificadas, puede evitar la decepción del cliente. Además, diseñar un chatbot que recuperará la información personal obtenida de otras aplicaciones (Three Ways To Mitigate Chatbot Risks, 2020) puede ser útil en la identificación de intenciones. Un chatbot con herramientas de garantía de calidad integradas permite a los equipos de desarrollo mejorar el sistema continuamente (Cómo reducir el riesgo en la implementación de soluciones de inteligencia artificial conversacional, 2020).
Además, la especificación de la redacción aprobada para las declaraciones de chatbot puede evitar mensajes ofensivos (Three Ways To Mitigate Chatbot Risks, 2020). Finalmente, para proteger transacciones críticas como las de pago, es esencial la integración del chatbot con un sistema que realice dichas operaciones de manera precisa y eficiente.
8. Aplicaciones
8.1. Entornos educativos
La creciente demanda de aprendizaje conduce a una alta competencia en las instituciones de educación superior. Una de las razones fundamentales del escaso aprendizaje y las altas tasas de deserción es el hecho de que, cuando crece el número de estudiantes, se reduce la ayuda que reciben de su maestro. Los chatbots, con su capacidad de brindar contenido educativo y asistencia personal, vienen a apoyar otras prácticas de e-learning (Colace, De Santo, Lombardi, Pascale, Pietrosanto, & Lemma, 2018).
Los chatbots para el apoyo al aprendizaje pueden preservar la información repitiendo lecciones antiguas cuando los estudiantes las pierden. También recopilan información durante un curso, lo que ayuda a la mejora del procesode aprendizaje y enseñanza. Los estudiantes se facilitan en el estudio ya que los chatbots pueden responder preguntas sobre el material educativo. Un chatbot también puede ayudar a los estudiantes con problemas de administración escolar, como la inscripción en un curso, el calendario de exámenes, sus calificaciones y otros detalles relacionados con sus estudios para que la presión sobre los departamentos escolares se reduzca considerablemente. En una investigación (Hien et al., 2018), la cantidad de estudiantes que participaban en un curso universitario estaba creciendo porque un chatbot ayudaba a los estudiantes a registrarse.
Los estudiantes de Aprendizaje de Idiomas Extranjeros (FLL) todavía tienen pocas posibilidades de usar su idioma de destino. Los docentes de los cursos de FLL intentan generar vacantes durante las clases a través de la capacitación grupal o entre pares, pero esto se ve obstaculizado por varias razones, como recursos inadecuados, capacidad insuficiente para la participación profesional o falta de confianza en sí mismos (Fryer, 2006). Los resultados de la investigación han demostrado que los estudiantes de idiomas prefieren los chatbots a los tutores humanos porque se sienten más seguros y pueden usarlos en cualquier momento (Haristiani, 2019). En Jia (2004), se introdujo un chatbot para chatear con estudiantes de inglés, que utiliza un enfoque simplista del razonamiento lógico y la inferencia principalmente a través del análisis sintáctico y semántico. Produce una respuesta teniendo en cuenta el contexto del diálogo, el conocimiento y la personalidad del usuario, y el conocimiento del sentido común y la experiencia de inferencia.
8.2. Servicio al Cliente
El desarrollo de las nuevas tecnologías ha hecho que las personas interactúen entre sí de manera diferente, al igual que su interacción con las empresas.
El comercio electrónico ha evolucionado y ha cambiado por completo la forma en que las empresas venden sus productos, pero existen algunos problemas relacionados con la calidad del servicio al cliente. Especialmente en los chats en vivo, el tiempo de espera para que un empleado comercial responda puede ser largo y las respuestas pueden no ser siempre relevantes (Nuruzzaman & Hussain, 2018).
Muchas empresas utilizan chatbots para ayudar a los clientes (Johannsen, Leist, Konadl y Basche, 2018). La atención al cliente está disponible las 24 horas del día a través del chatbot, lo que permite a los consumidores publicar su solicitud independientemente del horario de atención estándar, lo que mejora la satisfacción del usuario. En Gupta et al. (2015), un chatbot basado en un sitio web escrito en RiveScript ayuda a los clientes a decidir qué producto es adecuado para ellos. Otro chatbot implementado con AIML y LSA utiliza un conjunto de datos de Preguntas frecuentes (FAQ) para responder a los usuarios (Nt, 2016). En S. y Balakrishnan (2018), se propuso un marco con una interfaz de big data para proporcionar a los chatbots de servicio al cliente la capacidad de analizar el conocimiento de entornos distribuidos.
Se espera que el uso continuo y el desarrollo de los chatbots los haga dominar pronto en el campo de la industria del servicio al cliente.
8.3. Salud
En el cuidado de la salud, los chatbots están diseñados para proporcionar a los pacientes información personalizada sobre salud y terapia, productos y servicios relacionados con el paciente, y ofrecer diagnósticos y sugerir tratamientos basados ​​en los síntomas del paciente (The Top 12 Healthcare Chatbots, 2020). OneRemission (OneRemission, 2020) es un hatbot que ayuda a las personas a informarse sobre el cáncer. Youper (Youper—Emotional Health Assistant Powered by AI, 2020) se ocupa de la salud emocional de sus usuarios, y Florence (Florence—Your Health Assistant, 2020) les recuerda a los pacientes que tomen sus pastillas. Hay muchos otros chatbots para el cuidado de la salud; algunos de ellos son Your.Md (Your.MD - Health Guide and Self-Care Checker, 2020), Ada Health (Ada, 2020), Sensely (Sensely: Character-based Enterprise Virtual Assistant Platform, 2020) y Buoy Health ( Buoy Health: Verifique los síntomas y encuentre la atención adecuada, 2020). Además, se implementaron muchos chatbots para proporcionar información durante la pandemia de COVID-19, como HealthBuddy (HealthBuddy: un nuevo chatbot para interactuar con las comunidades de Europa y Asia central sobre COVID-19, 2020).
Las ventajas de usar chatbots para el cuidado de la salud incluyen fomentar la toma de decisiones médicas y el apoyo, mejorar el ejercicio físico, apoyar la terapia cognitivo-conductual y los trastornos somáticos que brindan un tratamiento de salud eficiente con una precisión igual a la de los médicos humanos (Palanica, Flaschner, Thommandram, Li y Fossat, 2019).
Los pacientes encuentran que los chatbots son socios de contacto más confiables que los físicos humanos; comparten más conocimiento del paciente y revelan más síntomas. Sin embargo, los chatbots en el cuidado de la salud generalmente se asocian con una débil adherencia del paciente debido a la percepción de falta de consistencia o transparencia que representan los chatbots, a diferencia de las reuniones regulares con médicos humanos.
Por otro lado, los médicos creen que los chatbots son más efectivos en actividades administrativas como programar citas, encontrar hospitales y entregar recordatorios de recetas. Aun así, están asociados con riesgos significativos, incluido el conocimiento médico incorrecto. Por lo tanto, los médicos no confían en los chatbots para reemplazar tareas complicadas de toma de decisiones que requieren asesoramiento médico profesional. Especialmente en el campo de la psiquiatría, los chatbots ofrecen el potencial de una herramienta nueva e impactante. Se utilizan para la prevención del suicidio y la intervención cognitivo-conductual, y se adaptan a diferentes poblaciones.
Un chatbot que brinde terapia puede hacer que el sistema de atención de la salud mental sea más accesible y exitoso para las personas que se resisten a hablar con un médico porque se sienten incómodas al revelar sus sentimientos. ELIZA se desempeñó como psicoterapeuta rogeriana en 1964, y en 1972 PARRY se convirtió en un software capaz de simular el comportamiento de un ser humano con esquizofrenia que también fue "asesorado" por ELIZA muchas veces (Vaidyam, Wisniewski, Halamka, Kashavan y Torous, 2019) .
En algunos casos, los chatbots pueden ser más adecuados para satisfacer los deseos de los pacientes que los médicos humanos porque no están sesgados hacia los pacientes no están sesgados contra los chatbots debido al sexo, la edad o la raza. Además, los chatbots no se agotan ni se enferman; son rentables y pueden funcionar de forma ininterrumpida durante todo el día, lo que es especialmente útil para las personas que pueden tener problemas de salud más allá del horario laboral de sus médicos. También pueden interactuar en diferentes idiomas para ayudar a responder a las necesidades específicas de los pacientes.
8.4. robótica
El área de investigación más crucial sobre los chatbots es la interfaz de lenguaje natural, que también es un área crítica para los robots físicos. Por tanto, en el campo de los robots físicos encontramos abundantes aplicaciones del lenguaje natural. Por ejemplo, se desarrolla una nueva interfaz de lenguaje natural para el robot autónomo llamado KAMRO (Lueth, Laengle, Herzog, Stopp y Rembold, 1994). (S. (Lauria, Bugmann, Kyriacou, Bos & Klein, 2001)) diseñó otra interfaz de lenguaje natural para instrucciones a un robot basado en visión. En (Selfridge & Vannoy, 1986), una interfaz de lenguaje natural permite a los usuarios enseñar conocimientos de visión y planes de ensamblaje a un robot físico. El usuario puede realizar preguntas sobre el comportamiento del vehículo (Garcia et al., 2018). Incluso, Lauria, Bugmann, Kyriacou y Klein (2002) están explorando la programación de un robot usando lenguaje natural.
Además, en el campo de la educación, la bibliografía es bastante impresionante.