02/10/2020

Chatbot e imprese: tecnologie e casi di successo

Lucia Passaro e Alessandro Lenci

 

Negli ultimi anni la “rivoluzione dell’Informazione” ha coinvolto, talora stravolto, anche il mondo industriale che oggi dispone di una grande mole di dati digitali ad altissimo tasso di variabilità. Per la gestione del proprio business, un’azienda deve infatti gestire dati testuali molto diversi che vanno dai documenti prodotti e ricevuti, fino ai dati social per monitorare la propria reputazione sul web.

I contenuti informativi presenti nei testi sono spesso impliciti, e la loro estrazione richiede una comprensione linguistica dei testi molto profonda. Parallelamente alla crescita dei dati digitali, sono stati sviluppati negli ultimi decenni efficienti algoritmi di Natural Language Processing (NLP) che analizzano il linguaggio umano in modo automatico per permettere un’interazione sempre maggiore tra uomo e macchina. Una delle modalità più semplici di interazione è proprio quella del dialogo, che nell’ambito del NLP si concretizza attraverso i chatbot. Il nome deriva da “chat + robot”, programmi in  grado di simulare una conversazione umana.

Grazie al NLP, è oggi possibile risolvere in maniera ef ficace diversi compiti di comprensione del testo che  vanno dall’estrazione di metadati semantici, come ad  esempio le entità (persone, luoghi o organizzazioni) o gli  argomenti (topic), fino alle modalità di fruizione delle in formazioni. Gli strumenti di NLP, in altre parole, permet tono di passare da un enorme e continuo flusso di dati  testuali non strutturati, alle informazioni vere e proprie.

Per passare dai dati alle informazioni, il primo  passo da compiere è quello di indicizzare i testi  con dei metadati semantici, ovvero associare ai  propri documenti tag appropriati per effettuare  ricerche e navigazioni. Tornando all’esempio  delle entità, se è ormai molto comune estrarre i  nomi di persona e di luogo, in alcuni contesti potrebbe essere utile estrarre metadati molto più  specifici. Per esempio, una compagnia assicura tiva potrebbe voler marcare le targhe delle auto,  i riferimenti normativi o i nomi delle polizze. Allo  stesso modo, una casa farmaceutica potrebbe  essere interessata ai nomi dei principi attivi. A  seconda del tipo di informazione, anche le tecni che di estrazione sono molto diverse, andando  da sistemi puramente a regole per metadati a  bassa variabilità (es. targhe auto) a sistemi ba sati su algoritmi di apprendimento automatico  (machine learning) per metadati ad alta variabi lità (es. il nome delle polizze) o ancora a sistemi  ibridi per l’estrazione di metadati “misti” (es. i  riferimenti normativi, che hanno nomi molto va riabili ma una struttura rigida).

Una volta estratti, i metadati possono essere uti lizzati in modi molto diversi che vanno dal caso  più semplice, ovvero la ricerca e la navigazione  di un sito web per metadati semantici (keyword,  argomenti o entità) fino a strumenti di dialogo  scritto o parlato come i chatbot.

Questi ultimi si sono affermati nell’ambito dell’Industria 4.0 perché consentono di snellire  diversi processi aziendali e di potenziarne altri.  Per esempio, le aziende possono risparmiare sui  costi di personale e corsi di aggiornamento, aumentare l’interazione con i propri clienti e rag giungerne di nuovi, incrementando le vendite.

Ancora una volta, i chatbot non sono tutti ugua li e devono essere progettati in modo diverso  a seconda del caso d’uso. In prima battuta, è  possibile distinguere i chatbot in tre diverse ma cro-categorie, ovvero Linguistici (linguistic-based,  o rule-based), basati su deep learning (Artificial  Intelligence-based, o AI-based) e ibridi.

I chatbot linguistici hanno il principale van taggio del “controllo”, assente nei chatbot AI. È  possibile stabilire in anticipo la risposta corretta  a una domanda, e progettare test automatizzati  per verificare la qualità e la coerenza del sistema.

Questi chatbot utilizzano la logica if/then per  creare flussi di conversazione. Si possono crea re regole linguistiche per analizzare le parole, il  loro ordine, i sinonimi, i modi comuni di formu lare una domanda, e questo permette di agire sulla risposta finale, garantendo che “domande  con lo stesso significato” ricevano la stessa ri sposta. In caso di comportamenti indesiderati,  è possibile per un umano riformulare o modifi care le regole. Per contro, i chatbot puramente  linguistici sono generalmente molto rigidi e lenti  da sviluppare. Questi sono il tipo di bot più co mune, con il quale molti di noi hanno interagito  attraverso un sito web di e-commerce, o su Facebook Messenger.

Agli antipodi si trovano i chatbot basati su AI,  che sono più sofisticati, interattivi e persona lizzati. Nel tempo, se alimentati con nuovi dati,  diventano più consapevoli del contesto, e usa no tecniche di intelligenza artificiale per per sonalizzare l’esperienza utente. Questi sistemi  possono essere impressionanti se addestrati in  modo cospicuo con dati “giusti” (ovvero molto  simili a quelli per cui saranno utilizzati). Per loro  natura, imparano dai modelli e dalle esperienze  precedenti. D’altro canto, per funzionare anche  al livello più rudimentale, richiedono enormi  quantità di dati di training e specialisti umani  altamente qualificati per identificare le risposte  giuste a determinate domande. Inoltre, sono  una black box: a seguito di un comportamento  anomalo, può essere molto difficile intervenire  e modificarne il comportamento. Le risorse ne cessarie, combinate con la gamma ristretta di  scenari in cui gli algoritmi statistici sono davvero  eccellenti, rendono i chatbot basati puramente ad una scelta poco pratica per molte imprese.

A livello aziendale, chatbot nativamente ibridi offrono il meglio  dei due mondi, perché permettono di incorporare algoritmi stati stici e regole linguistiche all’interno della stessa interfaccia visiva.

Rispetto ai chatbot AI, consentono di costruire sistemi di conver sazione anche senza dati per il loro addestramento. Raccogliere  esempi di conversazioni su un certo dominio è infatti estrema mente complesso e dispendioso. Inoltre, sono più trasparenti nel  funzionamento, e consentono all’azienda di assicurare che il com portamento del chatbot sia in linea con le aspettative. Allo stesso  tempo, permettono di integrare comunque dei moduli di AI, per  superare la rigidità delle regole e fare inferenze intelligenti. Infine,  sono uno strumento eccellente per collezionare dati che in futuro  potranno alimentare sistemi basati su deep learning.

Un caso di successo di questo tipo è nato dal progetto SEM Il  Chattadino, in cui è stato implementato un chatbot ibrido per  la Pubblica Amministrazione. Il sistema è stato successivamente  adattato a un contesto industriale con uno degli Stakeholder del  progetto, l’azienda Insurance Online S.p.A. (Insurance), una società di software focalizzata su prodotti e servizi ICT orientati al  mercato assicurativo e bancario.

Il chatbot di Insurance è nato con un obiettivo duplice: prima di  tutto, supportare gli operatori di compagnia, che, dovendo offri re un servizio di consulenza al cliente finale, avevano bisogno di  cercare informazioni puntuali in modo immediato e, d’altro canto,  per permettere ai clienti di accedere e navigare la documentazio ne relativa alle polizze sottoscritte o da sottoscrivere in modo intuitivo.

Dal punto di vista implementativo è stato scelto un approccio ibri do, in cui le regole sono state usate principalmente per organiz zare i metadati (estratti in modo statistico o rule-based) intorno a  degli “oggetti” di interesse utili per rispondere a molte domande  utente e recuperare la porzione di testo in cui compaiono. Per  esempio, intorno all’oggetto polizza ruotano metadati come la  scadenza del contratto, il costo di emissione e le somme assicu rate. Inoltre, è stato gestito a regole anche il flusso per indirizzare  le domande verso componenti a regole o AI, al fine di avere un  controllo sui componenti usati per arrivare alla risposta finale. Vi ceversa, l’approccio AI è stato usato per gestire i metadati e gli  scenari più complessi come ad esempio il glossario e la gestione  delle FAQ.

Una volta finalizzato il chatbot, è cruciale diffonderlo corretta mente, per evitare di compromettere la propria immagine. Per  esempio, Insurance ha attuato una strategia incrementale. Prima  di tutto lo strumento è stato testato da utenti interni (dipendenti),  poi fornito a utenti esperti del settore (operatori di compagnia,  solitamente partner) e solo successivamente fornita ai consuma tori finali.

In ambito industriale, dunque, i chatbot rappresentano un’enor me opportunità per migliorare alcuni processi come quelli riguar danti la comunicazione e la fruizione delle informazioni. Per es sere all’altezza della sfida, è importante scegliere la soluzione più appropriata ai propri dati e processi, guardando da un lato alle  proprie esigenze, dall’altro alle soluzioni tecnologiche in continua  evoluzione. Dal punto di vista della ricerca, infatti, si stanno affron tando sfide importanti da un lato per aumentare sempre di più la  flessibilità dei chatbot, dall’altro per abbattere i tempi di sviluppo  per il porting da un dominio all’altro.


CORRELATI


Related Posts