¿Qué es exactamente la inteligencia artificial? Simplificando la IA para los profesionales de la Experiencia de los Clientes y Empleados

La inteligencia artificial está de moda, pero ¿qué podría significar para la industria de la experiencia? El primer paso es comprender qué es y qué no es la IA. Esto es lo que necesitas saber sobre IA, aprendizaje automático, procesamiento del lenguaje natural y mucho más.

Parece que hoy en día no se puede ver ni leer nada sin mencionar a la inteligencia artificial o que “IA” se mencione alrededor de un millón de veces. En ocasiones, un “aprendizaje automático” o “Machine Learning (ML)” descarriado puede aparecer en los mismos medios. Pero ¿qué significa todo esto? ¿Qué es la IA generativa? ¿Qué es inteligencia artificial? ¿Supervisado? ¿Sin supervisión? ¿Semisupervisado? ¿PNL? El vocabulario se vuelve difícil de manejar cada vez más rápido.

Seguimos escuchando cómo la inteligencia artificial revolucionará el trabajo, la atención médica, las finanzas, la literatura, el arte y todo lo demás, incluida la experiencia del cliente y del empleado, como si la IA fuera una especie de tecnología de otro mundo, omnisciente. Algunos incluso proclaman con orgullo que la IA reemplazará a las personas en estos roles. En realidad, la IA es verdaderamente una herramienta valiosa que ya se ha utilizado para mejorar la productividad de las personas, pero no es ni una panacea ni un reemplazo de los humanos. Hay limitaciones, pero es posible que no lo sepas según la interpretación popular de la IA.

Estoy escribiendo este blog para ti, para ayudarte a comprender un poco qué está sucediendo con la inteligencia artificial y cómo podría afectar la Experiencia del Cliente (CX) y la Experiencia del Empleado (EX). No se necesita un título en matemáticas. Ya lo hice por ti. Entonces, empecemos desde el principio.

IA, aprendizaje automático, PNL y métodos generativos: ¡Dios mío!

¿Qué es la IA?

Una gran observación sobre la inteligencia artificial es que es más un concepto que una tecnología completamente realizada. Básicamente, la IA es la capacidad de máquinas o programas de computadora para pensar, actuar y aprender como una persona, y eso incluye nuestra habilidad para ajustar cómo hacemos las cosas según nueva información, crear trabajos verdaderamente novedosos y manejar la ambigüedad. Esto no existe. El cerebro humano es algo realmente increíble y crear tecnologías que puedan hacer lo que hacemos todavía es un futuro lejano.

¿Qué es el aprendizaje automático?

Cuando las personas utilizan el término "IA", casi siempre se refieren a un conjunto completo de métodos de aprendizaje automático (ML) que permiten a las computadoras "aprender" según los patrones extraídos de conjuntos de datos grandes. Ambos términos se usan indistintamente y a menudo se confunden entre sí, incluso en lugares donde la distinción es importante. Decir que la IA no existe sería tan correcto como decir que sí existe. ¿Confuso, verdad? Para simplificar las cosas,  Microsoft define el aprendizaje automático como "el proceso de utilizar modelos matemáticos de datos para ayudar a una computadora a aprender sin instrucción directa [lo que] permite que un sistema informático continúe aprendiendo y mejorando por sí solo, basándose en la experiencia".

En esencia, el aprendizaje automático (ML, por sus siglas en inglés) se compone de mucha matemática y estadística compleja aplicada a conjuntos de datos grandes que le permiten encontrar patrones, imitando el aprendizaje humano. Los métodos de ML suelen dividirse en tres clasificaciones: supervisados, semi-supervisados y no supervisados. Muchas soluciones que utilizan ML a menudo emplearán una combinación de todos estos métodos, adaptados a las tareas específicas que se les asignan. Incluso ejemplos tradicionales de ciertos tipos de métodos de aprendizaje automático pueden llevarse a cabo utilizando diferentes métodos según la herramienta que se esté utilizando. En resumen y de forma rápida, se tiene:

• El aprendizaje automático supervisado utiliza conjuntos de datos etiquetados, es decir, se proporcionan etiquetas por parte de un humano en el conjunto de datos que indican cómo debería clasificarse un elemento determinado para entrenar algoritmos que predicen resultados. Ejemplos de esto incluyen filtros de spam en correos electrónicos, clasificación de texto y reconocimiento de voz.
• El aprendizaje automático semi-supervisado utiliza una pequeña cantidad de datos etiquetados y una gran cantidad de datos no etiquetados para predecir resultados. Ejemplos de esto incluyen la clasificación de contenido web, clasificación de imágenes o voz, e identificación de anomalías en registros bancarios.
• El aprendizaje automático no supervisado utiliza una gran cantidad de datos no etiquetados para predecir resultados. Ejemplos de esto incluyen el Explorador de Temas de Medallia, motores de recomendación y segmentación de clientes

Cada uno de estos métodos tiene como objetivo identificar patrones que imitan el aprendizaje humano de diferentes maneras con la esperanza de que conduzcan a conocimientos valiosos dependiendo del tipo de tarea y datos con los que se esté tratando. Por ejemplo, imagina que estás intentando recomendar productos a un cliente determinado. No tendría sentido dedicar tiempo a etiquetar los datos de cada cliente, lo que significa que el aprendizaje automático no supervisado es probablemente el mejor modelo.

La parte de “imitar” es muy importante. El aprendizaje automático (y, por lo tanto, la inteligencia artificial) requiere una gran cantidad de material de entrada para intentar encontrar patrones, que luego se utiliza para proporcionar información sobre un conjunto de datos o generar contenido con resultados bastante precisos. La primera situación es particularmente valiosa en el análisis de texto y voz, los cuales se ejecutan con datos de texto y audio.

¿Qué es el procesamiento del lenguaje natural?

En Medallia, cuando usas el análisis de texto, el análisis del habla, se está utilizando inevitablemente inteligencia artificial (IA) y aprendizaje automático (ML). Hacemos esto utilizando Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés), a veces referido en nuestra industria como Comprensión del Lenguaje Natural (NLU). NLP/NLU es un subconjunto del aprendizaje automático, lo que significa que son una serie de métodos de aprendizaje automático aplicados al lenguaje natural humano. Siri, Alexa, Google Home y probablemente incluso tu automóvil utilizan métodos de NLP para transcribir lo que dices a texto. Los grandes modelos de lenguaje (LLMs, por sus siglas en inglés) como ChatGPT/GPT-3 de OpenAI, BERT, LLaMA de Meta y Ernie de Baidu son todos NLP porque se ocupan de aprender del lenguaje natural para generar contenido de texto similar al humano.

¿Qué es la IA generativa o los modelos generativos?

El contenido generado no es verdaderamente ni completamente novedoso. Tampoco todos los modelos generativos de IA/ML se aplican únicamente al texto. El uso de métodos de ML para generar información "nueva" o faltante se denomina IA generativa o modelos generativos. La IA generativa,  según la definición de IBM, "se refiere a modelos de aprendizaje profundo que pueden generar texto, imágenes y otro contenido de alta calidad basado en los datos en los que fueron entrenados". Debido a que el ML imita el aprendizaje humano, está limitado por el conjunto de datos en el que fue entrenado para producir u generar otro tipo de salida. Estas salidas pueden ser imágenes, como con DALL-E, audio o texto a voz, como con Meta Voicebox, así como paneles de análisis, texto y mucho más.

¿Debería la industria de la Experiencia ser cautelosa con la IA generativa?

La razón del entusiasmo en torno a la IA, especialmente desde que estos modelos generativos han existido durante años, es porque finalmente están al alcance de tus manos, el usuario común, y son valiosos para tu vida diaria.

Sin embargo, todos los usuarios de la IA generativa también deben considerar algunos de los riesgos asociados con el uso de estos modelos, algunos de los cuales son inherentes al análisis de datos y a la IA en general. Es fundamental que se conozca sobre qué datos ha sido entrenado cualquier modelo para mitigar el sesgo y otros riesgos. Como todos los modelos de IA/ML, datos de entrenamiento sesgados, inexactos o maliciosos resultarán en salidas sesgadas, inexactas o maliciosas. Datos incompletos o datos que sobre-representan involuntaria o intencionalmente ciertos grupos, en casos de malicia, pueden llevar a salidas generadas que reflejen esos datos. Libros como “Mujeres invisibles” por Caroline Criado Pérez y “Armas de destrucción matemática” de Cathy O'Neil son solo dos de muchos libros escritos sobre sesgo en el análisis de datos que demuestran por qué esto puede ser un problema importante para la IA de todo tipo. Obtener y garantizar datos de entrenamiento de alta calidad, bien gestionados y bien mantenidos puede ayudar a minimizar algunos de estos problemas.

Además, la IA generativa puede tener problemas de propiedad intelectual y plagio si ha sido entrenada en ese tipo de contenido. Los modelos de IA no saben que están siendo entrenados en imágenes o textos con derechos de autor o con atribuciones adecuadas que se encuentran en línea. Como resultado, estos modelos pueden terminar generando contenido “nuevo” que no proporciona las atribuciones adecuadas de código abierto o elimina datos protegidos por derechos de autor de sus datos de entrenamiento. Hasta el año 2023, existen múltiples demandas pendientes contra empresas de IA generativa por preocupaciones específicas de este tipo. Por lo tanto, es crucial que cada negocio comprenda los datos en los que se entrena su IA generativa.

¿Cómo puede la IA ayudar a la experiencia de clientes y empleados?

Cuando las personas hablan sobre por qué la IA es útil, generalmente lo hacen en el contexto de la automatización. Si bien la automatización es una gran parte de por qué la IA es útil, no es la automatización por sí sola lo que tiene valor. La automatización por sí sola puede ser arriesgada cuando las situaciones cambian o cuando la IA puede cometer un error, especialmente dado que ni la IA ni los seres humanos serán nunca 100% precisos o exitosos en la toma de decisiones.

Dicho esto, muchas empresas con equipos de Experiencia del Cliente, contact center, y Experiencia del Empleado se les está pidiendo hacer más con menos tiempo y dinero. Las automatizaciones impulsadas por la inteligencia artificial pueden ayudar a tus equipos a manejar grandes volúmenes de datos de retroalimentación y reducir sustancialmente el tiempo para obtener información, al mismo tiempo que aumentan la productividad de los empleados, todo ello mejorando las experiencias de los clientes. Más allá de utilizar el procesamiento del lenguaje natural (NLP) para resaltar ideas en tus datos, el futuro de la IA en la experiencia de clientes y empleados es prometedor.

Por ejemplo, resúmenes automatizados de llamadas podrían eliminar las notas posteriores a la llamada para el contact center. La sumarización de registros de clientes, empleados y de la empresa podría permitir a los usuarios comprender más rápidamente las experiencias colectivas que un individuo ha tenido con tu negocio y tomar decisiones basadas en esos datos. Determinar las próximas mejores acciones podría ser aún más informado por la inteligencia artificial para personalizar exactamente los siguientes pasos que podrías tomar para mejorar la experiencia y la satisfacción de un individuo con tu negocio.

IA para el practicante de experiencias cotidianas

No necesitas ser un científico de datos o estadístico para aprovechar la inteligencia artificial en tu vida cotidiana. Simplemente al usar Siri o una plataforma como Medallia, estás utilizando la inteligencia artificial para mejorar tu productividad. En el futuro, los métodos generativos se convertirán cada vez más en el motor que impulsará una mayor productividad y personalización en tus flujos de trabajo e interacciones con las empresas.

Si hay un mensaje que debas recordar de este blog, debería ser: la inteligencia artificial no es una tecnología nueva y aterradora que va a quitarte tu trabajo. Es una herramienta que probablemente requerirá asistencia humana constante para ser tan efectiva como se promete. Esto significa que las personas deberán estar monitoreando y manteniendo consistentemente tus modelos de inteligencia artificial de cualquier tipo, ya sea internos o de código abierto, para cumplir con tus requisitos de cumplimiento, calidad y regulación. Mantener la seguridad de los datos, la transparencia en los datos de entrenamiento y la calidad de los resultados requerirá personas, desde éticos hasta ingenieros de datos. En última instancia, aunque la inteligencia artificial/aprendizaje automático utilizable sea un avance genuino, debemos ser cautelosos en su uso al mismo tiempo que disfrutamos de la conveniencia que aporta a nuestras vidas.

Regístrate para Experience ‘24 para obtener más información sobre cómo Medallia ha estado usando la IA y continúa cambiando el juego.