Conversación Digital Automatizada Blog

Aplicación inteligente para profesionales del Derecho: consulta de documentos sin leer

mario.recalde@conversacion.digital (Mario Recalde) — Tue, 17 Oct 2023 06:11:47 GMT

"Aplicación inteligente para profesionales del Derecho: consulta de documentos sin leer"

Aprovechando los modelos LLM para conversar con nuestra propia información

Introducción:

Participar en el programa de tutoría de KaggleX fue una experiencia esclarecedora y enriquecedora. Fue una gran oportunidad para desarrollar un proyecto bajo la guía de un profesional experimentado, como mentor (en mi caso Henry Ruiz PhD ) y la ayuda de todo el increíble equipo de KaggleX.

Al comienzo de este viaje, hace casi dos meses, estaba decidiendo entre desarrollar un proyecto basado en pronóstico de series temporales o un proyecto basado en procesamiento de lenguaje natural. Ambos temas eran algo en lo que quería mejorar mi comprensión.

Después de la evaluación inicial decidí optar por la segunda opción y desarrollar una solución que pudiera ser útil tanto para particulares como para empresas y, por qué no, poder comercializar. Decidí centrarme en una aplicación para la industria jurídica o la práctica de abogados y notarios. Incluso escribí un párrafo de venta:

“En el panorama en constante evolución de la documentación legal, ha surgido una solución innovadora que promete revolucionar la forma en que los profesionales del derecho interactúan con documentos extensos. Este artículo profundiza en la innovadora "Aplicación inteligente para profesionales jurídicos", una aplicación de vanguardia basada en modelos de lenguaje grandes (LLM) y procesamiento del lenguaje natural (NLP). ¿Su misión? Permitir que abogados, notarios y otros expertos legales consulten y extraigan información vital de documentos complejos sin la necesidad de una lectura extensa. Esta es una solución transformadora que tiene el potencial de redefinir la eficiencia en la industria legal”.

A lo largo de este viaje, describiré la evolución del proyecto, los desafíos encontrados y los diversos caminos recorridos, hasta llegar a una aplicación final, que probablemente no se pueda describir con el párrafo anterior, pero es un primer paso en esa dirección.

Definición del proyecto

Explorar el potencial de LLM (Large Language Models) y NLP (Natural Language Processing) para fine-tuning y prompting engineering para "conversar" con documentos electrónicos, extraer información valiosa y mejorar la eficiencia de los profesionales del derecho.

Los conceptos clave cubiertos en este proyecto fueron:

IA generativa para texto.
Procesamiento del lenguaje natural (NLP).
Modelos de lenguaje extensos (LLM).

¿Qué aprendí?

Este proyecto ha sido un viaje revelador y he adquirido conocimientos valiosos en varias áreas:

1. Diferentes tipos de LLM:

Aprendí sobre los distintos modelos de lenguajes extensos (LLM) disponibles para diferentes aplicaciones.

2. Ajuste fino:

Profundicé en las complejidades de ajustar un modelo de lenguaje (fine-tuning) y entendí la importancia de utilizar datos específicos a la tarea para la que se quiere mejorar su rendimiento.

3. Ingeniería de indicaciones:

Exploré técnicas como Prompting Engineering y Retrieval Augmented Generation, que tienen el potencial de optimizar la interacción entre usuarios y documentos.

Empoderar a los profesionales jurídicos

El objetivo principal de este proyecto fue desarrollar una aplicación que satisfaga las necesidades de los profesionales del derecho, incluidos abogados y notarios. Estos profesionales a menudo necesitan revisar documentos extensos, un proceso que consume mucho tiempo y es costoso. Sin embargo, nuestra aplicación pretende cambiar eso al permitir a los usuarios hacer preguntas específicas sobre un documento sin la necesidad de leerlo en su totalidad. Esta solución innovadora puede ahorrar tiempo y recursos valiosos.

El estado del arte del LLM en palabras simples

El campo de las aplicaciones desarrolladas utilizando modelos de lenguaje extensos está en continua evolución. Mantenerse al día con el ritmo de los avances puede ser un desafío para un individuo. El panorama está inundado de nuevas bibliotecas, aplicaciones y métodos. Este proyecto sirvió como una oportunidad para explorar las fronteras de este campo.

Evolución de LLM (Transformadores)

La evolución de los LLM es notable. Desde el entrenamiento previo de modelos desde cero con pesos aleatorios hasta el ajuste con datos de tareas específicas, el progreso en esta área es notable.

La idea original

El proyecto comenzó con la idea de entrenar un modelo LLM Open Source con documentación legal específica, como la del sitio web de SINARDAP. El objetivo era aprovechar este modelo para crear una aplicación que extrajera información de documentos similares. Sin embargo, este objetivo presentó su propio conjunto de desafíos.

¿Cómo empezó?

Mi viaje comenzó aprendiendo la terminología y los conceptos de IA generativa, particularmente referentes a PNL y LLM. El curso de PNL de HuggingFace fue un recurso valioso que proporcionó conocimientos e ideas para su implementación. Adquirí un conocimiento profundo de los LLM, los transformadores y el proceso de ajuste (fine-tuning). Extraer información de los archivos PDF de SINARDAP y formatearla para realizar ajustes fue una parte importante de la fase inicial.

Código para extraer datos

Desarrollé código para extraer datos de archivos PDF, que está disponible en [GitHub] ( https://github.com/mhrecaldeb/KaggleXMentoringProgram ). Los archivos dentro de este repositorio lograron una variedad de objetivos, desde web scraping hasta descargar archivos PDF, extraer texto de archivos PDF y concatenar todo el texto de una manera que pudiera usarse para ajustar un modelo. Debido al nivel de variabilidad de formatos en los sitios web y en los archivos PDF, la extracción de información resultó ser una tarea enorme. Además, el ajuste del uso de las bibliotecas de HuggingFace presentó sus propios grandes desafíos y el nivel de recursos necesarios superó los que tenía disponibles.

Después de algunas semanas luchando con las bibliotecas de HuggingFace, decidí probar algunas opciones low-code y aprovechar el cupón que KaggleX entregó a los aprendices al comienzo del programa como parte de las herramientas que podíamos usar para desarrollar los proyectos.

La experiencia con Google Cloud

Explorar Google Cloud ofreció herramientas prometedoras como Vertex AI para ajustar los modelos de lenguaje. Sin embargo, la tarea resultó ser compleja y requería muchos recursos. A pesar de los intentos de conseguir recursos computacionales adicionales, fue un desafío avanzar con este enfoque.

Vertex IA:

Ofreció una plataforma para ajustar modelos de lenguaje con un archivo JSON generado en la primera etapa del proyecto. Sin embargo, incurrió en costos elevados y el cupón entregado por el programa KaggleX se consumió y, finalmente, esta opción no logró brindar los resultados deseados.

Search & Chat:

En Generative App Creator de Google Cloud se permitía la creación de aplicaciones de búsqueda y chat utilizando modelos predefinidos. A pesar de que este tipo de solución era muy fácil de crear y tenía opciones para implementar interfaces UI para permitir a los usuarios aprovecharlas, los resultados durante las pruebas a menudo eran inexactos.

¿Cómo terminó? - LangChain

Teniendo en cuenta las limitaciones de tiempo y recursos, encontré una solución alternativa utilizando las bibliotecas OpenAI y LangChain . Este enfoque me permitió utilizar Prompting Engineering y Retrieval Augmented Generation. En términos de complejidad, esta solución estaba a medio camino entre las otras dos. Y tenía el potencial para implementar lo que era el objetivo principal de este proyecto.

Codificación usando LangChain

LangChain se utilizó para todo, desde llamar a un modelo OpenAI, cargar archivos PDF, dividir la información, crear una base de datos vectorizada, generar embeddings y establecer una cadena RetrievalQA.

Para poder comprender y desarrollar mi propia solución, completé los siguientes cursos de Deeplearning.IA :

LangChain for LLM Application Development.
LangChain: Chat with Your Data.

El código para conversar con tus datos está disponible en: [GitHub]( https://github.com/mhrecaldeb/chat-with-your-data ).

Experimenté con varios tipos de métodos en cada parte del código, por ejemplo, para la base de datos vectorizada comencé a probar Chroma para una base de datos en disco (persistente) pero finalmente nos conformamos con FAISS (Meta) para una base de datos en memoria.

UI (Streamlit)

Desarrollé una interfaz de usuario usando Streamlit , lo que facilitó la interacción con la aplicación. Sin embargo, hubo desafíos al cargar archivos PDF, lo que llevó a ajustes en el enfoque.

Necesitaba cambiar el método para dividir la información extraída de los archivos PDF ya que el método de carga de PDF LangChain no funcionaba para cargar documentos usando un botón en Streamlite, y mucho menos varios documentos.
Este cambio en el método de carga de PDF afectó el código tanto en el objeto que se utiliza para dividir el texto, y a partir de ese momento la estrategia fue trabajar con texto plano en lugar de con documentos.
En lugar de usar “RecursiveCharacterTextSplitter”, tuve que usar “CharacterTextSplitter”, en consecuencia necesitaba usar “text_splitter.split_text”, en lugar de “text_splitter.split_documents”, así como “FAISS.from_texts” en lugar de “FAISS.from_documents” .

El enlace para acceder a la aplicación es: https://smartapp-dontread-yourdocs.streamlit.app/

En conclusión

Este proyecto ha sido un viaje de exploración, aprendizaje y adaptación. Si bien enfrentó desafíos en el camino, finalmente condujo a una solución que permite a los profesionales legales extraer información de manera eficiente. El campo de los modelos de lenguajes grandes continúa evolucionando y sigo entusiasmado con las posibilidades que ofrece para el futuro.

Quién sabe, tal vez en el futuro pueda realizar ajustes finos en un LLM y usar otros modelos como Llama 2 para herramientas similares a esta pero más precisas.

Problemas de negocio que el Machine Learning ayuda a solucionar

mario.recalde@conversacion.digital (Mario Recalde) — Fri, 18 Aug 2023 20:38:33 GMT

Problemas de negocio que La Inteligencia Artificial ayuda a solucionar

Escuchamos mucho sobre Inteligencia Artificial (AI), Machine Learning, Deep Learning, Generative AI, etc. Pero muchas veces no entendemos realmente que es y para que sirve. Este artículo escrito en palabras muy simples puede dar una idea del tipo de problemas de negocio que la Inteligencia Artificial, sobre todo dentro de ella el Machine Learning e incluso dentro de esta última el Deep Learning y Generative AI permiten o ayudan a solucionar.

Comencemos con una lista lo más extensa posible, de las principales aplicaciones que se le está dando al Machine Learning y al Deep Learning, divididas por tipo de industria, y por tipo específico de aplicación, en campos tan variados como: imagenes, sonido, predicción o identificación, categorización, clustering o agrupamiento, series temporales, recomendaciones, y otras.

Una lista general de aplicaciones de Machine Learning

Salud y Medicina:

Diagnóstico médico a partir de imágenes médicas (radiografías, resonancias, tomografías).
Detección de enfermedades a través de análisis de sangre y biomarcadores.
Identificación de patrones en datos genéticos para entender enfermedades hereditarias.
Descubrimiento de medicamentos y diseño de moléculas.
Personalización de tratamientos médicos basados en datos del paciente.
Análisis de voz para diagnóstico de trastornos neurológicos.
Monitoreo de pacientes en tiempo real a través de sensores y wearables.

Automoción:

Conducción autónoma y asistencia a la conducción.
Detección de objetos y peatones para evitar colisiones.
Optimización de rutas de entrega y logística.
Mantenimiento predictivo de vehículos.

Finanzas:

Detección de fraudes en transacciones financieras.
Predicción de tendencias del mercado y fluctuaciones de precios.
Evaluación crediticia y riesgo crediticio.
Automatización de procesos de inversión.
Análisis de sentimiento en redes sociales para predecir movimientos del mercado.

Retail y Comercio Electrónico:

Recomendación de productos a los usuarios.
Análisis de imágenes para detección de productos y estanterías llenas/vacías.
Predicción de demanda y optimización de inventario.
Personalización de ofertas y promociones.

Tecnología y Redes Sociales:

Reconocimiento facial en aplicaciones de seguridad y desbloqueo de dispositivos.
Etiquetado automático de imágenes en redes sociales.
Traducción automática de idiomas.
Filtrado de spam y contenido inapropiado.
Análisis de sentimiento en redes sociales.

Manufactura:

Control de calidad en la línea de producción a través de inspección visual automatizada.
Mantenimiento predictivo de maquinaria industrial.
Optimización de procesos de fabricación y cadena de suministro.

Energía y Recursos Naturales:

Optimización de la generación y distribución de energía.
Pronóstico de demanda energética.
Análisis de datos geofísicos para exploración de recursos naturales.

Educación:

Personalización de contenido educativo.
Evaluación automática de respuestas en exámenes.
Sistemas de tutoría virtual.

Sector Público y Gobierno:

Análisis de datos para la toma de decisiones políticas y planificación urbana.
Detección de fraudes en programas de asistencia social.
Análisis de datos para la mejora de servicios públicos.

Entretenimiento:

Generación automática de música, arte y contenido multimedia.
Recomendación de contenido en plataformas de streaming.
Animación y generación de efectos especiales.

Agricultura:

Monitoreo de cultivos y detección de plagas mediante drones y sensores.
Predicción de rendimientos agrícolas.
Optimización de uso de fertilizantes y recursos hídricos.

Ciencias Sociales y Humanidades:

Análisis de texto para entender tendencias en el pensamiento social.
Modelos de predicción demográfica.
Reconstrucción de idiomas antiguos.

Biología y Ecología:

Análisis de secuencias genéticas para entender la evolución y las enfermedades.
Monitoreo de la biodiversidad y seguimiento de especies en peligro.

Investigación Científica:

Análisis de datos en física de partículas y astronomía.
Simulación y modelado en diversas áreas científicas.

Esta lista es amplia y abarca muchas de las aplicaciones actuales del Machine Learning y Deep Learning en diferentes industrias y contextos. Cabe mencionar que estas tecnologías están en constante evolución y es posible que nuevas aplicaciones surjan con el tiempo, de hecho muchas están surgiendo mientras este artículo es escrito.

Una lista de casos más específicos

A continuación proveo una lista de los casos que considero los más relevantes con una explicación sencilla de como el Machine Learning ayuda a solucionarlos.

A) En la industria de la Salud y Medicina

El monitoreo de pacientes en tiempo real a través de sensores y wearables ha revolucionado la atención médica al proporcionar una supervisión constante y detallada de la salud de los pacientes fuera del entorno hospitalario. Estos dispositivos recopilan datos como ritmo cardíaco, presión arterial, niveles de oxígeno y actividad física, transmitiendo información en tiempo real a los profesionales de la salud. Esto permite la detección temprana de cambios en los signos vitales y patrones anormales, lo que resulta fundamental para el manejo de enfermedades crónicas, seguimiento posoperatorio y atención a personas mayores. Además, estos datos pueden utilizarse para personalizar tratamientos y ajustar terapias en función de las necesidades individuales de cada paciente. En última instancia, el monitoreo constante mejora la calidad de la atención médica al permitir intervenciones oportunas y reducir hospitalizaciones no planificadas.

B) En la industria de Automoción

El mantenimiento predictivo de vehículos está transformando la forma en que se aborda el mantenimiento y la gestión de flotas. Mediante la recopilación y análisis de datos generados por sensores incorporados en los vehículos, como sistemas de frenado, transmisión y motor, es posible anticipar fallos y problemas mecánicos antes de que ocurran. Al identificar patrones anómalos en el funcionamiento de los componentes, los algoritmos predicen cuándo es probable que se produzca un fallo. Esto permite a los proveedores de servicios de automoción programar el mantenimiento de manera proactiva, reemplazar piezas antes de que fallen y evitar averías costosas. Como resultado, se reducen los tiempos de inactividad no planificados de los vehículos, se maximiza la vida útil de los componentes y se optimizan los costos operativos para las empresas de transporte y logística.

C) En el ámbito de las Finanzas

El análisis de sentimiento en redes sociales se ha convertido en una herramienta valiosa para predecir movimientos en los mercados financieros. Utilizando técnicas de procesamiento de lenguaje natural, los algoritmos escanean y analizan millones de publicaciones en redes sociales, foros en línea y noticias financieras para evaluar el tono y la opinión pública sobre activos financieros. Esta información permite a los inversores y operadores captar las tendencias emergentes, el optimismo o el pesimismo en relación con una acción o activo. Al combinar estas señales con datos tradicionales, como precios de acciones y factores económicos, se pueden tomar decisiones informadas en la compra, venta o retención de activos. Si bien el análisis de sentimiento no es infalible, proporciona una perspectiva adicional que complementa el análisis financiero convencional y puede brindar ventajas competitivas en un mercado volátil y cambiante.

D) En la industria del Retail y Comercio Electrónico

La predicción de demanda y optimización de inventario ha transformado la gestión de productos y la experiencia del cliente. Mediante algoritmos de Machine Learning, las empresas pueden analizar datos históricos de ventas, factores estacionales y tendencias del mercado para anticipar cuánto stock de cada producto se necesitará en el futuro. Esto evita la escasez o el exceso de inventario, optimizando la disponibilidad de productos y mejorando la satisfacción del cliente. Además, la predicción de demanda permite una planificación más eficiente de la cadena de suministro, reduciendo los costos asociados con el almacenamiento y la gestión del inventario. En el ámbito del comercio electrónico, estas predicciones también se utilizan para personalizar ofertas y recomendaciones, brindando a los clientes una experiencia de compra más relevante y atractiva.

E) En Tecnología de la Información y Redes Sociales

El etiquetado automático de imágenes en redes sociales es un ejemplo impresionante de cómo la visión por computadora está mejorando la gestión y búsqueda de contenido multimedia. Los algoritmos de aprendizaje profundo analizan las imágenes compartidas en plataformas sociales y las etiquetan automáticamente con descripciones precisas de los objetos, lugares o personas presentes en la imagen. Esto simplifica la organización y facilita la búsqueda de imágenes en base a etiquetas, mejorando la accesibilidad y el descubrimiento de contenido. Además, el etiquetado automático permite a los usuarios crear álbumes y colecciones temáticas de manera más eficiente. Este avance también beneficia a las empresas y creadores que pueden categorizar su contenido visual de manera más efectiva, mejorando la visibilidad y la interacción en línea.

F) En la Manufactura

El mantenimiento predictivo de maquinaria industrial está optimizando la eficiencia y la confiabilidad de los procesos de producción. Los sensores integrados en las máquinas recopilan datos en tiempo real sobre su rendimiento y estado. Estos datos se analizan utilizando algoritmos de aprendizaje automático para detectar patrones que indiquen un posible fallo. Al predecir cuándo una máquina podría necesitar mantenimiento, las empresas pueden planificar intervenciones de manera más eficiente, evitando paros no programados y reduciendo costos. Además, el mantenimiento predictivo ayuda a prolongar la vida útil de los equipos y a mejorar la calidad del producto al minimizar la variabilidad en los procesos de producción. En última instancia, esto contribuye a una mayor satisfacción del cliente y a una producción más competitiva.

G) En el ámbito de la Energía y Recursos Naturales

El análisis de datos geofísicos para exploración de recursos naturales ha transformado la forma en que se descubren y explotan recursos valiosos como petróleo, gas y minerales. Los geofísicos recopilan y analizan datos sísmicos, magnéticos y gravitacionales para comprender la composición y estructura del subsuelo. Los algoritmos de Machine Learning procesan estos datos y detectan patrones y anomalías que indican la presencia de recursos. Esto mejora la precisión y eficiencia en la exploración, reduciendo costos y riesgos en la búsqueda de yacimientos. Además, la combinación de datos geofísicos con información geológica tradicional permite a las empresas tomar decisiones informadas sobre la perforación y la extracción, maximizando la recuperación de recursos y minimizando el impacto ambiental.

H) En el ámbito de la Educación

La evaluación automática de respuestas en exámenes ha simplificado y agilizado el proceso de evaluación, al tiempo que ofrece retroalimentación instantánea a los estudiantes. Los sistemas de aprendizaje automático analizan respuestas escritas o de opción múltiple, comparándolas con patrones y respuestas modeladas previamente por instructores. Esto permite la revisión rápida de exámenes, eliminando la necesidad de corrección manual y reduciendo la carga de trabajo para los educadores. Además, los estudiantes reciben comentarios inmediatos sobre su desempeño, lo que les ayuda a identificar áreas de mejora y a comprender conceptos erróneos de manera temprana. La evaluación automática también fomenta la equidad al aplicar criterios consistentes y objetivos en la evaluación, lo que contribuye a una educación más justa y eficaz.

I) En el Sector Público y Gobierno

El análisis de datos para la mejora de servicios públicos ha dado lugar a una toma de decisiones más informada y basada en evidencia. Los gobiernos y las agencias utilizan conjuntos de datos enormes para evaluar la eficacia de los programas, planificar políticas y asignar recursos de manera más eficiente. Al analizar datos de tráfico, transporte, salud pública y otros, se pueden identificar patrones y tendencias que ayuden a prever necesidades y desafíos. Esto permite tomar medidas proactivas para mejorar la calidad de vida de los ciudadanos, optimizar la infraestructura y proporcionar servicios más efectivos. Además, el análisis de datos permite medir el impacto de políticas y decisiones gubernamentales, lo que contribuye a una gestión más transparente y responsable.

J) En el ámbito del Entretenimiento

La animación y generación de efectos especiales han llevado la creatividad y la visualización a nuevos niveles. Utilizando modelos generativos de Deep Learning, los creadores pueden generar escenas y personajes animados con un realismo impresionante. Esto agiliza el proceso de producción y permite a los estudios de cine y animación crear contenido visualmente impactante de manera más eficiente. Además, los algoritmos de generación de efectos especiales permiten crear elementos visuales sorprendentes, como explosiones, criaturas fantásticas y fenómenos cósmicos. Esta tecnología ha ampliado el potencial creativo en la narración de historias y ha enriquecido la experiencia del público en películas, videojuegos y otros medios audiovisuales.

K) En la industria de la Agricultura

El monitoreo de cultivos y detección de plagas mediante drones y sensores ha revolucionado la forma en que se aborda la gestión agrícola. Los drones equipados con cámaras y sensores recorren los campos para capturar imágenes y datos sobre la salud de los cultivos. Los algoritmos de análisis de imágenes procesan estas capturas y detectan signos tempranos de estrés vegetal, deficiencias nutricionales y plagas. Esto permite a los agricultores intervenir de manera precisa y oportuna, aplicando tratamientos selectivos en lugar de pesticidas generalizados. Como resultado, se reduce el uso de químicos, se optimiza la producción y se preserva el medio ambiente. Además, el monitoreo continuo ayuda a prevenir pérdidas significativas y a mejorar la calidad y el rendimiento de los cultivos.

L) En Ciencias Sociales y Humanidades

Los modelos de predicción demográfica han llevado a un entendimiento más profundo de los patrones de población y migración. Utilizando datos históricos y actuales, así como técnicas de aprendizaje automático, los demógrafos pueden prever tendencias futuras en la población de una región o país. Estos modelos consideran factores como tasas de natalidad, mortalidad y migración, ayudando a gobiernos, organizaciones y planificadores urbanos a tomar decisiones informadas sobre políticas y recursos. El análisis demográfico proporciona una visión precisa y proyectada de los cambios en la población, lo que es fundamental para la planificación estratégica y la toma de decisiones a largo plazo.

M) En el ámbito de la Biología y Ecología

El monitoreo de la biodiversidad y seguimiento de especies en peligro ha mejorado la conservación y la comprensión de los ecosistemas naturales. Los sensores y cámaras instalados en hábitats naturales recopilan datos sobre la actividad y el comportamiento de las especies. Estos datos se analizan utilizando algoritmos para identificar patrones y cambios en las poblaciones de animales. Esto permite a los científicos y conservacionistas detectar amenazas tempranas, como la caza furtiva o la degradación del hábitat, y tomar medidas para proteger a las especies en peligro. Además, el monitoreo continuo brinda información valiosa sobre las dinámicas de los ecosistemas y ayuda a evaluar la efectividad de las estrategias de conservación.

N) En el ámbito de la Investigación Científica

La simulación y modelado han impulsado avances significativos en diversas áreas científicas. Utilizando supercomputadoras y algoritmos sofisticados, los investigadores pueden simular fenómenos naturales complejos, como reacciones químicas, interacciones moleculares y dinámicas de partículas. Estos modelos numéricos proporcionan una ventana a la comprensión de procesos difíciles de observar en el mundo real, lo que facilita la validación de teorías científicas y el diseño de experimentos eficientes. La simulación también juega un papel clave en la investigación en física de partículas, astronomía, biología estructural y muchas otras disciplinas, contribuyendo a avances significativos en la frontera del conocimiento humano.

Las aplicaciones son prácticamente incontables, muchas veces el problema no es qué podemos hacer con el Machine Learning, sino primero cómo conseguir los datos necesarios para aplicar las soluciones y luego cómo aplicar las soluciones a la realidad específica de nuestro contexto. Muchas veces el reto real es traer estos conceptos a nuestra propia comunidad y usarlos para resolver problemas en nuestro entorno particular.

La omnicanalidad herramienta para las empresas

mario.recalde@conversacion.digital (Mario Recalde) — Wed, 27 Apr 2022 15:03:08 GMT

La Omnicanalidad Herramienta para las Empresas

La omnicanalidad es un concepto en marketing y gestión de la relación con el cliente, que se ha venido desarrollando en la última década, y que en nuestro país como en otros, ha tenido un empuje importante gracias a la necesidad de usar canales digitales para comunicarse e interactuar en genera, durante la pandemia.

“La omnicanalidad es una estrategia de marketing que crea experiencias valiosas entre una empresa o negocio y sus clientes, a través de todos los medios de contacto que tiene vigentes, ya sean físicos o digitales.” HubSpot

¿Qué es en realidad omnicanalidad?

En general una empresa entiende que, si desarrolla sus canales digitales como su página web, sus redes sociales, sus canales de mensajería como WhatsApp, además de sus canales físicos tradicionales, ya está haciendo omnicanalidad. Pero hay una consideración importante, la cual muchas veces se pasa por alto, y es la capacidad de integración de todos estos canales para que funcionen coordinadamente y de forma eficiente.

De poco me servirá poder atender los comentarios de mis clientes en un canal como #Instagram si cuando se comunica por #Twitter, deja un mensaje en el sitio web, o abre un correo, la comunicación debe comenzar desde cero en cada caso sin hacer referencia o aprovechar a las oportunidades en las que se ha contactado anteriormente, para personalizar la interacción.

Los clientes o potenciales clientes pueden seguir un patrón de acciones en distintos canales con puntos de contacto específicos antes de tomar una acción de compra y eso solo se puede entender y aprovechar si se tiene una integración completa de los canales, es decir omnicanalidad.

Las herramientas, y la “multicanalidad”

La omnicanalidad es el resultado de usar las herramientas adecuadas, usando múltiples canales de comunicación y teniendo procesos claros de integración.

Las herramientas son como siempre los instrumentos con la que se construyen las soluciones, y están presentes tanto en capas operativas como estratégicas de la solución.

Por ejemplo, en una campaña publicitaria multiplataforma es importante saber que canales usar, lo que dependerá de a quién se quiere alcanzar con la campaña, será importante definir objetivos específicos a cada canal y estar en la capacidad de chatear con el cliente o potencial cliente, como bien lo explica Hootsuite . Desde luego, esto obliga a tener un plan y una herramienta en la cual consolidar la información, en este caso de la campaña, para su análisis y aprovechamiento; esa herramienta es un CRM (Client Relationship Management).

Este último punto es fundamental, ya que por medio del CRM es como se operativiza la identificación de cada individuo que nos contacta, sin importar el canal por el cual nos contacta y entonces se puede entender el camino que tomó para llegar a cumplir un objetivo específico, por ejemplo, realizar compra, descargar un eBook, etc.

Los procesos, las personas y la omnicanalidad

Pero las herramientas por muy sofisticadas que sean, hacen poco si no hay dos elementos en la estructura, y ellos son los procesos y las personas.

Primero las empresas de cualquier tamaño deben tener procesos bien definidos, especialmente en aquellos relacionados con la comunicación con el cliente o potencial cliente, y desde luego la venta. Dichos procesos deben estar claramente caracterizados, es decir, documentados de manera que cualquiera que los lea los entienda y los pueda aplicar.

Finalmente, las personas son las que concretan la relación con los clientes, las que venden podríamos decir. Si bien una tienda en línea logra ventas con interacción nula del comprador con un vendedor humano, aun es necesario que alguien diseñe las campañas para promover los productos, las configure de manera que “hablen” a quién pudiera estar interesado, las administre para mantenerlas óptimas, etc. Además, hay aún muchísima necesidad de interacción humana para resolución de dudas o conflictos, o simplemente hay personas que prefieren interactuar con personas.

Un chatbot, puede “calentar” a un potencial cliente, lo puede interesar, le puede dar información, puede resolver sus dudas de manera más eficiente que un humano, puede tomar sus datos y confirmar su intensión de ser contactado. Pero será una persona la que deba contactar al potencial cliente y cerrar el trato.

Si requiere soluciones que le ayuden a mejorar la comunicación con sus clientes y potenciales clientes, no deje de contactarse con nosotros www.conversacion.digital

Los Chatbot, su naturaleza, estado de la tecnología y aplicación

mario.recalde@conversacion.digital (Mario Recalde) — Fri, 05 Mar 2021 17:38:15 GMT

Los Chatbot, su naturaleza, estado de la tecnología y aplicaciones

Hace poco me pidieron que conteste una entrevista para una investigación universitaria, y el contenido generado me pareció lo suficientemente relevante para integrarlo en este artículo en el que pretendo dar una idea clara de los chatbot, su naturaleza, estado de la tecnología y aplicaciones.

¿Qué es un chatbot?

En términos generales un chatbot es una herramientas, como cualquier otra, tan buena como la definición del problema que está atendiendo y tan buena como la implementación que se ha hecho.

Usualmente esta herramienta permite a los usuarios interactuar con ella y resolver dudas y requerimientos, o conseguir ayuda, mediante mensajes de texto. Sin embargo, cada vez es más común encontrar chatbot o asistentes virtuales que trabajan con mensajes de voz, e incluso algunas plataformas que presentan al agente con un avatar animado o en realidad virtual.

Los chatbots se aplican en lo que en ocasiones de denomina, estratégias de marketing conversacional .

¿Qué tanto se están usando?

El uso de recursos tecnológicos crece año a año en el Ecuador así como en el mundo, por lo tanto es seguro decir que ese crecimiento se ha dado también para los chatbots. Especialmente durante el 2020, por motivo de la pandemia, las personas e instituciones volvieron su mirada hacia ellos y los implementaron.

Específicamente en el Ecuador, en los últimos tres años, instituciones públicas y privadas han comenzado a usar chatbots, entre estas instituciones podemos mencionar como una muestra, al Municipio de Quito, al Municipio de Guayaquil, el Ministerio de Telecomunicaciones, el Banco de Guayaquil, el Banco del Pacífico, la Politécnica del Litoral.

Pero alrededor del mundo, las plataformas de chatbot más importantes manejan cada una millones de conversaciones por mes para miles de clientes.

Research and Markets afirma que el mercado de Chatbots tenía un valor de 1.200 millones de dólares en 2018 y la previsión es que alcance los 7.500 millones de dólares en 2024, registrando una tasa compuesta de crecimiento anual del 34,75% durante el período.

Las principales razones para esto serían:

La necesidad de las empresas en todos los mercados e industrias para innovar y adaptarse a los nuevos tiempos y tipo de clientes.
La urgencia de la gente para obtener respuestas inmediatas a sus necesidades y preguntas.
El deseo de recibir atención remota efectiva, por medio de varios canales, de manera transparente y automática.

¿Cómo y quién los puede implementar?

La tecnología para implementar chatbots es variada, se pueden mencionar primero todos los lenguajes de programación existentes, Python, C++, R, JavaScript, etc.

Sin embargo, el verdadero auge en la adopción de chatbots se da con el aparecimiento de las plataformas que permiten su desarrollo sin necesidad de codificar. Estas plataformas ponen en manos de todo el mundo la posibilidad de desarrollar soluciones en base a sus necesidades.

De mi experiencia puedo mencionar la siguientes entre las más importantes: HelloTars , Chatfuel , Landbot , ManyChat , MobileMonkey , Flow AI , Chat360 ; pero hay cientos sino miles en el mercado.

Puede sonar a una exageración pero en realidad cualquiera puede implementar un chatbot, usando las plataformas mencionadas. Pero como en todo, hay consideraciones importantes: primero se debe cuidar hacerlo con un propósito claro, y con objetivos alineados a la estrategia de negocios u organizacional. Luego, en la construcción del chatbot hay que seguir ciertas mejores prácticas que ayudan a que la interacción sea amigable y la experiencia agradable al usuario.

Los chatbot resuelven necesidades de negocio y por tanto pueden hacerlo tanto para público externo, como en la atención a clientes, o en la adquisición de nuevos clientes. Pueden también resolver necesidades internas, al hacer la ejecución de los procesos algo mucho más fácil, y por tanto la adopción de de dichos procesos por parte de los empleados, más efectiva.

¿Qué tan buenos son los chatbot?

La calidad de un chatbot es directamente proporcional al grado con el que resuelve el problema o la necesidad para la que ha sido creado. Uno de los peores errores es pretender que un chatbot puede alcanzar el nivel de interacción que se logra con un humano. En general una mejor práctica es establecer desde el inicio del flujo conversacional, que el asistente es un asistente automático, y dar alguna opción al usuario para ser contactado de manera sincrónica o asincrónica por un asistente humano si lo necesita o lo desea.

Si un chatbot está bien diseñado, responde con calidad adecuada al público para el que está pensado.

En general como cualquier proyecto de tecnología la implementación de un chatbot está dividido en fases. Como parte de estas fases debería considerarse: definir el objetivo, el canal con el que se implementará, la plataforma o tecnología con la que se construirá, el diseño de su flujo conversacional, la implementación y pruebas.

Respecto al canal o canales en los que se implementará el chatbot; va a depender del tipo de objetivo que quiere cumplir con el chatbot, pero por regla básica, debe ser en el canal donde el público objetivo esté más presente: WhatsApp, Messenger de Facebook, Telegram, Twitter, Web, son los más comunes.

Retos, beneficios y riesgos

En ocasiones las instituciones no promocionan o no comunican sobre el chatbot y entonces la herramienta no es aprovechada en todo su potencial. Como toda herramienta la implementación de un chatbot debe contemplar un proceso de cambio, en el cual se le explique al público la razón de su creación, el alcance del servicio que va a prestar, cuándo se lo debe usar y cuándo no, y promover su uso.

Implementando un chatbot se puede mejorar la conversión y la interacción con prospectos, en porcentajes que van desde alrededor de 20% al 200%. También permite automatizar procesos y atender necesidades las 24 horas los 7 días a la semana. Permite capturar información relevante que lleva a la organización a conocer mejor a los usuarios del chatbot y por tanto mejorar la interacción y personalizarla. Es usual reportar reducción de costos que van del 40% al 50% en la adquisición de nuevos clientes al implementarla con un chatbot.

Los riesgos identificables en la implementación de un chatbot son los mismos que pudiese tener con cualquier solución tecnológica, que va a interactuar con personas y posiblemente recopilar datos sensibles. Por lo tanto, la seguridad de la información debe ser correctamente gestionada por la organización. Se debe hacer el mismo análisis de riesgos que se haría al levantar la información con una forma web, una llamada o cualquier otro método.

¿Por qué algunas empresa no los implementan?

La razón principal por la que hay empresas o negocios en general aún no los implementan se debe a que no han hecho un análisis adecuado de las oportunidades.

Podemos mencionar algunas razones por las cuales usar o no usar un chatbot.

Por qué usarlos:

Reducen costos.
Mejoran la satisfacción de los clientes.
Dan respuestas inmediatas, ahorran tiempo al usuario.
Permiten la automatización de procesos.
Mejora la adhesión de procesos y la interacción con clientes o prospectos.

Cuando NO usarlos:

Sin un correcto análisis, y sin un proceso de mejora continua.
Desconectado de los objetivos de negocio.
Como reemplazo simple de un agente humano.
Como una forma de recopilar quejas y nunca gestionarlas.

Como toda tecnología, los chatbots se van convirtiendo en un commodity y pronto estarán presentes en todos lados. La diferencia a futuro no será la plataforma que se use sino la calidad del diseño, el asesoramiento que se reciba para su construcción, y el servicio de soporte y mejora continua que se proporcione a la herramienta.

El coaching ejecutivo y las TIC

mario.recalde@conversacion.digital (Mario Recalde) — Mon, 24 Aug 2020 17:33:05 GMT

El coaching ejecutivo y las TIC

El coaching ejecutivo como apoyo en la adopción de las tecnologías de la Información y comunicación (TIC)

En la situación actual el coaching ejecutivo tiene una utilidad significativa, convirtiéndose en una herramienta efectiva para ayudar a los emprendedores y gerentes a superar la crisis. Ahora que la adopción de las TIC - aquellas tecnologías que existe por varios años y también aquellas emergentes, se ha convertido en una necesidad impulsada por la dificultad, es necesario trazar un camino claro con un objetivo en la mira, y luchar con los demonios que tenemos dentro, que muchas veces nos impiden cambiar para mejorar.

Profundicemos en esta idea

Muchas personas familiarizadas con el concepto de coaching y en especial el coaching no directivo se estarán preguntando. Cómo el coaching no directivo puede ayudar a cerrar brechas relacionadas a las TIC, cuando a simple vista, dichas brechas estarían relacionadas con el conocimiento técnico, o habilidades duras, cuando el coaching trata o se encarga de la mejora de las habilidades blandas y el conocimiento tácito.

Pues la respuesta es en realidad muy sencilla: Antes de poder enfrentar necesidades de capacitación en conocimiento técnico o habilidades duras. Es necesario que hagamos una suerte de reconocimiento del terreno que pisamos y un inventario de las herramientas que como persona, como líderes y como organización, contamos para enfrentar el cambio. Necesitamos hacernos conscientes de nuestra situación actual, de las circunstancias tanto propias como de nuestra empresa o práctica profesional.

La incorporación de tecnología implica transformación, y la transformación requiere de un liderazgo claro y comprometido con ella; un liderazgo que convenza al menos, pero que inspire sería lo ideal. La transformación requiere de habilidades primero de persuasión, para pasar un mensaje coherente a nuestros colaboradores, mensaje que los ponga en modo de: “Yo me sumo”. Así como también habilidades de comunicación, para saber transmitir a nuestros clientes y potenciales clientes, lo que hay en esta transformación para ellos, lo que ganan.

“Mi negocio necesita un CRM para ser capaz de segmentar a mis clientes y prospectos para personalizar mi interacción con ellos, e incrementar la retención de clientes y la conversión de prospectos; por tanto, mis empleados necesitan saber qué es un CRM, y necesitan saber cómo usarlo”. ¡Si! De acuerdo. Pero antes de comprar un CRM o de enviarlos a hacer un curso sobre una marca específica de CRM, sería adecuado evaluar cuáles son, o como están sus habilidades en manejo del tiempo, su flexibilidad en la solución de problemas, o su capacidad de dar soporte escuchando con empatía.

Luego recordemos que el coaching trabaja sobre lo que nosotros podemos transformar, lo que está en nuestra capacidad cambiar. Por tanto, deberemos trabajar en nuestras propias habilidades blandas, enfocándonos en aquellas que nos permitan ser un líder a la altura de lo que se necesita para la transformación, así como nuestros colaboradores deberán trabajar sobre su propia realidad y lo que ellos pueden cambiar. Como líderes convencidos en la necesidad de la transformación, hagámonos la pregunta ¿Podemos mantenernos automotivados y motivar a nuestro equipo para que la transformación no falle?

¿Cuáles son los demonios que nos invaden?

Finalmente hay un punto adicional que es muy importante en el uso del coaching como herramienta en la adopción de la tecnología, y es la identificación, aceptación y gestión de las mentiras que nos decimos a nosotros mismos, mentiras que se convierten en profecías autocumplidas, las nefastas creencias limitantes. Estos son los demonios a los que me refería al inicio del artículo y que nos atan al pasado, o nos convencen de que no somos capaces de cambiar, o de hacer algo específico.

Cuántas veces escuchamos en nuestra cabeza frases como: “Ya estoy muy viejo para hacer esto”, “Es que mis clientes no usan la tecnología”, “La tecnología es algo que no funciona en mi industria o en mi mercado”. Identificar estas creencias limitantes, y trabajar en ellas, no necesariamente para descartarlas, sino para validar si ganamos algo al hacerlo o no hacerlo, y tomar ventaja de ello, allanará el camino para ser exitosos en nuestro objetivo de cambio.

Entonces una vez que tomemos consciencia de nuestra realidad, y nos hagamos responsables de transformarla para bien, una vez que tengamos claro qué es lo debemos hacer para mejorar nuestras habilidades blandas y estemos seguros de que nuestros colaboradores han hecho lo propio en sus respectivos espacios. Entonces podremos generar un plan integral para el cambio, siempre con un objetivo organizacional claro, que justifique plenamente la incorporación de la tecnología que se necesita.

Desde luego en este punto el coaching ejecutivo deberá ceder algo de protagonismo a otras metodologías de aprendizaje, como la capacitación y el asesoramiento. Destinadas más a la transmisión de conocimiento técnico.

Esto es así ¿Solamente debido a la crisis actual?

Es innegable que la presente coyuntura nos puso creativos. De alguna forma la situación me recuerda una fábula que me contaba un jefe de un tiempo y amigo de varios años: “Imagina que ves a un tigre, el cual no ha comido en muchos días; el tigre está persiguiendo a un conejo a toda velocidad. ¿Quién crees que esté más motivado en ese momento?” Pues la respuesta obvia es el conejo, porque se juega su vida. El tigre -por muy hambriento que esté, no llegará al nivel de iniciativa, flexibilidad, y hasta sacrificio, que el conejo está dispuesto a mostrar para sobrevivir.

Los emprendedores y empresarios estamos en una situación similar, y regresamos a ver a todos lados buscando maneras de seguir adelante. Y una de las necesidades obvias es incorporar tecnología en nuestras actividades profesionales o empresas.

Ojo que no hablo de “transformación digital”, término que de paso está un tanto sobre usado. De hecho, algunos expertos consideran que todo el mundo usa mal ese término, excepto ellos claro. Yo considero que el término está bien usado siempre y cuando lo hagamos siguiendo unas pocas reglas simples, que aseguren el alineamiento del cambio, con nuestros objetivos organizacionales. Es decir, no debería ser necesariamente algo complicado, desde el punto de vista del negocio. O, mejor dicho, debería ser complicado proporcionalmente al nivel de complejidad que nuestra práctica o negocio tiene, por su naturaleza y dimensiones.

Entonces por ahora no hablemos de la necesidad de transformación digital, solo de la necesidad de adopción de tecnología.

Esta necesidad no es nueva

Así es, la necesidad ha existido siempre, pero vivimos en un medio en el que nuestro comportamiento es guiado por una percepción de escasez, al menos en mi país Ecuador. Por tanto, las personas y los negocios cuidan mucho la inversión de dinero en elementos que no son identificados como absolutamente necesarios. La pregunta es, ¿Puedo seguir viviendo -o mi empresa puede seguir prosperando, sin invertir en nueva tecnología? Si la respuesta es sí, la nueva tecnología seguirá esperando.

En este punto quiero mencionar que no se trata de la tecnología por la tecnología. Se trata de que la tecnología apoye o habilite la implantación de mejores prácticas, que mejoren la eficiencia operativa, que produzcan reducción de costos, permita mejorar la satisfacción de nuestros clientes o nos ayuden a conseguir nuevos. ¿Podemos hacer eso sin adoptar nueva tecnología? Entonces al diablo la tecnología, no la necesitamos.

Pero ¡Y todo tiene un pero! Hay muchas razones por las que lo descrito en el párrafo anterior es un escenario cada vez más y más irreal. Algunas actividades económicas podrán sobrevivir más tiempo que otras en ese escenario, sin embargo, todas se verán eventualmente en una coyuntura similar a la que muchísimas están viviendo en este 2020. ¡Y, no por un virus, no! Pero si a causa de quienes serán sus futuros clientes. Generaciones que nacieron digitales y que por nada del mundo usarán servicios o productos que no ofrezcan la conveniencia de la hiperconectividad, si es que al frente tienen una opción que si lo hace.

Entonces, regresando a nuestro tema. El coaching puede ser una herramienta muy útil para implementar la adopción de nueva tecnología y no solo en tiempos de pandemia, sino siempre que un gerente o emprendedor se encuentre en la necesidad de transformarse y transformar su empresa digitalmente. En este momento la situación ha exacerbado esta necesidad, pero siempre ha existido, y cada vez será más urgente, hasta llegar a ser vital que la atendamos.

¿Queremos atenderla cuando estemos entre la espada y la pared?

Banca abierta, banca cerrada, manejo de cartera vencida. Los Chatbots ¿Por qué son importantes?

mario.recalde@conversacion.digital (Mario Recalde) — Tue, 02 Jun 2020 02:50:45 GMT

Los Chatbots ¿Por qué son importantes?

Banca abierta, banca cerrada, manejo de cartera vencida.

Las características de la reciente crisis causada por la pandemia de COVID-19, puso a las instituciones en una carrera para la adquirir soluciones digitales que les permitan seguir funcionando con la limitación de no tener al cliente físicamente en sus agencias. Esta carrera puede ser crucial para las organizaciones, especialmente para aquellas donde el factor confianza con el cliente se logró siempre con interacción cara a cara. La pregunta, sobre los Chatbots ¿Por qué son importantes?, se contesta de la siguiente forma.

Habrá un impacto importante para las organizaciones financieras que no puedan adaptarse rápidamente a la nueva realidad, y especialmente para las cooperativas de ahorro y crédito. Las cooperativas y sus socios guardan una identidad común muy estrecha, debido a esto la falta de comunicación o una comunicación deficiente puede marcar negativamente la capacidad de la organización para retener socios y especialmente atraer socios de las nuevas generaciones.

Esa comunicación debe ser lograda de la mejor forma en varios escenario de interacción entre la organización y el cliente (o potencial cliente), tales como:

Banca Abierta

Dentro de los posibles canales para promoción y comunicación, los chatbots son de lo mejor. Para las instituciones financieras y por tanto para las cooperativas pueden ser usados en las actividades de información o asistencia, y sin necesidad de integrarse con otros sistemas de la organización. Son ideales para mejorar la comunicación en el modelo denominado banca abierta. Aquí los chatbots ayudan en la adquisición de nuevos socios, y la promoción de nuevos productos y servicios, como créditos e inversiones, la apertura de cuentas, o entrega de tarjetas.

Banca Cerrada

Al contrario que la banca abierta, la banca cerrada requiere necesariamente de integración con los sistemas de la organización como por ejemplo el core bancario. Aunque esto complica la solución, también permite varios beneficios asociados a tener una plataforma transaccional que permita no solo consultas de información, tales como consultas de saldos o inversiones, sino también movimientos, como avances en efectivo, diferidos, depósitos de cheques por imagen, y pagos.

Manejo de Cartera Vencida

Una aplicación muy específica y que tiene una enorme importancia en estos momento debido a las nuevas condiciones impuestas por la crisis desatada por el COVID-19 es el manejo de cartera vencida. Es de vital importancia para las cooperativas tener correcta y en orden la información de su cartera vencida, y al mismo tiempo poder comunicarse adecuadamente con sus clientes para agilizar la puesta al día con sus obligaciones o la refinanciación de las mismas.

¿Y entonces? Los Chatbots ¿Por qué son importantes?

Listemos las razones de por qué los chatbots deben ser usados en toda organización:

Son efectivos

Para organizaciones de todo tipo, los chatbots constituyen un canal sumamente efectivo, con la tasa de apertura de mensajes que es de las más altas, si no la más alta, de entre todos los canales de comunicación y promoción. Son además una herramienta que al ser simple, puede ser usado fácilmente por cualquier persona incluso por aquellas con baja habilidad tecnológica. Un chatbot bien diseñado elimina de la ecuación el factor miedo, y evita la frustración de las personas que buscan soluciones rápidas y descomplicadas a sus requerimientos.

Son eficientes

Especialmente para las pequeñas, pero en general para todas las organizaciones, los chatbots son sumamente costo efectivos. Son soluciones que a pesar de usar tecnología de punta como por ejemplo Inteligencia Artificial, son relativamente económicos comparados con otras soluciones tecnológicas, como los call center, CRM o canales de banca en línea o móvil.

Desde el lado de la organización que los implementa, a pesar de lo complejo de la teoría detrás de la tecnología aplicada, los proyectos son percibidos como rápidos y fáciles de lograr, especialmente por el departamento de sistemas.

Desde el punto de vista del usuario, los chatbots pueden ser usados en dispositivos relativamente de baja sofisticación, logrando una muy buena penetración en todo estrato social y perfil tecnológico.

Proporcionan omnicanalidad

Las organizaciones grandes y medianas tienen en los chatbot la herramienta con la cual lograr omnicanalidad, es decir cerrar el círculo de comunicación con su potencial cliente, aumentando los puntos de contacto de una manera que se puede controlar y medir, y con la cual se puede recopilar información valiosa directamente desde el usuario. De forma similar las organizaciones logran cerrar el círculo de comunicación con sus clientes para que la satisfacción con la atención brindada sea la más alta posible.

En el Ecuador hay excelentes ejemplos de desarrollos de este tipo y en plataformas propias, enfocadas en soluciones para el área financiera. Uno de ellos es mensajea.net , una startup con presencia en varios países de Latinoamérica y con una reputación de primera y bien ganada.

Conversación Digital Automatizada Blog

Aplicación inteligente para profesionales del Derecho: consulta de documentos sin leer

"Aplicación inteligente para profesionales del Derecho: consulta de documentos sin leer"

Aprovechando los modelos LLM para conversar con nuestra propia información

Introducción:

Definición del proyecto

¿Qué aprendí?

1. Diferentes tipos de LLM:

2. Ajuste fino:

3. Ingeniería de indicaciones:

Empoderar a los profesionales jurídicos

El estado del arte del LLM en palabras simples

Evolución de LLM (Transformadores)

La idea original

¿Cómo empezó?

Código para extraer datos

La experiencia con Google Cloud

Vertex IA:

Search & Chat:

¿Cómo terminó? - LangChain

Codificación usando LangChain

UI (Streamlit)

En conclusión

Problemas de negocio que el Machine Learning ayuda a solucionar

Problemas de negocio que La Inteligencia Artificial ayuda a solucionar

Una lista general de aplicaciones de Machine Learning

Una lista de casos más específicos

A) En la industria de la Salud y Medicina

B) En la industria de Automoción

C) En el ámbito de las Finanzas

D) En la industria del Retail y Comercio Electrónico

E) En Tecnología de la Información y Redes Sociales

F) En la Manufactura

G) En el ámbito de la Energía y Recursos Naturales

H) En el ámbito de la Educación

I) En el Sector Público y Gobierno

J) En el ámbito del Entretenimiento

K) En la industria de la Agricultura

L) En Ciencias Sociales y Humanidades

M) En el ámbito de la Biología y Ecología

N) En el ámbito de la Investigación Científica

La omnicanalidad herramienta para las empresas

La Omnicanalidad Herramienta para las Empresas

¿Qué es en realidad omnicanalidad?

Las herramientas, y la “multicanalidad”

Los procesos, las personas y la omnicanalidad

Los Chatbot, su naturaleza, estado de la tecnología y aplicación

Los Chatbot, su naturaleza, estado de la tecnología y aplicaciones

¿Qué es un chatbot?

¿Qué tanto se están usando?

¿Cómo y quién los puede implementar?

¿Qué tan buenos son los chatbot?

Retos, beneficios y riesgos

¿Por qué algunas empresa no los implementan?

El coaching ejecutivo y las TIC

El coaching ejecutivo y las TIC

El coaching ejecutivo como apoyo en la adopción de las tecnologías de la Información y comunicación (TIC)

Profundicemos en esta idea

¿Cuáles son los demonios que nos invaden?

Esto es así ¿Solamente debido a la crisis actual?

Esta necesidad no es nueva

Banca abierta, banca cerrada, manejo de cartera vencida. Los Chatbots ¿Por qué son importantes?

Los Chatbots ¿Por qué son importantes?

Banca abierta, banca cerrada, manejo de cartera vencida.

Banca Abierta

Banca Cerrada

Manejo de Cartera Vencida

¿Y entonces? Los Chatbots ¿Por qué son importantes?

Son efectivos

Son eficientes

Proporcionan omnicanalidad

Déjenos asesorarle en soluciones a su medida, en función de sus objetivos estratégicos.