Cómo OutSystems y Machine Learning te ayudan a resolver problemas reales. Ciclo OutSystems I

En este artículo hablaremos de OutSystems y cómo aplicando Machine Learning en nuestras aplicaciones podemos ayudar a resolver problemas reales de una manera original e innovadora.

OutSystems es una plataforma de desarrollo de aplicaciones low-code que aborda eficazmente los actuales retos de la transformación digital en el que estamos inmersos.

Algunos de estos retos son la creciente demanda de nuevas aplicaciones empresariales, la continua adaptación al cambio, la necesidad de innovación y diferenciación respecto a la competencia, la modernización y colaboración con sistemas antiguos u obsoletos, escasez de talento IT así como el alineamiento con las estrategias de negocio, agilidad en el desarrollo y entrega, eficiencia o contención de costes.

El ‘machine learning’ – aprendizaje automático – es una disciplina de la inteligencia artificial (IA) que permite que las máquinas aprendan sin ser expresamente programadas para ello. Para ello, identifica una gran serie de patrones complejos determinados por una gran cantidad de parámetros de entrada. Es importante entender que la máquina no aprende por sí misma, sino que un algoritmo se modifica con la constante entrada de datos en la interfaz y que puede, de ese modo, predecir o simular escenarios futuros o tomar acciones de manera automática según ciertas condiciones. Al realizar esas acciones de manera autónoma por el propio sistema (no existe intervención humana) se dice que el aprendizaje es automático.

Alfredo tiene problemas y necesita ayuda para resolverlos

Alfredo lleva trabajando en la compañía Globex Corp desde hace 10 años. Recientemente Globex Corp compró e integró a Initech, una pequeña empresa especializada en dar soporte global a clientes y usuarios internos. Alfredo como responsable del nuevo departamento de Globex Corp se entrevistó con Teresa que tenía experiencia previa en otras empresas similares del sector y que llevaba sus últimos 5 años en Initech.

Teresa comentó que al principio de su contratación en Initech, le encantaba su trabajo porque tenía que resolver todo tipo de tickets: incidencias, dudas funcionales y técnicas, peticiones de otras áreas como IT, marketing, ventas, compras… Su trabajo consistía principalmente en clasificar y redirigir el ticket que abrían los clientes/usuarios al requipo responsable de su resolución, completar los tickets con más información para su resolución y resolver los tickets de soporte que le asignaban. Últimamente andaba desmotivada y frustrada con su trabajo. De hecho se estaba planteando abandonar la empresa al sentirse cada vez más desbordada por el trabajo acumulado y la gran cantidad de trabajo repetitivo. Le deprimían algunas tareas tediosas como analizar manualmente los diferentes tipos de tickets y responder una y otra vez a las mismas preguntas. Las quejas del cliente/usuario a cuenta del tiempo en cerrar sus tickets y obtener su feedback eran algo continuo y cotidiano.

Alfredo preocupado decidió preguntarnos cómo podríamos ayudar a Teresa y su equipo con el menor impacto en las aplicaciones OutSystems que usaban actualmente.

Digital Lover

OutSystems y la IA al rescate de Alfredo

A continuación, planteamos 3 problemas, cómo los resolveríamos integrando Inteligencia Artificial (IA) en las actuales aplicaciones OutSystems y cómo impacta positivamente la aplicación de IA.

Problema 1: Respuestas a preguntas repetitivas

Para resolver este escenario es necesario el uso de OutSystems.AI Chatbot para crear un canal de conversación 24x7 mediante un chatbot personalizado de preguntas/respuestas y permitir a los usuarios interactuar con los servicios propios del departamento mediante una interfaz amigable de chat a través de lenguaje natural.

OutSystem Chatbot

Las ventajas del uso de la inteligencia artificial (IA) en este escenario serían: autoservicio disponible 24x7, evitar esperas al cliente/usuario para incrementar su satisfacción, conversaciones en lenguaje natural (menos fricción con el cliente/usuario), reducir el número de tickets abiertos al evitar procesamiento manual y, finalmente, permitir que Teresa y su equipo se focalicen en tickets más complejos.

Problema 2: Clasificar, completar y enviar los tickets al equipo correcto

Para abordar este reto es indispensable el uso de Machine Learning Builder y OutSystems.AI Document Processor. Machine Learning Builder te permite crear y usar modelos de aprendizaje automático sin ninguna experiencia en la ciencia de datos. Usamos este acelerador para entrenar al sistema y que sea capaz de clasificar de manera automática los diferentes tickets que crean los clientes/usuarios.

Para ello, es necesario:

  1. Crear tu modelo de aprendizaje automático. En este caso usaremos un modelo de clasificación de texto.
  2. Integrar el modelo en Service Studio (entorno de desarrollo integrado de OutSystems) para ejecutar ese modelo de aprendizaje automático en tiempo real permitiendo decidir cuál es la mejor acción basada en los resultados del modelo.
  3. Obtener las predicciones en vivo para ver cómo se comportará el sistema y ver si es necesario algún ajuste adicional o entrenamiento mayor.

OutSystem Ticket

Esto nos permitirá clasificar automáticamente los tickets, de manera que reduciremos el tiempo para tomar una decisión.

Por otra parte, complementamos los campos del ticket con información estandarizada de los diferentes tipos de documentos que nos llegan como adjuntos (fotos de móvil, PDFs, pantallazos…). Para ello, hacemos uso de OutSystems.AI Document Processor que te permite extraer pares de clave/valor de documentos e información de datos de formularios.

Outsystem

De esta forma, reduciremos los tiempos de entrega de los tickets al extraer automáticamente los datos de los adjuntos y completar la información necesaria del formulario del ticket. También reducirá el número de tickets devueltos por un error humano en el primer análisis e incrementará la calidad global. En definitiva, permitirá que Teresa y su equipo sean más productivos y eficientes.

Problema 3: Leer el ticket y entender qué hacer

Mediante Machine Learning Builder y OutSystems.AI Language Analysis podremos abordar esta problemática. OutSystems.AI Language Analysis es un componente para realizar diferentes operaciones de procesamiento de texto:

  • Detección de frases clave
  • Análisis de sentimientos: Puntúa el texto recibido según un sentimiento negativo, neutral o positivo.
  • Detección de entidades lógicas para reclasificar o completar la información del ticket.
  • Transcripción de voz a texto
  • Detección de idioma, traductor y corrector ortográfico.

OutSystem

De esta forma, podemos reducir el tiempo de decisión al predecir la prioridad mediante un modelo de aprendizaje automático, inferir el sentimiento del cliente/usuario, resaltar las frases clave y extraer automáticamente las entidades clave con las que trabajar la aplicación.

La consecuencia es que Teresa y su equipo serían más productivos al contar rápidamente con información valiosa para gestionar los tickets.

Alfredo nos agradece nuestra ayuda

La puesta en marcha de OutSystems.AI Chatbot, Machine Learning Builder, OutSystems.AI Document Processor y OutSystems.AI Language Analysis siguiendo nuestras recomendaciones por parte de Alfredo impacta positivamente en el trabajo de Teresa y su equipo:

  • Se reduce drásticamente el análisis manual de los tickets así como el trabajo repetitivo.
  • Mejora la toma de decisiones de manera más rápida y mejor soportada.
  • Incrementa la calidad y satisfacción de los clientes/usuarios.

OutSystem

 

 

 

He leído y acepto la política de privacidad
Acepto recibir emails sobre actividades de recruiting NTT DATA