Agente conversacional - Daniel Cuellar (1)

Vista previa del material en texto

MATERIA 
LENGUAJES FORMALES Y AUTOMATAS 
 
TRABAJO 
LA GRAMATICA Y LOS TIPOS DE GRAMATICA 
 
NOMBRE 
DANIEL VALDEMAR CUELLAR VALLES 
 
MATRICULA 
160623 
 
 
Ciudad del Carmen, Campeche A 12 septiembre del 2022 
UNACAR 
Universidad Autónoma del Carmen 
“Por la Grandeza de México” 
 Facultad de Ciencias de la Información 
Un chatbot es un programa de inteligencia artificial y un modelo de interacción 
humano-computadora. Utiliza procesamiento de lenguaje natural y análisis de 
sentimientos para comunicarse con humanos u otros chatbots en lenguaje humano 
a través de texto o voz. Las unidades de habla artificial, los agentes interactivos, los 
bots inteligentes y los asistentes digitales también se denominan chatbots. La 
productividad es la principal motivación para los usuarios de chatbots, aunque otras 
motivaciones incluyen entretenimiento, factores sociales y nuevas interacciones. 
 Los chatbots también son muy populares en el mundo de los negocios porque 
reducen los costos del servicio y pueden atender a muchos clientes al mismo 
tiempo. Los chatbots son más amigables y atractivos que buscar contenido estático 
en listas populares. En la mayoría de los casos, los usuarios experimentan los 
chatbots como compañeros amistosos, no solo como asistentes. El 0 por ciento de 
las encuestas de usuarios son más emocionales que informativas. 
 Es el desarrollo del aprendizaje automático y el análisis de sentimientos lo que ha 
dado a los chatbots la capacidad de responder emocionalmente a los clientes. El 
nivel de confianza que gana una sala de chat con su uso depende de factores 
relacionados con el comportamiento, su apariencia y otros relacionados con el 
creador, la privacidad y la confidencialidad. El desarrollo de esta relación de 
confianza también se ve facilitado por la semejanza humana del chatbot, que 
depende de sus características visuales, la proximidad de su nombre a una persona, 
su personalidad y su eficacia en el manejo del lenguaje humano. La emoción es otro 
aspecto importante de la humanización del chat, y existen muchos enfoques para 
crear un chat emocionalmente consciente. 
 Además, la comunicación del chatbot humano cambia dependiendo de si el 
interlocutor es revelador o no. Sin embargo, la percepción humana subjetiva lleva a 
las personas a percibir a los chatbots expuestos como menos conocedores y 
sensibles emocionalmente. Entonces, si los clientes se dan cuenta de que están 
hablando con un chatbot durante una conversación, se frustrarán y comprarán 
menos. Por lo tanto, se utilizó el método de demora de chat. 
 Aunque vivimos en una época en la que nuestro interlocutor puede ser una persona 
real o un chatbot, independientemente de su identidad, el sesgo de género es 
evidente. La mayoría de los chatbots se utilizan normalmente como asistentes 
personales y secretarias para realizar actividades que tradicionalmente imitan los 
estereotipos femeninos y transmiten estas características a través de un 
comportamiento estereotipado. Presentamos una arquitectura general para 
chatbots lo suficientemente detallada y completa en comparación con otros trabajos 
relacionados. Destacamos aspectos importantes que todo desarrollador debe 
considerar antes de diseñar un chat. 
 
Historia 
 En 1950, Alan Turing se preguntó si un programa de computadora podría 
comunicarse con un grupo de personas sin darse cuenta de que el interlocutor era 
artificial. Esta pregunta se llama Test de Turing, que muchos consideran la idea 
generadora detrás de los chatbots. La primera sala de chat llamada ELIZA se creó 
en 1966. Sus habilidades de comunicación eran limitadas, pero fue una fuente de 
inspiración para el desarrollo de otras salas de chat. 
 Un tercero trató a ambos sujetos como pacientes reales y otros dos diagnosticaron 
a ambos sujetos como chatbots. En general, PARRY se considera un chatbot con 
pocas habilidades en términos de comprensión del lenguaje y capacidad para 
expresar emociones. La inteligencia artificial se utilizó por primera vez en el espacio 
de los chatbots con la creación de Jabberwocky en 1988. Escrito en CleverScript, 
un lenguaje basado en tablas que simplificó el desarrollo de chatbots, Jabberwocky 
usó la coincidencia de patrones contextuales para responder en base a discusiones 
anteriores. 
 Sin embargo, Jabberwacky no puede responder rápidamente y manejar un gran 
número de usuarios. Era un jugador artificial de TINYMUD cuya función principal 
era hablar. El chat fue exitoso porque los jugadores del mundo TINYMUD asumieron 
que todas las personas son personas y que solo pueden expresar dudas cuando 
han cometido un error grave. La sala de chat se desarrolló en 1992 para demostrar 
las voces digitales que podían generar las tarjetas de sonido. 
 Otro paso en la historia de los chatbots fue el desarrollo de ALICE en 1995, el 
primer chatbot online inspirado en ELIZA. Sin embargo, tomó varios años 
perfeccionarlo para ganar el premio Loebner al mejor programa de computadora 
con apariencia humana. ALICE se desarrolla con un nuevo lenguaje especialmente 
diseñado, el lenguaje de marcado artificial, que es la principal diferencia entre ALICE 
y ELIZA. En 2001, hubo una verdadera evolución en la tecnología de los chatbots 
con el desarrollo de SmarterChild que estaba disponible en Messengers como 
America Online y Microsoft. 
 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. 
Google Assistant , Microsoft Cortana y Amazon Alexa son los asistentes de voz más 
populares. 
También hay muchos asistentes de voz menos conocidos que tienen características 
únicas, pero comparten la misma función básica. Creada por Apple en 2010, Siri fue 
pionera en asistentes personales. Los usuarios realizan solicitudes y 
conversaciones a través de Messenger usando comandos de voz e incluye 
integración con archivos de audio, video e imagen. Siri hace recomendaciones 
utilizando varios servicios web y responde a las solicitudes de los usuarios, mientras 
se adapta al uso del idioma de los usuarios, las consultas de búsqueda y las 
preferencias de los usuarios con un uso continuo. 
 En 2011, IBM desarrolló un chatbot llamado Watson. Watson fue capaz de 
comprender el lenguaje natural humano lo suficientemente bien como para ganar 
los dos campeonatos anteriores en las pruebas de Jeopardy, donde los 
concursantes recibieron información en forma de respuestas y tuvieron que adivinar 
las preguntas adecuadas. Años más tarde, Watson permitió a las empresas crear 
mejores asistentes virtuales. Tiene una inteligencia artificial más profunda con una 
interfaz amigable y conversacional y brinda información a los usuarios al predecir 
sus necesidades. 
Las plataformas de redes sociales han permitido a los desarrolladores crear 
chatbots para sus marcas y servicios a fin de que los clientes puedan realizar 
acciones específicas y rutinarias en sus aplicaciones de mensajería. A fines de 
2016, 34000 chatbots cubrían una amplia gama de aplicaciones en áreas como 
marketing, sistemas de soporte, atención médica, entretenimiento, educación y 
patrimonio cultural.Se han creado miles de chatbots basados en texto con funciones 
específicas para plataformas de mensajería populares, soluciones industriales y 
fines de investigación. Además, “El internet de las cosas” ha dado paso a una nueva 
era de objetos conectados de forma inteligente, con el uso de chatbots que mejoran 
la comunicación entre objetos. 
 También cabe destacar Microsoft XiaoIce. Este es un chatbot de IA que satisface 
las necesidades humanas de socialización. Además de su personalidad, tiene un 
cociente intelectual y emocional que contribuye al desarrollo de los chatbots. La 
forma en que los chatbots de hoy participan en las discusiones no se parece en 
nada a su predecesora Eliza. Es diferente. 
Enfoques de bots conversacionales 
ELIZA y su sucesora ALICE fueron los primeros chatbots en utilizar la coincidencia 
de patrones. Clasificación de chatbots. El chat puede responder a las preguntas de 
los usuarios. Debido a que este tipo de chat requiere miles de reglas para funcionar 
correctamente, es difícil lidiar con errores de gramática y sintaxis en las respuestas 
de los usuarios. 
Cleverbot, Chatfuel y Watson son algunos chatbots basados en reglas. En la 
mayoría de los chatbots basados en reglas para la comunicación de una sola ronda, 
la respuesta se elige solo en función de la última respuesta. Los chatbots similares 
a los humanos usan la selección de respuestas multivariante, usando cada 
respuesta como una respuesta para elegir una respuesta que sea normal y 
apropiada para el contexto general. Las siguientes subsecciones describen los tres 
lenguajes más populares para implementar chatbots y comparan sus características 
principales con un enfoque de coincidencia de patrones. 
Lenguaje de marcado de inteligencia artificial Entre 1995 y 2000, los programadores 
crearon el Lenguaje de marcado de inteligencia artificial para crear una base de 
conocimientos para chatbots que siguen un enfoque de coincidencia de patrones. 
ALICE fue la primera base de conocimiento conversacional implementada en AIML. 
Gracias a su facilidad de uso, facilidad de aprendizaje e implementación, y la 
disponibilidad de colecciones AIML listas para usar, AIML es el lenguaje de chatbot 
más utilizado. Una categoría es una regla de chat con una plantilla para representar 
la entrada del usuario y una plantilla para describir una respuesta de chat. Todas las 
categorías se almacenan en un objeto llamado Graphmaster, que tiene forma de 
árbol con nodos que representan categorías y sus hojas representan plantillas que 
son la respuesta del chatbot. AIML utiliza una técnica de coincidencia de patrones 
que primero busca exhaustivamente en Graphmaster para encontrar el mejor 
patrón. El lenguaje de los chatbots más utilizado. Un chatbot implementado con 
AIML es, hasta cierto punto, consciente del contexto. RiveScript, creado en 2009, 
es un lenguaje de secuencias de comandos basado en líneas que implementa 
bases de conocimiento en chatbots basados en reglas. ChatScript también incluye 
memoria a largo plazo que usa variables que almacenan información específica del 
usuario y se puede usar directamente o en combinación con condiciones para 
generar respuestas de chatbot. Algunos de los chatbots implementados con 
Chatscript son Suzette, Rosette, Chip Vivant y Mistsuku. 
En particular, no se requieren archivos de configuración adicionales para especificar 
información sobre el chat, como su nombre, como lo requiere AIML. También tiene 
una base semántica y su soporte conceptual significa que es un sistema de gestión 
del lenguaje humano además de crear un chat. 
Enfoques de aprendizaje automático 
Los chatbots, que utilizan enfoques de aprendizaje automático en lugar de 
coincidencia de patrones, extraen contenido de la entrada del usuario mediante el 
procesamiento de lenguaje natural y tienen la capacidad de aprender de las 
conversaciones. Consideran todo el contexto del diálogo, no solo el movimiento 
actual, y no requieren una respuesta predefinida para cada entrada de usuario 
posible. Los modelos basados en recordar usan una red neuronal para asignar 
puntajes y seleccionar la respuesta más probable de un conjunto de respuestas. 
Redes neuronales recurrentes 
En una RNN, las neuronas se alimentan con nuevos datos del usuario e información 
de datos anteriores. El chat se desarrolló para responder preguntas comunes 
utilizando redes neuronales recurrentes LSTM, y los resultados experimentales 
mostraron que el chat podía reconocer preguntas y responderlas con una precisión 
muy alta. 
Modelo de secuencia a secuencia 
El flujo de origen es la entrada del usuario y el flujo de destino es la respuesta del 
chat, se implementaron chatbots emocionalmente conscientes utilizando secuencia 
a secuencia con unidades recurrentes cerradas bidireccionales. En otro estudio, se 
propuso un codificador RNN para generar una secuencia objetivo a partir de una 
secuencia fuente, utilizando una unidad oculta con una unidad de recuperación y 
actualización para verificar la información que recuerda. También se introdujo una 
sala de chat que registra a un amigo virtual con secuencia a secuencia en Sheikh, 
Plus, Puttoo, Srivastav y Shinde. 
Modelos secuencia a secuencia profundos 
Otro estudio desarrolló un chatbot de dominio abierto que utiliza redes neuronales 
bidireccionales y capas atencionales para brindar respuestas apropiadas cuando la 
entrada del usuario supera las 20 palabras. Se propuso una conversación 
multilingüe basada en modelos secuencia a secuencia profundos con células 
unidades recurrentes cerradas bidireccionales para ayudar a las personas en sus 
actividades de patrimonio cultural. 
Arquitectura general 
El diseño adecuado de la arquitectura de los chatbots es útil para los estudios de 
chatbots y los aspirantes a desarrolladores de chatbots. En Zumstein und 
Hundertmark, la base de conocimientos del chatbot está conectada a otras bases 
de datos y sistemas de información que responden a las preguntas de los usuarios. 
Además, no explica cómo se analiza la entrada del usuario y cuáles son los 
componentes del control de diálogo. Zhou propone un chatbot que genera 
respuestas emocionales, pero el diseño arquitectónico se enfoca solo en el módulo 
de generación de respuestas. 
El diseño adecuado de la arquitectura de los chatbots es útil para los estudios de 
chatbots y los aspirantes a desarrolladores de chatbots. En Zumstein und 
Hundertmark, la base de conocimientos del chatbot está conectada a otras bases 
de datos y sistemas de información que responden a las preguntas de los usuarios. 
Además, no explica cómo se analiza la entrada del usuario y cuáles son los 
componentes del control de diálogo. Zhou propone un chatbot que genera 
respuestas emocionales, pero el diseño arquitectónico se enfoca solo en el módulo 
de generación de respuestas. 
El mensaje del usuario puede almacenarse como texto sin formato, dejando intactas 
todas las estructuras gramaticales y la sintaxis de la entrada, o procesarse mediante 
procesamiento de lenguaje natural. Más precisamente, al ingresarlos en el chat, los 
usuarios expresan su propósito, que es la intención. El chat debe comprender la 
intención del usuario y tomar las medidas necesarias. Algunos servicios cognitivos 
pueden estar asociados con un componente de análisis de los mensajes de los 
usuarios para mejorar la precisión. 
La revisión ortográfica corrige los errores del usuario porque la entrada "limpia" 
generalmente conduce a una mejor detección de la intención. La traducción 
automática se utiliza para usuarios de chatbot multilingües. El idioma del usuario se 
define y se traduce al idioma NLU del chat. El análisis de sentimientos se aplica a 
la entrada del usuario para ver qué tan feliz o molesto está el usuario. 
En algunos casos, una persona real puede unirse a la discusión si el usuario está 
muy frustrado. Las respuestas positivasdel chatbot se priorizaron 
independientemente del estado de ánimo de la entrada del usuario. Por lo tanto, los 
chatbots deben analizar el significado de la entrada y aprender solo de la entrada 
positiva e ignorar aquellos con una visión negativa o dañina. Una base de datos 
integral de mapeo de expresiones de emociones que mapea palabras y frases a 
emociones apoya conversaciones emocionalmente informadas. 
Si el chat no puede recopilar la información de contexto necesaria, le pedirá al 
usuario información de contexto adicional para completar los objetos que faltan. 
Este módulo proporciona respuestas cuando el chat no puede encontrar la intención 
de la solicitud del usuario o cuando no se reconoce ninguna entrada. El chat puede 
indicar que no tiene respuesta, solicitar una aclaración, iniciar una nueva discusión 
o brindar una respuesta general que cubra una variedad de temas para satisfacer 
al usuario, incluso si lo solicitó. Los datos del usuario se almacenan en un archivo. 
Esto permite que el chat cambie sus respuestas según el usuario y parezca más 
inteligente. El módulo de gestión de errores gestiona los errores inesperados para 
garantizar el correcto funcionamiento del chat. Una vez que se determina la 
intención, la conversación continúa con las siguientes acciones, que pueden ser 
obtener información del soporte o responder al usuario. El chat recibe la información 
necesaria para atender las solicitudes del usuario. 
Contiene una lista de respuestas escritas a mano que coinciden con la entrada del 
usuario. Para que el chat sea viable, la base de conocimiento debe contener 
diferentes preguntas de los usuarios y contener diferentes respuestas a la misma 
entrada del usuario para evitar la redundancia en las respuestas. Las bases de 
datos relacionales se pueden usar para permitir que el chat recuerde 
conversaciones pasadas, haciendo que la comunicación sea más consistente y 
significativa. 
Este enfoque agrega consistencia y precisión al diálogo al permitir que el chat 
acceda a un historial de información previa. Crear una base de conocimiento de 
chatbot es una tarea necesaria, pero a menudo difícil y que requiere mucho tiempo 
porque se desarrolla manualmente. Se propuso un método que crea 
automáticamente una nueva base de conocimientos de chat a partir de una 
existente. Además, la aplicación se convierte en un corpus de la base de 
conocimiento AIML del chatbot. 
Los chatbots basados en reglas a menudo mejoran su base de conocimientos 
haciendo preguntas a los usuarios y fomentando conversaciones más largas. Una 
base de conocimiento también puede admitir ontologías como Wordnet u OpenCyc. 
El chat actualiza el estado de la conversación y busca en los nodos de Knowledge 
Graph para encontrar conexiones entre los conceptos utilizados en la conversación 
y Balakrishnan; la base de conocimiento de AIML se conectó mediante una base de 
conocimiento de big data, con chat al entorno de big data. 
El uso de trucos de lenguaje en la base de conocimiento del chat lo hace más 
humano. Los modelos basados en reglas utilizan una base de conocimiento 
organizada de patrones de conversación. Cuando el chat genera una respuesta, se 
la presenta al usuario y espera los comentarios. 
Desarrollo 
La creación de una sala de chat comienza con la planificación de los objetivos, los 
procedimientos y los requisitos del usuario. Luego, el chat se desarrolla utilizando 
un lenguaje de programación o una plataforma de desarrollo de chatbot, y luego las 
funciones del chat se prueban localmente. Luego, el chat se publica en un sitio web 
o centro de datos y se conecta a uno o más canales para enviar y recibir mensajes. 
Finalmente, la evaluación se realiza mediante la recopilación de datos durante un 
período de tiempo después de la implementación para que los desarrolladores 
puedan identificar errores y usar entradas para mejorar el rendimiento y las 
capacidades del chatbot. 
La elección de algoritmos o plataformas para crear chatbots depende de lo que el 
chat ofrezca a los usuarios y a qué categoría pertenezca. El chat se considera más 
efectivo si el usuario se conecta 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. Si bien las plataformas comerciales no brindan a los desarrolladores 
un control total, los desarrolladores a menudo aprovechan los datos para entrenar 
a sus chatbots. 
El chat creado con Dialogflow puede comunicarse fácilmente con el Asistente de 
Google y otros dispositivos de Google. 
Las instalaciones que muchas plataformas de desarrollo pueden ofrecer incluyen: 
1. Agregue fácilmente intenciones y habilite pruebas sencillas de 
intenciones. 
2. Gestión del contexto. La mayoría de las plataformas de desarrollo 
admiten la gestión de contexto, aunque utilizan enfoques técnicamente 
diferentes. La gestión adecuada del contexto es esencial para la clasificación 
intencional. Por ejemplo, si el usuario dice "¿Hoy en Kavala?" sin embargo, 
la respuesta es probablemente el resultado de una intención no sexual. Sin 
embargo, si se habilita un contexto como "Pronóstico del tiempo", una 
respuesta exitosa informará el pronóstico del tiempo en Kavala el día de la 
conversación. 
3. Soporte para objetos predefinidos y personalizados y detección 
automática de valores de objetos. 
4. Admite la búsqueda de colecciones de documentos de conocimiento, 
como preguntas frecuentes o artículos, para encontrar respuestas. 
Las plataformas individuales también pueden ofrecer opciones adicionales. Por 
ejemplo, Google Dialogflow admite eventos personalizados y definidos por la 
plataforma. Los eventos también pueden desencadenar intenciones en lugar de la 
entrada del usuario. 
 Por ejemplo, un evento que ocurre en un momento determinado puede 
desencadenar un intento de notificar al usuario que ha expirado. 
 Finalmente, las plataformas de desarrollo se pueden combinar con lenguajes de 
programación si los requisitos del proyecto lo requieren. 
Por lo tanto, las plataformas de desarrollo pueden ser una parte integral de la 
implementación de los chatbots. Hay muchos corpus disponibles para aprender 
chatbots. Una sala de chat entrenada en tales conjuntos de datos, caracterizada por 
discusiones entre diferentes oradores, a menudo carece de una identidad distinta. 
Además, pueden surgir varios problemas al usar la estructura de diálogo con 
ejemplos de diálogos humanos para volver a entrenar el chat. 
Si el corpus del diálogo no es lo suficientemente grande para el entrenamiento, las 
respuestas del chatbot pueden contener errores sintácticos o semánticos. Por lo 
tanto, se presentaron métodos para entrenar un chatbot con un gran corpus sin 
diálogo y volver a entrenarlo con un pequeño corpus de diálogo. Los corpus de 
diálogo y los enfoques de aprendizaje automático a veces se usan para generar 
reglas AIML y usarlas para entrenar chatbots basados en reglas. Además, se 
crearon automáticamente varias versiones del chat en diferentes idiomas. 
Los desarrolladores de chatbots suelen mantener un archivo de conversaciones 
después de implementar el chatbot. Les ayuda a comprender mejor las solicitudes 
de los usuarios y mejorar el chat, que aprenden continuamente al analizar estas 
conversaciones. En los últimos años, los chatbots se han vuelto populares y se 
utilizan en varias aplicaciones de mensajería o para conectarse 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 a menudo forman parte de los chats grupales 
y asumen tareas como proporcionar estadísticas sobre un juego deportivo, crear 
listas de reproducción de música o brindar respuestas inteligentes, comonotificaciones sobre el horario comercial o pedidos sin salir del chat. Por lo tanto, 
los chats de Facebook ayudan principalmente a los usuarios con su trabajo de 
secretaria en lugar de interactuar con ellos. Los chatbots de Skype, como los 
chatbots de Facebook, a menudo se usan en chats grupales con fines funcionales. 
Los chatbots de Skype se vuelven más interactivos cuando ofrecen a los usuarios 
una alternativa al chat de voz en lugar de escribir. 
Twitter está adoptando un nuevo enfoque para sus chatbots, brindando una 
plataforma para que las empresas se conecten con sus clientes y creen una 
interacción agradable en lugar de transaccional. Las empresas usan los chatbots de 
Slack internamente para aumentar la productividad, mejorar la conectividad o hacer 
las cosas. Hay dos categorías de chatbots de Slack, los que envían notificaciones y 
los que realizan transacciones específicas iniciadas por el usuario. Los chatbots 
pueden incluirse en chats grupales o compartirse como cualquier contacto, mientras 
que un sistema de notificación vuelve a involucrar a los usuarios inactivos. 
El sitio le permite decir exactamente cómo funciona el chat, incluido su propósito, 
interfaz y experiencia. Además, los usuarios pueden iniciar una conversación sin 
salir de la página actual y tener una manera fácil de hacer preguntas. El estado de 
los chatbots Cuando un chatbot adopta la imagen de una celebridad, la relación con 
su usuario mejora. Freudbot, un chatbot desarrollado con AIML, se ha utilizado en 
el aprendizaje a distancia y en línea y ha demostrado ser útil para la enseñanza y el 
aprendizaje. 
Los chatbots también deberían brindar a los usuarios una experiencia más accesible 
y realista al consultar sobre su configuración de privacidad en aplicaciones o sitios 
web. Además, los chatbots pueden generar interés e involucrar a los usuarios en 
actividades como completar cuestionarios. Responder una pregunta de chatbot será 
una solución divertida y deseable para alguien porque no lleva tanto tiempo como 
las preguntas de cuestionario tradicionales. Los usuarios y los chatbots interactúan, 
y es interesante explorar la "agencia simbiótica", un término originalmente utilizado 
para la agencia proxy, en la que los usuarios y el software operan en interacción 
entre humanos y tecnología. 
Al diseñar una sala de chat, primero debemos definir los objetivos a los que sirve. 
Dependiendo del objetivo, evaluamos el personaje principal del chat, por ejemplo, 
si necesitamos un chat general, multidominio o cerrado. Antes de tomar una 
decisión, debemos considerar si la información necesaria está disponible para la 
capacitación por chat. Por el contrario, para los chatbots de dominio cerrado, puede 
ser preferible utilizar un lenguaje de secuencias de comandos. 
Por otro lado, un chat de dominio cerrado basado en un lenguaje de secuencias de 
comandos, si está diseñado correctamente, puede guiar al usuario de manera 
efectiva para lograr objetivos específicos. Además, dicha conversación puede ser 
un primer acercamiento para ayudar a recopilar información de las expresiones de 
los usuarios y enriquecer su experiencia creativa, por lo que, si es útil, pasará a la 
segunda etapa utilizando la tecnología NLP. 
Debilidades y amenazas de los chatbots 
Además de sus importantes ventajas, los chatbots no están exentos de 
inconvenientes y riesgos. Una nueva forma para que las empresas se comuniquen 
con los clientes son los chatbots en mensajeros o aplicaciones independientes. En 
el proceso de transformación, se deben apoyar las plataformas tradicionales y se 
debe alentar a los consumidores a usar nuevas tecnologías y herramientas. 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 al implementar una aplicación de chatbot independiente. Sin 
embargo, dado que las empresas ponen a disposición sus chats en sitios web de 
terceros, a menudo se comparte información con ellos. Si no se verifica la intención 
del usuario, se frustrará. Según el alcance de la conversación, esta vulnerabilidad 
puede dañar al propietario del chat, por ejemplo, una conversación frustrante con 
un chatbot que actúa como asistente de ventas puede alejar a un cliente. 
Contenido tóxico en las entradas de usuario de chabot 
El contenido tóxico puede ser un gran inconveniente para los proveedores y 
usuarios de chatbots. Los comentarios destinados a explotar el chat o violar la 
privacidad o robar derechos de autor también se consideran contenido tóxico. Este 
enfoque crea mecanismos de defensa para lenguajes de programación, 
computación en la nube y chatbots. No es intrusivo y no requiere ninguna 
actualización de los chatbots existentes o de las principales plataformas de 
conversación. 
Tay, una aplicación de chat mejorada para conversaciones generó mucha 
controversia cuando fue atacada por trolls de Internet en Twitter. En algunas 
aplicaciones donde se utilizan chatbots, la detección de ráfagas es importante. Las 
características que humanizan las interacciones de los chatbots hacen que los 
estafadores adopten un comportamiento estratégico inapropiado para ocultar su 
engaño. Para comprender mejor esta relación, se examinó el impacto de las 
habilidades conversacionales de los chatbots en las medidas de manipulación del 
comportamiento. 
Por lo tanto, el uso de chatbots más parecidos a los humanos puede ser ineficaz 
para las aplicaciones que se benefician de la detección de mentiras humanas. Las 
respuestas largas, en las que la información importante consiste en una o dos 
oraciones escondidas entre varias otras oraciones, pueden frustrar al usuario y 
detener la conversación. Los errores del usuario también pueden dar lugar a una 
clasificación errónea no intencionada. Otros errores arrojados por la entrada del 
usuario pueden incluir oraciones ofensivas, mala pronunciación, pronunciación 
incorrecta, uso de humor sutil, problemas de lenguaje, uso de jerga, errores de 
sintaxis. 
La falta de personalidad en la sala de chat también puede distraer al usuario del 
diálogo. Puede reducir este riesgo dando su nombre de chat y avatar. En otros 
casos, la frustración del usuario puede deberse a la falta de una estrategia clara de 
chatbot, lo que resulta en una orientación ineficaz del usuario hacia los objetivos de 
comunicación. A veces, un chat se diseña para un propósito específico y luego se 
revisa para satisfacer necesidades adicionales. 
Investigadores de todo el mundo esperan que los avances tecnológicos 
proporcionen respuestas satisfactorias a las debilidades de los chatbots. Además, 
diseñar un chatbot que reciba datos personales de otras aplicaciones puede ser útil 
para determinar la intención. El chat con herramientas de garantía de calidad 
integradas permite a los equipos de desarrollo mejorar continuamente el sistema. 
Además, proporcionar texto verificado para las declaraciones de chatbot puede 
evitar mensajes ofensivos. 
Finalmente, para proteger transacciones importantes como los pagos, es importante 
integrar el chat con un sistema que maneje dichas transacciones de manera precisa 
y eficiente. Los chatbots respaldan otras experiencias de aprendizaje electrónico 
con la capacidad de proporcionar contenido educativo y soporte personalizado. Los 
chatbots de apoyo al aprendizaje pueden retener información al repetir lecciones 
antiguas cuando los estudiantes se pierden. El aprendizaje se vuelve más fácil para 
los estudiantes ya que los chatbots pueden responder preguntas sobre el material 
de aprendizaje. 
Un chatbot también puede ayudar a los estudiantes con problemas de gestión 
escolar, como el registro de cursos, los calendarios de exámenes, las calificaciones 
y otros detalles relacionados con el estudio, lo que reduce en gran medida la presiónsobre los departamentos escolares. En un estudio, la cantidad de estudiantes que 
tomaron cursos universitarios aumentó porque un chatbot ayudó a los estudiantes 
a registrarse. Los estudios han demostrado que los estudiantes de idiomas prefieren 
los chatbots a los tutores humanos porque se sienten seguros y pueden usarlos en 
cualquier momento. En Jia, se introdujo un chatbot para hablar con los estudiantes 
de inglés, que utiliza un enfoque simplificado para razonar y razonar principalmente 
a través del análisis y la semántica. 
Muchas empresas usan chatbots para ayudar a los clientes. El servicio de atención 
al cliente está disponible las 2 horas del día a través del chat y permite a los 
consumidores enviar preguntas fuera del horario comercial normal, lo que mejora la 
satisfacción del usuario. En Gupta, un chat basado en el web escrito en RiveScript 
ayuda a los clientes a decidir qué productos son adecuados para ellos. Otro sistema 
de chat implementado con AIML y LSA utiliza el registro de preguntas frecuentes 
para responder a los usuarios. 
En la industria de la salud, los chatbots están diseñados para proporcionar a los 
pacientes información y tratamientos personalizados, productos y servicios 
relacionados con el paciente, ofreciendo diagnósticos y sugiriendo tratamientos en 
función de los síntomas del paciente. Además, se han implementado muchos 
chatbots para brindar información durante la pandemia de COVID-19, como: B. 
HealthBuddy. Los beneficios de usar chatbots en el cuidado de la salud incluyen 
avances en la toma de decisiones médicas y apoyo, mayor actividad física, apoyo 
para la terapia cognitivo-conductual y trastornos somáticos, lo que permite un 
tratamiento de salud efectivo con una precisión que rivaliza con la de los médicos 
humanos. 
Sin embargo, los chatbots médicos generalmente se asocian con una baja lealtad 
de los pacientes porque, a diferencia de los encuentros regulares con médicos 
humanos, los chatbots muestran una falta de consistencia o transparencia. Por otro 
lado, los médicos creen que los chatbots son más efectivos en actividades 
administrativas como programar citas, ubicar hospitales y proporcionar 
recordatorios de recetas. Por lo tanto, los médicos no confían en los chatbots para 
reemplazar tareas complejas de toma de decisiones que requieren asesoramiento 
médico profesional. En el campo de la psiquiatría en particular, los chatbots ofrecen 
el potencial de una herramienta nueva y poderosa. 
Una sala de chat que ofrece terapias puede hacer que el sistema de salud mental 
sea más accesible y exitoso para las personas que evitan hablar con un médico 
porque se sienten incómodas al expresar sus sentimientos. En algunos casos, los 
chatbots pueden ser más adecuados para cumplir con las solicitudes de los 
pacientes que los médicos humanos porque no están sesgados hacia los pacientes 
o porque los chatbots no están sesgados por género, edad o raza. El área de 
investigación más importante sobre los chatbots es la interfaz de lenguaje natural, 
que también es un área importante para los robots físicos. El usuario puede hacer 
preguntas sobre el comportamiento de la máquina. 
En la etapa actual de desarrollo tecnológico, los chatbots ya son ampliamente 
utilizados por muchas empresas y organizaciones. En el sector bancario, los 
chatbots hablan con los clientes y brindan información sobre los saldos de sus 
cuentas, facilitan el pago de facturas, ofrecen formas de ahorrar recursos y ayudan 
a activar tarjetas. Ejemplos de tales chatbots son Bank of America Erica, HDFC EVA 
y Australian Bank Ceba. En la industria alimentaria, los chatbots toman y rastrean 
pedidos, organizan detalles de entrega, realizan pedidos, solicitan comentarios de 
los clientes, notifican a los clientes sobre ofertas y descuentos, y responden 
preguntas de los clientes de acuerdo con las preguntas frecuentes de la empresa. 
Ejemplos de estos bots de chat son el bot de Dominos Pizza, el bot de Whole Food 
Messenger, el bot de chat de SubWay y el bot de chat de Burger King. IKEA, la 
marca líder en muebles, ha lanzado un chatbot llamado ORC. Zalando, una marca 
de moda utiliza chatbots para rastrear pedidos. PVR Cinemas, una importante 
cadena de cines de la India, utiliza chatbots para reservar entradas. 
Discusión 
En los últimos años, el desarrollo y uso de chatbots ha mejorado significativamente 
y tiene importantes beneficios en muchas industrias. En el campo de la atención de 
la salud, brindan diversos servicios a los pacientes. También contribuyen al 
desarrollo de interfaces de lenguaje natural en beneficio de la robótica. Sin embargo, 
los beneficios de los chatbots no se limitan a las áreas mencionadas anteriormente. 
Puede que no sea una exageración si decimos que en la mayoría de los casos 
cuando la comunicación se lleva a cabo a través del lenguaje natural, también es 
una oportunidad para hablar. Como ya se mencionó, el uso de chatbots implica 
principalmente riesgos relacionados con la seguridad de los datos personales. El 
mayor problema de los chatbots en la actualidad es su limitación para comprender 
y generar lenguaje natural. Mejorar la comprensión y la producción del lenguaje es 
quizás el paso más importante en el desarrollo futuro de los chatbots. 
No sabemos cuánto procesamiento del lenguaje natural se puede desarrollar en 
base a la tecnología actual. La tecnología actual apunta a crear chatbots que 
puedan aprender a hablar, pero no a pensar. Distintos enfoques en el campo de la 
psicolingüística describen las diferentes relaciones entre lenguaje y pensamiento. 
No nos extenderemos aquí, pero enfatizamos que todos los puntos aceptan una 
estrecha conexión entre el lenguaje y el pensamiento. 
Este hallazgo puede señalar una nueva dirección de investigación sobre la 
producción de chatbots con voz humana. Un requisito previo para esta 
reconstrucción es la elucidación de los complejos mecanismos del pensamiento, el 
lenguaje y sus interrelaciones a través de la psicología y las ciencias afines.