Historias durante el Covid-19: ¡Descubre cómo nuestros clientes superaron nuevos retos!

¿Puede un Contact Center ser un «deep learner”?

Published on Feb 27, 2020 at 1:45 pm in Blog

 Había una vez un juego de 1400 años llamado «Ajedrez» y el campeón mundial de ajedrez, Garry Kaspárov, perdió contra la supercomputadora de IMB (International Business Machines Corporation) llamada «Deep Blue».   

 

Esto sucedió en 1997 y desde entonces el amor de la inteligencia artificial (IA) por el ajedrez nunca ha desaparecido, creando máquinas cada vez más hábiles y jugando torneos entre ellas.  

En noviembre de 2017 chess.com celebró un torneo con los diez motores de ajedrez más potentes. Un motor bastante bueno con un nombre extraño llamado, «Stockfish«, ganó y se convirtió en el nuevo campeón mundial de ajedrez. Según Wikipedia, «desde 2013 Stockfish ha sido desarrollado utilizando un marco distribuido de pruebas llamado Fishtesten el que los voluntarios pueden donar tiempo de la CPU para probar las mejoras del programa» y «a partir de junio de 2017, el marco ha usado un total de más de 745 años de tiempo de la CPU para jugar más de 485 millones de partidas de ajedrez».   

¡Impresionante! Sin embargo, un mes después, el programa informático AlphaZero desarrollado por DeepMind y con un enfoque de aprendizaje de refuerzo profundo, decidió ir por el título sin ningún conocimiento previo de ajedrez excepto de las reglas, y entrenando durante sólo 9 horas, alcanzando el nivel de Stockfish en el cuarto¡Y ganó! convirtiéndose en el mejor jugador de la historia desde que se inventó el juego.

Bien, te estarás preguntando ¿qué tiene que ver el ajedrez con los Contact Center?

 

Lo que importa aquí no es el juego de ajedrez, sino los nuevos algoritmos de aprendizaje automático utilizados para aprender a jugar al juego. Como son bastante genéricospueden aplicarse a muchos otros dominios, incluido el nuestro. 

AlphaZero aprendió de cero, jugando contra sí mismo numerosas veces en un potente hardware. Antes de eso, el primer gran éxito de DeepMind, una empresa británica ahora propiedad de Google, fue la creación de algoritmos que aprendieron a jugar varios juegos de Atari sin ningún conocimiento específico, simplemente procesando secuencias de pantallas.   El año pasado también crearon un programa capaz de enseñar robots humanoides simulados a correr, saltar y evitar obstáculos sin necesidad de formarle previamente. Eso significa que nadie le dice a la máquina lo que es correr, saltar o equilibrarse: descubre todos estos mecanismos por sí mismamediante el método de prueba y error. 

parkour 

AI parkour   

DeepMind, como su nombre indica, se especializa en técnicas de Deep Learning. Deep Learning es un método de machine learning que emula el aprendizaje humano con el fin de obtener ciertos conocimientos y lo llamamos «deep» (profundo en inglés) porque está compuesto por redes neuronales artificiales estructuradas en una cascada de capas. 

El Deep Learning empezó a brillar, hace unos años, cuando las redes neuronales pudieron aprovechar la creciente potencia de los ordenadores y las enormes cantidades de datos disponibles para entrenarEsto fue en 2012, cuando Google anunció que había construido un sistema de Deep Learningllamado Google Brain, que era capaz de identificar a los gatos en YouTube.  

 

 

Tal vez el gato descubrió Google Brain antes que nosotros 

Algunos dicen que el Deep Learning no es el futuro de la IA porque carece de una teoría formal. Pero es el presente, porque funciona. En 5 años el Deep Learning ya forma parte de nuestras vidas, siendo usado en búsquedas de Google, Google Translate, Google Play, recomendaciones de YouTube o Amazon, reconocimiento facial y publicidad dirigida de Facebook, Apple Siri, Microsoft Cortana, Snapchat, LinkedIn, Instagram y muchas otras aplicaciones populares. 

Hoy en día tenemos bibliotecas de código abierto optimizadas y escalables como Google Tensorflow, Microsoft CNTK o Theano que nos permiten desarrollar redes neuronales complejas u otros modelos de aprendizaje de máquinas mucho más rápido. Por supuesto, recoger, etiquetar y procesar los datos para la formación, afinar las redes o usarlas como parte de algoritmos de Machine Learning más complejos, como los algoritmos de refuerzo de Deep Learning usados por DeepMind, sigue siendo un trabajo duro, pero no empezamos en absoluto de cero. 

También está el factor precio. Las redes neuronales están hambrientas de grandes datos y de hardware rápido, que puede ser muy caro, pero para los grandes jugadores supone una oportunidadMlaaS (Machine Learning as a Service) es un negocio en crecimiento y abre las puertas para que las pequeñas empresas incluyan la IA en sus productos, eliminando el coste usualmente caro y exigente del hardware. Amazon Machine Learning, Microsoft Azure Machine Learning y Google Cloud AI son tres servicios líderes de MLaaS en el Cloud, que ofrecen plataformas en la nube destinadas a manejar casi todos los asuntos relacionados con la infraestructura. 

machinelearning

Its raining AI 

Las condiciones para que las empresas se beneficien del Deep Learning son muchasAunque conlleva los riesgos de cualquier tecnología emergente, no muy probada, y exige alguna inversión en I+D, puede marcar la diferencia. Centrándonos en el Contact Center, estas son las 7 posibles aplicaciones del Deep Learning 

 

1. Scripts de IA: 

Una nueva generación de scripts podría adaptar su contenido para lograr una conversación más adecuada cumplir con los objetivos de negocio, basado en el historial de las interacciones de los clientes con el Contact Center. 

La asistencia en tiempo real también es una posibilidad. Imagina scripts con un asistente artificial incorporado para ayudar al agente durante las interacciones con los clientes. El asistente artificial analiza la conversación, mediante algoritmos de reconocimiento de voz y comprensión del lenguaje natural, ofreciendo sugerencias de respuesta en tiempo real al agente. Incluso puede contar con las emociones. El Deep Learning ya se está usando para el análisis de los sentimientos. El seguimiento del estado emocional de los clientes puede dar pistas útiles al agente, por ejemplo, durante las llamadas de ventas salientes o las llamadas entrantes de una línea de ayuda en caso de emergencia. Las emociones detectadas se registran en el perfil de contacto para interacciones más personalizadas.  

 

2. Enrutamiento inteligente 

A los clientes les gusta cuando la empresa valora su tiempo. No necesitamos estadísticas para saber que, como clientes, es molesto que nuestra llamada se enrute al departamento equivocado y que tengamos que dar la misma información una y otra vez para finalmente llegar al agente que puede gestionar nuestro caso. Predecir por qué el cliente está llamando (basándose en las interacciones pasadas del cliente, otros clientes con interacciones similares y todos los datos relevantes posibles que puedan estar relacionados) es una gran ayuda. El sistema predictivo puede enrutar la interacción con el agente más adecuado y dar información previa al agente sobre las posibles causas de la llamada. 

 

3. Outbound predictivo 

Los marcadores predictivos han existido desde los años 80. Su trabajo consiste en maximizar la ocupación de los agentes marcando el número correcto de llamadas en el momento adecuado. Normalmente predicen, usando métricas de llamadas y análisis estadísticos, cuándo los agentes estarán disponibles para aceptar la siguiente llamada, cuánto durará la llamada y la probabilidad de que una llamada sea contestada.  

«Activar el número correcto de llamadas en el momento adecuado…» suena como un juego, un juego complejo con muchas variables involucradas, que probablemente puede ser dominado por los algoritmos del Deep Learning.  

4. Gamificación 

Hemos hablado de personalizar la experiencia para los clientes, pero ¿qué tal si personalizamos también la experiencia para los agentes?  

También podemos recoger los datos de los agentes. Al construir el perfil de cada agente de un Contact Center, gracias a una serie de datos o extrayendo información del comportamiento y de los resultados del agente durante el trabajo, un sistema de Deep Learning puede predecir lo que motiva al agente y establecer metas y recompensas personales y personalizadas para cada individuo, con el fin de mejorar su rendimiento de acuerdo con sus característicasTambién se puede aplicar a los equipos. 

5. Elegir el mejor contacto para llamar, en el mejor momento 

Algunas personas prefieren responder a las llamadas telefónicas sólo a la hora del almuerzo, mientras que a otros no les gusta ser interrumpidos en la hora de su comida. Algunos prefieren ser contactados por la mañana, otros después de las horas de trabajo. En resumen, la gente es muy diferente.  

Por eso, elegir con precisión el momento más adecuado y la persona correcta para contactar con el cliente, mejorará la tasa de éxito de las interacciones. Si se entrena con suficientes perfiles de clientes y datos de interacciones pasadas, el Deep Learning puede hacer este trabajo, maximizando el éxito de una campaña saliente.  

 

6. Planificación de la capacidad y optimización de la fuerza de trabajo 

¿Cuál es el hardware mínimo que necesitamos para cumplir con los objetivos del Contact Center? ¿Cuál es el número máximo de campañas, agentes y otrofactores que puede manejar el hardware existente? Las redes neuronales se pueden utilizar para estimar estos números, aprendiendo de las configuraciones existentes y haciendo predicciones sobre otras nuevas.  

¿Cuál es el número ideal de agentes de salida y entrada, para un período determinado del día, un día de la semana o un mes específico, según el volumen de interacciones previsto? ¿Cuál es el perfil ideal de los agentes dado el tipo de interacciones esperadas? El Deep Learning puede hacer predicciones basadas en la experiencia y ofrecer pistas a los supervisores sobre cómo deben dimensionar el Contact Center. 

7. Chatbots 

Ideas similares a los «scripts de IA» spueden aplicar a los chatbots que interactúan directamente con los clientes, gracias al Deep Learning utilizado para la comprensión del lenguaje natural y la personalización de la interacción.  

Por ahora, los chatbots no llegan a tener el mismo nivel que un agente humano y por eso, no pueden sustituir a los agentes en interacciones complejas. Pero ya hay casos de chatbots que se utilizan con éxito para la interacción con los clientes, y con una mejor inteligencia, pueden desempeñar un papel importante manejando campañas sencillas o incluso ayudando a los agentes internamente. 

 

La IA es antigua y ninguna de estas ideas es realmente nueva. Lo que cambia con el Deep Learning es su capacidad de relacionar toneladas de datos, logrando una precisión cada vez mayor en el transcurso del tiempo, y la capacidad del software para aprender y adaptar automáticamente los algoritmos del producto a cada cliente. Es un poco como el ajedrez: siempre es el mismo juego pero hemos encontrado una nueva estrategia para jugarlo. 

Así que, un Contact Center también puede ser un Deep Learner y jugar sus propios «juegos» al estilo de la IA. Pero si pensamos en el futuro, ¿por qué detenerse aquí? En lugar de aplicaciones de IA separadas, ¿por qué no unificar todo en un sistema de IA que gestione todo el Contact Center y se ocupe de los objetivos de negocio, optimice los recursos, enrute las interacciones, priorice los contactos salientes y ayude a los agentestodo a la vez? Una especie de HAL 9000 para el sector de los Contact Center esperemos, que con menos defectos.  

odisea en el espacio
Frase 
pronunciada por HAL 9000 en “2001: Una Odisea del Espacio 

 

Avatar

Ricardo Santos

Otras noticias

Estrategia predictiva y atención omnicanal, retos digitales del sector seguros

La digitalización está transformando todos los sectores. Pero especialmente el de seguros. Según los datos de ICEAi, seis de.

Leer más

Altitude Software y Microsoft comparten las estrategias clave para los negocios en la era post-Covid

Ambas compañías aportan conocimiento para que las empresas puedan ser más ágiles y flexibles, y estén preparadas para afrontar.

Leer más

Call Center vs Contact Center vs Customer Engagement Center

Trabajo en la industria del Contact Center desde hace 20 años y últimamente siento que estoy anticuado. ¡Llevo aquí.

Leer más

¿Qué es un IVR?

El IVR (Interactive Voice Response) es un sistema tecnológico para Call Centers que permite que agentes automatizados interaccionen con personas mediante el uso.

Leer más

¿Qué es la Comunicación o Mensajería Asincrónica?

El mundo acelera cada vez mas su ritmo de vida  y nuestras rutinas se sincronizan a la misma velocidad..

Leer más

No vayas, ¡llama! – SNS24 Portugal

Cuarentena, aislamiento,  pandemia,  distanciamiento social,  máscaras faciales,  ventiladores, desinfección, muerte, recuperación…  Estas son las palabras  «de moda'» que el mundo ha estado escuchando durante los últimos dos meses y que también se convierten en algo común.

Leer más

Asegura la continuidad de las operaciones
de tu Contact Center de forma segura

newpopout