La automatización se plantea como el futuro de las organizaciones. Términos como Procesamiento del Lenguaje Natural (NLP), Machine Learning (ML) o Inteligencia Artificial (IA) están a la orden del día y seguirán siendo tendencia en los próximos años. Sin embargo, surgen preguntas en cuanto al uso y las capacidades de estas herramientas.
Como empresa, existen numerosas posibilidades.
¿Y si pudieras gestionar de forma automática el tratamiento de incidentes, reducir errores y ahorrar costes operativos y de mantenimiento en tu organización? En el artículo de hoy te presentamos un caso de éxito en el que uno de nuestros clientes del sector de las telecomunicaciones consiguió todos estos beneficios, utilizando una técnica del Machine Learning: el Procesamiento del Lenguaje Natural.
¡Sigue leyendo!
Hablemos del Procesamiento del Lenguaje Natural
¿Qué es el NLP? El Procesamiento del Lenguaje Natural (NLP en sus siglas en inglés) es una técnica del Machine Learning que tiene como objetivo principal la formulación e investigación de mecanismos eficaces dentro del ámbito de la computación, para la comunicación entre personas y máquinas por medio del lenguaje natural.
Veamos cómo ponerlo en práctica.
Un caso de uso real
Nuestro cliente es una de las diez compañías de telecomunicaciones más grandes del mundo, que recibe diariamente miles de correos en sus buzones para prevención de abusos, entre ellos:
- Mensajes de IDS externos que han detectado “ataques” desde IPs pertenecientes a nuestro cliente.
- Mensajes de compañías audiovisuales que han detectado descargas de contenido que violan sus derechos de autor.
- Dudas de sus propios usuarios que pueden haber sido objeto de algún intento de fraude o ataque a través de notificaciones.
¿Cómo se gestionaban anteriormente estos incidentes?
A través de un desarrollo a medida basado principalmente en expresiones regulares, que clasificaban los mensajes en unas pocas categorías y generaban un “ticket” en una herramienta desarrollada para su gestión.
El sistema disponía de numerosas automatizaciones que conseguían procesar un gran volumen de incidentes, pero limitado principalmente a aquellos que provenían de máquinas y eran relativamente estructurados.
Además, un volumen considerable de incidentes debía ser gestionados manualmente por un equipo técnico, bien porque el sistema no era capaz de clasificar el mensaje o porque no podía extraer información necesaria del correo que originó el incidente (IP, fecha, trazas, etc..); o ya sea por cambios de formato y, por tanto, se tenía que modificar a nivel de desarrollo, lo que suponía un coste operativo importante.
Simplificación y automatización
El objetivo principal fue reducir al máximo los incidentes que no obtenían una clasificación correcta, simplificar la gestión de las mismas implantando una herramienta de ticketing y aumentar el grado de automatización de su resolución.
Este objetivo aumentó a lo largo del proyecto al incrementarse las expectativas iniciales (clasificación a un grano mucho más fino con más de 50 categorías, sistema de comunicaciones más acorde a las necesidades de marketing, segmentación de las comunicaciones a clientes, inclusión de una de las operadoras virtuales del grupo en el sistema, procesamiento de mensajes ARF, etc).
Una correcta clasificación
El foco principal del proyecto era la correcta clasificación de mensajes ya que sin ella, no era posible realizar automatizaciones posteriores. Por eso, el primer componente desarrollado fue un modelo basado en redes neuronales capaz de realizar esta clasificación.
En esta fase, detectamos que éramos capaces de clasificar no solo los mensajes a tratar, sino también aquellos que debían ser descartados (mensajes de spam, mensajes con contenido no relacionado, etc) y que podíamos hacerlo con mayor precisión mejorando las categorías de clasificación.
Una de las grandes ventajas de esta aproximación es que la clasificación siguió adaptándose a nuevos tipos de mensaje día tras día y no se veía afectada por cambios en los formatos de correos automáticos o erratas en la escritura del mensaje. El modelo estaba aprendiendo.
Una vez clasificados, pasamos a la implementación de la parte más “operativa” del sistema y establecimos una herramienta de ticketing open-source que se hacía cargo de almacenar los incidentes y permitía así la gestión de aquellos eventos que, por su naturaleza, no podían automatizarse.
Para la lógica de negocio y automatizaciones se desarrolló una aplicación que se comunicaba con la herramienta de ticketing. La aplicación en la práctica actuaba como un operador más, que iba consultado qué tareas tenía pendientes y las iba realizando y enviando al siguiente estado.
Beneficios obtenidos
Tras varios meses en producción nuestro cliente pudo detectar los siguientes beneficios:
- Reducción de costes operativos asociados al servicio, en términos de tiempo de dedicación del equipo de técnicos, permitiéndoles optimizar su tiempo y realizar otras tareas de su área.
- Mejora en los tiempos de respuesta ante incidentes en el servicio a clientes, al automatizar los procesos desde la recepción del mensaje hasta la resolución final.
- Reducción de errores, al minimizar la intervención humana en los diferentes pasos del tratamiento de mensajes.
- Incremento de la calidad del servicio al realizar mejores acciones basadas en una clasificación más granular.
- Reducción del coste de mantenimiento del sistema al aprender automáticamente nuevos tipos de evento, sin recurrir a modificaciones en el desarrollo.
Otras aplicaciones del NLP dentro de las organizaciones
Algunos casos de uso que pueden beneficiarse de técnicas similares:
- Resolución de problemas relacionados con “Question & Answer” (chatbots, respuestas automáticas, generación de textos automática).
- Clasificación de mensajes o eventos (mail classification/forwarding, asignación de tickets, triage, asignación a grupos/usuarios).
- Extracción de información no estructurada dentro de textos (reconocer direcciones, personas, compañias, hostnames, etc…).
En Open3s, empresa de Innovery Group, llevamos más de 15 años ayudando a nuestros clientes, entendiendo sus necesidades y apostando por soluciones que les ayuden a mejorar su toma de decisiones, gracias a la transformación de datos en valor. Si quieres más información, contacta con nosotros.
Autores: David Marcos, Data Analytics Business Manager y Carlos Zavala, Head of Division Hybrid Cloud de Innovery Group
