En México, Cari, el chatbot especializado en Procesamiento del Lenguaje Natural (PLN) se entrena constantemente para entender las formas de hablar de las diferentes regiones del país y de las palabras “padrísimas” que utiliza la gente para comunicarse.
Y es que el creciente uso de asistentes virtuales como Alexa o Siri y la atención de chatbots en Whatsapp, Facebook y otras redes sociales y plataformas de servicio al cliente, ecommerces y páginas web han instalado la tecnología conversacional de los chatbots entre nosotros sin que siquiera nos demos por enterados.
En los últimos años los chatbots basados en lenguaje natural vienen revolucionando la atención al cliente impulsados principalmente por el sector financiero y los retailers que ahora, gracias a esta tecnología, venden 24 horas al día.
Según datos Juniper Research se espera que la facturación asociada a los chatbots alcance los 112.000 millones de dólares en este 2023, Sin embargo, un desafío importante en el desarrollo de estos sistemas es cómo manejar los regionalismos del idioma.
Los regionalismos son palabras, frases y expresiones que son comunes en una región específica pero no necesariamente se utilizan en otras partes del mundo. Por ejemplo, en México se usa la palabra “chamba” para referirse al trabajo, mientras que en otras partes de América Latina se utiliza “trabajo” o “empleo”.
Diversidad del lenguaje
En el desarrollo de un chatbot, es importante tener en cuenta estas diferencias lingüísticas para asegurar que el sistema pueda entender y responder adecuadamente a los usuarios y que no se les pierda su “lana”.
Para la gerente comercial de Cari AI, Angela Espitia, entender la diversidad del lenguaje es un tema de la mayor relevancia. Y es que entre más se desarrollan los servicios de los chatbots los servicios básicos como seleccionar sí o no o marque uno para esto y dos para aquello empiezan a ser parte del pasado.
Para manejar los regionalismos, las empresas pueden utilizar diversas técnicas. Por ejemplo, la programación de reglas específicas para cada región es una forma efectiva de asegurar que el sistema entienda los términos regionales.
Fuente: lopezdoriga.com
