Covid-19, Chatbots y la tríada big data, machine learning y deep learning

Presente el principio clave, expuesto por Espinosa-Rada et al. (2018), sobre el hecho que no es la tecnología la que determina a las sociedades, sino que, son las sociedades las que construyen sus propias tecnologías para conseguir fines determinados, reflexionar sobre el rol protagónico que ha asumido el desarrollo de soluciones e innovaciones tecnológicas, en el contexto de emergencia en que se encuentran las sociedades a raíz de la progresiva transmisión de la enfermedad COVID-19, se vuelve indispensable.

¿El motivo?, estos productos y servicios se han vuelto los encargados de mediar la concreción de diversas actividades esenciales para la puesta en marcha de la vida diaria de individuos y sociedades en este variante contexto. Actividades como la detección temprana del contagio del virus, trabajar en modalidad a distancia, realizar compras y trámites de manera remota, y así poder cumplir con el exigido distanciamiento social, o la comunicación, de forma oportuna, de diversas informaciones, como resoluciones a nivel de gobiernos, que de no ser entregadas pueden afectar de diversas maneras su día a día, entre tantas otras actividades. 

Una solución tecnológica que ha aumentado su demanda y uso por parte de empresas, instituciones y usuarios finales, en niveles sorprendentes, en lo que va del estallido de la crisis del coronavirus, y que puede considerarse como un objeto necesitados son los chatbots. 

Pero, ¿qué es un chatbot?. Desde los conocimientos de Shevat (2017), a un nivel básico, los chatbots son una interfaz de usuario relativamente nueva, que permite a estos interactuar con diversos servicios y marcas, comerciales por ejemplo, utilizando diferentes aplicaciones de mensajería, como Whatsapp, Facebook, Chats dentro de páginas webs, etc. Los chatbots permiten exponer servicios de softwares a través de una interfaz conversacional, y por esto, se les ha llegado a definir como agentes de conversación capaces de adherirse a la forma en que los humanos se comunican, y que, además, intentan adaptarse a sus formas de pensar. Es menester hacer la salvedad que los chatbots no son el servicio en sí mismo, son solo una interfaz en el servicio. 

Reyes (2020), expuso que las empresas que se dedican al desarrollo de chatbots, en su mayoría empresas y startups dedicadas a la creación de softwares, han indicado un crecimiento en su uso a causa de la crisis sanitaria, pudiendo llegar a representar, en un futuro cercano, un 70% de la fuerza de trabajo. Por otro lado, y debido al aislamiento obligatorio en los hogares, las empresas que funcionan como centro de orientación, servicios o contactos, han empezado a demandar el desarrollo de chatbots a medida a empresas especializadas, con el fin que ni empleados, ni usuarios, se vean expuestos al virus.

Siguiendo en el mismo hilo de ideas, Isdi (2020), afirmó que el nuevo contexto social y económico ha afianzado el uso de softwares conversacionales. Sus beneficios, no sólo estarían relacionados con la imposibilidad de traslados de los clientes/usuarios a sucursales, también están relacionados a los diversos desafíos internos a los que se han visto enfrentadas las empresas al tener a sus empleados trabajando desde sus casas. 

     “Con la cotidianidad de las centrales de call center alteradas y con los clientes en casa, los chatbots se han posicionado como una herramienta eficiente y oportuna que registra crecimientos que van desde el 80% hasta el 600%, dependiendo de la industria a la que nos estemos refiriendo” (Isdi, 2020, párr. 2).

Desde las opiniones de Castro (2020) (Citada en Rodríguez, 2020), estos programas basados en lenguaje natural y algoritmos de aprendizaje automático, están diseñados para poder producir una experiencia positiva en aquellas personas que buscan fluidez en los canales de información en el momento en que desean conectarse. 

En cuanto al uso de chatbots para la gestión de la crisis sanitaria provocada por la irrupción del coronavirus, The Conversation (2020), comentó que una de las herramientas más prometedoras para combatir al Covid-19, es la salud digital o eHealth. A modo general, la salud digital incluye el uso de chatbots para resolver dudas relacionadas a todo tipo de enfermedades y tratamientos, y a modo particular, un chatbot entrenado con conocimientos acerca del coronavirus podría actuar como primera línea de choque sobre la pandemia y así evitar el riesgo de colapso de los sistemas sanitarios. ¿El motivo?

     “Si los ciudadanos tienen un canal para resolver sus dudas sobre, por ejemplo, los síntomas de la COVID-19 sin llamar a los teléfonos de emergencias o acercarse a un centro de salud, las líneas telefónicas y los profesionales médicos estarán disponibles para tratar los casos urgentes” (The Conversation, 2020, párr.4).

Es por lo anterior, que, y siguiendo con los datos entregados por The Conversation (2020), fueron surgiendo poco a poco chatbots relacionados con la enfermedad Covid-19, la mayoría disponibles en Whatsapp o Facebook Messenger, y capaces de entregar informaciones netamente médicas o más prácticas como informaciones sobre cómo comportarse durante los periodos de confinamiento. Entre los chatbots de eHealth, existen muchos de carácter oficial, como lo es el chatbot de la Organización Mundial de la Salud

El chatbot de la OMS. ofrece una serie de recomendaciones y datos sobre lo que está ocurriendo con el coronavirus, tal como se observa en las siguientes imágenes proporcionada por Campus Sanofi (2020b).

 

Otro chatbot oficial que fue desarrollado en el contexto de la pandemia es Catalina. Como lo explicó Torre Juana OST (2020), Catalina es el nombre del chatbot que el Programa de las Naciones Unidas para el Desarrollo (PNUD) puso a disposición para dar respuesta a diversas demandas de los ciudadanos acerca del coronavirus. Este chatbot está alojado en 79 páginas oficiales, y a los tres meses de funcionamiento, ya contaba con la interacción de casi 135.000 usuarios, y su tasa de acierto a las consultas recibidas ha sido de casi un 90%. 

A medida que transcurrió el tiempo, Catalina demostró ser una herramienta útil en la detección de otro tipo de necesidades y problemas menos expuestos de la pandemia, como lo es la falta de alimentos. “Se ha encontrado que aproximadamente un tercio de las nuevas demandas de información al chatbot hacen referencia a temas relacionados con los bonos de ayuda y problemas de acceso a alimentos”. (Torre Juana OST, 2020, párr.4)

Finalmente, otro ejemplo de chatbot es Maia. Planeta Chatbot (2020), comenta que este fue puesto a disposición de las personas por el organismo público Osakidetza – Servicio Vasco de Salud en su página web oficial, esto a fin de sumarse a la carrera de combate contra el coronavirus. 

Debido al entrenamiento diario que lleva a cabo un equipo multidisciplinario, incluido un equipo de especialistas conversacionales de la Agencia Global de Chatbot Chocolate, las consultas que resuelve Maia siguen avanzando y variando, tal como lo destacó Carlos Rodriguez (2020) (Citado en Planeta Chatbot, 2020, párr. 3), socio director de Chatbot Chocolate, 

     “A lo largo de las semanas, hemos visto como las dudas de los usuarios han ido cambiando. Mientras que al principio nos hacían muchas consultas relacionadas con los síntomas o qué hacer en caso de tener un familiar contagiado, en los últimos días se han multiplicado las preguntas relacionadas con atención psicológica o precauciones a la hora de salir”. (Rodriguez, 2020) (Citado en Planeta Chatbot, 2020. párr.3). 

Prosiguiendo con el entrenamiento de este asistente conversacional, Planeta Chatbot (2020) explicó que a diario se analizan los inputs que va recibiendo el chatbot, los reconocidos y los no reconocidos, siendo estos últimos revisados y entrenados, ya que de este modo se logra mejorar a diario la capacidad cognitiva del chatbot.

Llegados a este punto, y presente la relevancia del constante entrenamiento y supervisión de estos asistentes conversacionales, se los puede caracterizar como objetos incompletos. 

Como bien explica Tironi (2018), los objetos incompletos, siempre requieren algo para poder estabilizarse, validarse y en muchas ocasiones para existir como tales. Pueden parecer acabados, debido, por ejemplo, a su normalización social, durabilidad material o constitución técnica, pero lo cierto es que necesitan procesos de todo tipo para poder lograr solidez y capacidad de agencia, es decir, son objetos que necesitan ser hechos existir, tienen la necesidad de ser perfomados, explicados y constituidos, movilizando a sus propios actores, tecnologías y controversias. 

Para el caso específico de los chatbots, la condición de incompletitud, queda de manifiesto, por ejemplo, en la densa red de relaciones que deben co-existir entre humanos y no humanos para llegar a diseñar y mantener estos agentes de conversación expuestos de cara a usuarios finales sin que fallen, siendo útiles y actuales. 

Etapas de modelaje y re-modelaje de flujos de conversación, codificación y recodificación de estos flujos en lenguajes de programación, conexiones a clasificadores de intenciones, reconocimiento de entidades y procesamiento de lenguaje natural, permanente análisis de contenido de las conversaciones que llegan a través de sus usuarios,  entrenamientos supervisados, etc., son prácticas constantemente necesitadas.

Ahora bien, Shevat (2017) manifiesta que los dos aspectos más complejos en el desarrollo de un chatbot, son el contexto y la memoria. 

 Los humanos hacen un seguimiento constante del estado y el contexto mientras entablan una conversación, por lo tanto, los chatbots para poder ser agentes de conversación que se adhieren a la forma en que los humanos se comunican, deben poder realizar este seguimiento de estado y contexto, y lo hacen. Para seguir el estado y la memoria los chatbots hacen uso de la inferencia, valiéndose de ella pueden mantener el estado de una conversación y recordar diversos detalles claves de conversaciones anteriores.

Para que los chatbots puedan hacer estas inferencias, es necesario el constante entrenamiento supervisado o un entorno de aprendizaje supervisado por humanos, ya que “el software es excelente para repetir tareas y para reconocer patrones, hacer que los humanos enseñen a los bots con el ejemplo puede ser una excelente manera de automatizar procesos en el trabajo”. (Shevat, 2017, p. 1056)

Una de las formas de enseñar a los chatbots con ejemplos, es a través de la triada: big data, machine learning y deep learning.

Para comenzar, el big data, y desde lo expuesto por Lazacon (2019), se refiere de manera básica a cantidades masivas de datos digitales, el procesamiento de estos datos es imposible de realizar por sistemas informáticos convencionales, solo se puede hacer a través de sistemas y técnicas desarrolladas especialmente para el big data.  Estos datos son tan complejos de procesar debido a su,

Volumen: la cantidad de datos es enorme, una empresa puede llegar a recolectar de petabytes (1 millón de Gb) o exabytes (1 mil millones de Gb) de información.

Velocidad: los datos se producen de manera extremadamente rápida, a cada segundo se están generando grandes cantidades de estos.

Variedad: los datos son complejamente heterogéneos. Tienen distintos formatos, tamaños, tipologías, estructuras y provienen de múltiples fuentes. (Lazcano, 2020, párr.7)

Ahora bien, y siguiendo con Lazcano (2019), el machine learning es una técnica, dentro del área de la inteligencia artificial, que busca dotar a los computadores de la capacidad de aprender, de la manera en que lo hacen las personas, ¿cómo lo hace?, los algoritmos de machine learning desarrollan la capacidad de modificarse a sí mismos con el fin de adaptarse a los datos que está procesando, esto con el fin de resolver problemas computacionales por su propia cuenta.

Ahora bien, en cuanto al deep learning, este es un método específico de machine learning, IBM (s.f.) expone que este método incorpora redes neuronales en capas sucesivas para aprender de los datos de manera iterativa, y es especialmente útil cuando se necesita aprender patrones de datos no estructurados, como por ejemplo, las conversaciones que sostienen los usuarios con los chatbots surgidos para dar sustento a consultas sobre coronavirus. “Las redes neuronales complejas de deep learning están diseñadas para emular cómo funciona el cerebro humano, así que las computadoras pueden ser entrenadas para lidiar con abstracciones y problemas mal definidos” (IBM, s.f.).

La relación entre esta tríada es, 

  • El big data extrae y procesa los datos para disponibilizarlos ante los algoritmos de machine learning. Se puede decir que el big data es la fuente de ingesta de datos para el ML y DL.
  • El machine learning toma los datos procesados por el big data y los analiza para generar insights de negocio o aprender a realizar ciertas tareas automáticamente.
  • El deep learning ingiere los datos más importantes del big data para aprender sobre ellos a niveles mucho más profundos y para realizar tareas más complejas. (Lazcano, 2020, párr.18)

 Hoy, en el contexto de emergencias en que se sitúan las sociedades, y con todos los antecedentes expuestos en líneas anteriores, se vuelve urgente el pensar a la gestión de tecnología como los chatbots, a manera de un ensamblaje híbrido, un proceso en el cual tanto diseñadores, como usuarios y afectados, tienen la posibilidad de participar en su construcción, un proceso que considera tanto las propiedades técnicas como sociotécnicas de esta tecnología, por lo que su estudio debe prestarse a la “serie de arreglos técnicos, experticias profesionales, contextos de mercado y saberes locales siempre desplegados in situ, que la conforman”. (Tironi, 2018, p. 293).

Presente lo anterior, es que se vuelve relevante, y por tanto, el objetivo general de esta investigación el analizar cómo se articula el proceso de entrenamiento de chatbots para la gestión de Covid-19, haciendo uso de Big Data, Machine Learning y Deep Learning.

Pregunta:

¿Cómo se articula el proceso de entrenamiento de chatbots para la gestión de Covid-19, haciendo uso de Big data, Machine Learning y Deep Learning?

Objetivo general:

Analizar cómo se articula el proceso de entrenamiento de chatbots para la gestión de Covid-19, haciendo uso de Big Data, Machine Learning y Deep Learning.

Objetivos específicos: 

1.- Identificar las principales prácticas y profesionales que intervienen en el proceso de entrenamiento de chatbots para la gestión de Covid-19, haciendo uso de Big Data, Machine Learning y Deep Learning.

2.- Determinar la existencia de instancias en las que tanto diseñadores como usuarios y objetos, intervinieron dentro del proceso entrenamiento de chatbots para la gestión de Covid-19, haciendo uso de Big Data, Machine Learning y Deep Learning.

 

 

1 thought on “Covid-19, Chatbots y la tríada big data, machine learning y deep learning”

  1. Muchas gracias Camila por ese avance. Haces una atractiva introducción al explosivo crecimiento de los chatbots en tiempos de pandemia. Si bien resulta informativo mencionar los ejemplos de chatbots creados producto de la pandemia, me surgió la duda de si en tu estudio abordarás chatbots completamente relacionados al covid y el área de la salud, pues de lo contrario puede desviarte del foco. Separaría en otra sección la discusión del entrenamiento supervisado de los chatbots. El desarrollo que haces sobre Big Data, Machine Learning y Deep Learning es recogido casi enteramente de una entrada de Lazcano que tiene varias imprecisiones (por ejemplo el Deep Learning es un subconjunto de técnicas de Machine Learning). Te recomiendo revisar los contenidos del curso en dónde abordamos qué es el big data y el machine learning. Varios de los textos de la clase de Big Data te pueden ser de utilidad al respecto. Habría que problematizar la participación de usuarios y diseñadores en la producción de los chatbots, ya que no es simétrica ni en los mismos términos. Y no entendí muy bien lo que señalas de considerar tanto las propiedades técnicas y como sociotécnicas. Sobre la pregunta y objetivos específicos creo que aún están muy amplios y cercanos a tu tesis, por lo que estimo necesario que lo acotes a una dimensión o arista dentro del proceso de entrenamiento de los chatbots y quizás centrarte completamente en cómo opera y se codifica el deep learning dentro de ese proceso. En temas de formato, puedes mejorar la redacción (por ejemplo, reduciendo el uso de comas y haciendo más cortas las oraciones), falta incluir el listado de referencias y puedes aprovechar mejor el blog.

Agregar un comentario

Su dirección de correo no se hará público. Los campos requeridos están marcados *