Inteligencia Artificial como generadora de servicios

El uso de inteligencia artificial para soportar nuevas formas de interacción y servicios, con un alto nivel de calidad en UX (User eXperience), ya está pasando de ser solo una herramienta de diferenciación de la competencia, a un imperativo que debe incluirse en la conceptualización y construcción de nuevos servicios. Sin embargo, la posibilidad de incluir dentro de la oferta de servicios, componentes que realmente aprendan, clasifiquen y predigan posibles comportamientos o escenarios para los usuarios, está determinada por las capacidades de captura, limpieza, procesamiento y análisis de datos que están detrás de toda la plataforma.

Acá presentamos algunos de los puntos de relación que existen entre el diseño de servicios, la inteligencia artificial y el procesamiento de datos, así como los retos y mínimos que consideramos, debe tener cualquier organización que aspire a contar con una oferta competitiva de servicios. De igual manera relacionamos varias de las herramientas de inteligencia artificial que pone a disposición la Plataforma Cloud de Google.

Herramientas para comprender las necesidades e intenciones del usuario (UX+AI+IxD)

El diseño de servicios, puede definirse como el conjunto metodológico de estrategias y herramientas que buscan construir artefactos de valor para los usuarios, logrando destacar ofertas similares de marcas competidoras. El valor diferencial yace en el producto que garantice un diálogo y un flujo de sentido, el cual interpreta más claramente las necesidades e intenciones del usuario.

Quienes parten de la experiencia del usuario, lo hacen entendiendo realmente las necesidades de las personas, delimitando así la búsqueda del producto que sobrepase los mínimos esperados, llevándolo a escalar en la evaluación subjetiva diferencial.

Para ello, las herramientas tradicionales se fundamentan en la evaluación del comportamiento y reacciones obtenidas para analizar la experiencia del usuario. Como complemento del análisis tradicional, es clave contar con datos suficientes sobre el usuario, en calidad y cantidad, de tal forma que el ambiente de interacción dispuesto para él, se acople tanto a sus necesidades como a sus intenciones.

Definición de Machine Learning según http://www.deeplearningbook.org/: The difficulties faced by systems relying on hard-coded knowledge suggest that AI systems need the ability to acquire their own knowledge, by extracting patterns from raw data. This capability is known as machine learning.

Dada la dinámica de evolución que la competencia por oferta de servicios impone, el enfoque en experiencia de usuario cambia de uno estático, en el que se construía la experiencia asumiendo condiciones invariables del usuario, a uno dinámico en el que el servicio aprende, evoluciona y se adapta para sobrepasar las expectativas del cliente.

Siendo así, el servicio que mejor se adapte a las necesidades del usuario, tiene mayor probabilidad de ganar frente a la competencia del servicio. Esto implica que el proceso preliminar de conceptualización y diseño, debe contar con un conjunto de datos y herramientas que ayuden a construir información, para que los diseñadores de experiencia los empleen dentro de sus tareas.

El uso de la inteligencia artificial como generadora de servicios, parte de la capacidad que tiene el equipo de diseño y desarrollo, para incorporar el uso y análisis de datos de la historia, además de apoyar la toma de decisiones de los usuarios frente a los artefactos entregados, permitiendo aprender y predecir resultados.

Siendo así ¿cuál es el resultado?: una nueva forma de definir UX, en la que las experiencias se enriquecen con la capacidad de adaptación que los productos y servicios, para operar de forma personalizada frente a nuestros usuarios.

Algunos ejemplos son:

• Allo: Es una iniciativa de Google que hace la mensajería más fácil, eficiente y expresiva.
• Motores de recomendación en e-commerce: Con base en el análisis de datos de co-ocurrencia entre productos, perfiles de usuario y el comportamiento del cliente que está en línea, se presentan ofertas relacionadas con las referencias revisadas.
• Chat Bots
• Asistentes en la toma de decisiones para inversión, tomando en cuenta el análisis del perfil del usuario, su comparación con una población similar y las proyecciones para el mercado.
• Reconocimiento de imágenes para búsqueda de artículos.
• Reconocimiento de voz para autenticación o apoyo en línea.

Oferta dinámica 1/2: La disposición de un landing page que verían todos los clientes que visiten la página por primera vez.

Oferta dinámica 2/2: El landing se ajusta según el comportamiento del usuario, que de forma repetida ingresa a las opciones de la tarjeta de crédito y la caja fuerte. En este caso, el landig se pone a disposición según el historial de comportamiento del usuario.

¿Por qué las técnicas de IA están teniendo mayor auge hoy en día?

Si bien los algoritmos y teorías base de la inteligencia artificial y machine learning existían hace varias décadas, la viabilidad práctica ha tardado en llegar y actualmente, gracias a la infraestructura de nube pública de bajo costo y alto desempeño (como Google Cloud Platform), es posible usarlos sin restricciones y con esquemas financieros adecuados, permitiendo una rápida integración con el negocio. Así aparecen nuevos servicios que complementan y soportan su operación con la ayuda de AI/ML, gracias a aspectos como:

• Disponibilidad de poder de cómputo a gran escala y bajo costo.
• Facilidad para que los desarrolladores utilicen técnicas de machine learning y API disponibles a bajo costo, incluso de forma gratuita.
• La presión de los usuarios y el mercado por disponer de plataformas en las que la interface se base cada vez más en formas “naturales de interacción” como voz, imagen y movimiento.
• La transición de arquitecturas tecnológicas a modelos altamente desacoplados, en los que es posible poner a disposición del cliente servicios granulares, permitiendo el cobro a través de funcionalidades altamente especializadas.

Puntos relevantes para tomar en cuenta

Las anteriores no son solo razones que sustentan la explosión de la Inteligencia Artificial en el último tiempo, sino que son los indicadores de la rápida reacción que emprenden las organizaciones, evolucionando el modelo de diseño y despliegue de artefactos de interacción.

Uno de los puntos más importantes del entorno actual para tomar en cuenta de forma inmediata son la venta de modelos predictivos y adaptativos, el desplazamiento de venta en procesos netamente transaccionales sobre modelos pre-entrenados. Esto significa generación de valor fundamentado en UX para el cliente final, cobrando relevancia en el procesamiento de datos, el modelamiento del comportamiento y el aprendizaje de las organizaciones sobre el comportamiento de sus usuarios.

Este camino se puede iniciar con los siguientes tres elementos:

• Un inventario de datos sobre los clientes y su comportamiento: Este debe incluir la información de marcación del comportamiento que dispone Google Analytics, la información que brinda el sistema de información Core de negocio, CRM y datos contacto. En general se busca el modelamiento integral del cliente sobre un mismo esquema no relacional como Google BigQuery, para garantizar el manejo adecuado de grandes volúmenes de datos, con alta capacidad de crecimiento y velocidad de respuesta.
• Definición de datos y segmentación de clientes: Con este insumo es posible definir oportunidades para generar nuevos servicios para el cliente final, con base en mapas de puntos de contacto, tales como el buyer’s journey. En una primera iteración, sugerimos trabajar con indicadores que sean clave para el cliente, por ejemplo ¿cuáles son los portafolios de inversión que mejor se adaptan para personas de 40 años, con disponibilidad de inversión en dólares y a largo plazo? o ¿cuál es la aerolínea con menos escalas y menor probabilidad de demoras para llegar al destino?
• Procesar los datos teniendo en cuenta los anteriores puntos: El objetivo es buscar patrones de relacionamiento y comportamiento que no sean evidentes. Este procesamiento puede apoyarse en las herramientas de machine learning de Google.

Proyectos centrados en la generación de valor

El enfoque de los proyectos ya no son los procesos tradicionales de negocio, ahora son los servicios que generen valor, aquellos que brindan una experiencia de usuario más amplia y adaptable, que aporten al usuario “como un amigo te podría aportar al ayudarte en una tarea, como ir de compras”.

Por otra parte, la generación de valor no supone que deba contar con una plataforma para despligue; el enfoque puede ser complementado, incluso centrarse en formas alternativas de diálogo o en nuevas interfaces, para disponer el servicio sobre plataformas de terceros, por ejemplo: permitir que pidan un taxi desde Whatsapp, ordenar una pizza con un tweet o responder una queja gracias al análisis de conversaciones en Facebook.

Bloques de construcción y servicios que aprenden

Darle un enfoque a los microservicios no es solo ubicar fichas de lego que cumplen una función, sino fichas que cuentan con modelos y bots que “saben” ejecutar tareas específicas, incluso se han adaptado para aprender a ejecutarlas de mejor forma.

Estos servicios juntos, emergen con nuevas funcionalidades de mayor complejidad y mejor desempeño que impactan la UX.

Captura y preparación de datos

Es el diseño y puesta en operación de procesos que recolecten, agreguen, limpien y preparen todo tipo de datos como: fotos, vídeo, voz, texto, opiniones, calificaciones, comportamiento del usuario, sensores IOT, etc.

Los datos deben ser transformados, de tal forma que estén listos para que los servicios inteligentes puedan emplearlos. Por ello, Grupodot siempre sugiere conformar el inventario de datos “interesantes” para el negocio y establecer los mecanismos de carga, transformación y generación de valor.

Las aplicaciones inteligentes son viables, solo si operan soportadas en big data.

El big data le da sentido y soporta la operación de las aplicaciones inteligentes, siendo la base de la estrategia que permite garantizar que los modelos dispuestos puedan aprender y evolucionar.

Estos son algunos ejemplos típicos de aplicación con este enfoque:

Desafíos

El panorama es cada vez más interesante y cómodo para la imaginación, quitando las ataduras que la capacidad de procesamiento imponía tradicionalmente. Sin embargo, la velocidad y el enfoque integral que debe tener este nuevo proceso de diseño de servicios, supone grandes desafíos para los equipos de trabajo de las organizaciones en todos los sectores que cuenten con un interés o que ya estén operando con activos digitales.

Enunciamos algunos desafíos para los perfiles que han estado en contacto con los servicios digitales dentro de las organizaciones:

Desafíos para los profesionales en diseño

• Análisis y comprensión del cliente fundamentado en datos.
• Interfaces y esquemas de interacción dinámicos, con la suficiente capacidad de adaptación a las intenciones y entorno del usuario.
• Uso de las técnicas tradicionales de análisis del usuario, mezcladas con la información que el procesamiento de datos puede dar sobre tendencias, además de referentes de uso en diferentes entornos alrededor del mundo.
• Incluir dentro de sus habilidades y lenguaje, los mínimos acerca de la comprensión de modelos de datos y diseño de información.

Desafíos para los equipos de desarrollo

• Ubicar en el foco principal los intereses y necesidades del usuario desde los datos, comenzando desde los servicios que los datos ponen a disposición e integrando de forma complementaria el mapeo tradicional del proceso.
• Incluir dentro de sus habilidades y lenguaje los mínimos de machine learning y procesamiento de datos. Algunas sugerencias son:

Neural networks and deep learning

Deep Learning

Desafíos para los CMOs

• Enriquecer el análisis del cliente a través de variables sobre el comportamiento y el desempeño en micro-conversiones de transacciones tradicionales.
• Buscar la conformación de un repositorio unificado de datos sobre el cliente, que mezcle segmentación tradicional con segmentación basada en el comportamiento.
• Integrar al proceso de conceptualización y diseño de servicios un enfoque integral, en el que se conformen equipos transversales con diferentes miradas dentro de la organización: TI, ventas, soporte al cliente, líderes de producto, áreas de producción, etc.
• Enfrentar que el crecimiento y efectividad ya no están basados en mensajes tipo broadcast y que cada vez más son requeridas interacciones a “la medida” de cada usuario.

Referencias (utilizadas y sugeridas)

1. Microservices, Martin Fowler http://martinfowler.com/articles/microservices.html

2. Tensorflow https://www.tensorflow.org

3. Playground https://playground.tensorflow.org

4. Google Cloud Platform https://cloud.google.com

5. Is conversational web the future of UX ? http://www.webdesignerdepot.com/2016/04/is-conversational-ux-the-future-of-the-web/