No cabe duda de que la IA ha experimentado una serie de avances espectaculares en los últimos años. Bajo esos avances ha habido una verdad fundamental: más datos significan mejores resultados. Como empresa que desea desplegar aplicaciones basadas en IA, como bots de voz, chatbots o asistentes de agentes, esto significa recopilar muchos datos para utilizarlos con fines de formación. Si quisiéramos tener un chatbot que pudiera realizar transferencias de fondos entre cuentas, tendríamos que recopilar muchos ejemplos de conversaciones en las que se solicitara esto y, a continuación, utilizar esos ejemplos para entrenar un modelo personalizado que entendiera esta intención.
El nuevo papel de los datos en la IA generativa
Con la IA generativa, los datos siguen siendo esenciales, pero la naturaleza de esos datos ha cambiado. Estos nuevos modelos son tan capaces que no necesitan ser entrenados con grandes volúmenes de ejemplos de conversaciones. Se entrenan de forma más parecida a como se entrena a un ser humano. Con un humano, le dirías a un agente humano en «inglés llano» lo que quieres que haga y, a partir de ahí, podría entender cualquier conversación y determinar cómo proceder. Lo mismo ocurre con la IA generativa. Con la IA generativa, se le dan instrucciones en «inglés llano» sobre lo que debe hacer. Estas instrucciones, que pueden ser tan largas como varias novelas, representan los datos esenciales para utilizar la IA generativa. Este nuevo tipo de datos se llama datos contextuales.
Liberar el potencial de la IA generativa con datos contextuales
Los datos contextuales representan la información que una IA generativa necesita para realizar su trabajo con eficacia. Estos datos contextuales son, en muchos sentidos, el mismo tipo de información que querríamos proporcionar a un ser humano para que haga su trabajo. Por ejemplo, manuales de formación, material de referencia y recomendaciones. Cuantos más datos contextuales se puedan proporcionar, mejores resultados se obtendrán. Más precisión, más casos de uso, más personalización y clientes más satisfechos. De hecho, son los datos contextuales los que marcan la diferencia entre el chatbot genérico ChatGPT que puede utilizar cualquier consumidor y un chatbot generativo de IA que proporciona asistencia al cliente para su empresa.
Dicho de forma más concisa: los datos contextuales son el nuevo oro en la era de la IA generativa.
El marco de datos: Esencial para el éxito
Entonces, ¿cómo deben pensar las empresas sobre los datos contextuales? ¿Ǫué es importante y qué no lo es tanto? Una forma de pensar en esto es la idea de la jerarquía de Maslow de las necesidades de datos contextuales, que se parece a esto que se señala en el gráfico:
La capa más baja representa lo «imprescindible» para realizar cualquier tarea de IA generativa. Se trata de instrucciones que describen la tarea. Incluyen los pasos del proceso («recabe información del cliente sobre sus preferencias de viaje, entre viajes nacionales, Europa o Asia. Si prefiere viajes nacionales, pregunte por su preferencia por destinos metropolitanos frente a destinos panorámicos»), directrices, personalidad o la descripción de los datos que deben recopilarse («asegúrese de recopilar el nombre y la dirección postal del cliente»).
Una vez satisfecha esta necesidad básica, el siguiente nivel de la jerarquía es el conocimiento. Esta información es exclusiva de cada empresa. Representa todos los datos necesarios para responder a preguntas, ofrecer autoservicio o lograr resultados empresariales. Algunos ejemplos son la documentación del producto, las políticas y procedimientos, las bases de conocimiento, las preguntas frecuentes, el contenido de los foros de debate e incluso el contenido completo del sitio web. El conocimiento también puede incluir información en forma programática, por ejemplo, listados de propiedades de alquiler en el mercado en este momento y todos sus metadatos (número de dormitorios, si hay piscina, etc.).
Si una empresa se detuviera ahí, podría obtener resultados específicos de la empresa que fueran funcionales, pero impersonales, porque no sabría nada del cliente individual. Por esta razón, el siguiente conjunto de datos es Customer 360, que incluye toda la información del cliente. Ejemplos de datos de cliente 360 son las variables de llamada presentes durante una llamada a un contact center (recopiladas, por ejemplo, por inmersiones de datos en sistemas de terceros), el historial de las interacciones de ese cliente, los datos de CRM y una plétora de información presente sobre este cliente dispersa en muchos sistemas, como registros de facturación, historial de compras, historiales de casos, suscripciones a servicios, etcétera.
Si una empresa se detuviera ahí, podría obtener resultados específicos personalizados, pero sin alegría. Las bromas y conversaciones sobre temas del día suelen ser la guinda del pastel de una gran interacción con el cliente. La última capa de la jerarquía, la información de fondo, impulsa la capacidad de hacer esto. Se trata del material que desea que sus chatbots, robots de voz o asistentes de agente conozcan y comenten, por si acaso. Puede incluir artículos de noticias recientes, entradas de blog e incluso entradas de Wikipedia.
Esta jerarquía representa la misión para la próxima generación de tecnología en el contact center: herramientas que permitan a los clientes curar, utilizar y, lo que es más importante, probar datos contextuales en todos sus casos de uso de IA Generativa. Por este motivo, Five9 anuncia GenAI Studio, nuestro banco de trabajo para construir el contact center del futuro impulsado por la IA generativa.
(Más información, aquí).
(Jonathan Rosenberg, Chief Technology Officer Five9)
