La calidad de las respuestas en aplicaciones basadas en inteligencia artificial es crucial para garantizar la satisfacción de los usuarios. Esto es especialmente relevante en los asistentes de chat utilizados en recursos humanos, donde es esencial que las respuestas cumplan con las políticas empresariales y mantengan un tono adecuado. Recientemente, Amazon Bedrock ha presentado una solución que combina datos de retroalimentación de usuarios y técnicas de “few-shot prompting” para mejorar significativamente la calidad de las respuestas, aumentando la satisfacción del usuario.
Amazon Bedrock utiliza un modelo llamado Amazon Titan Text Embeddings v2, que ayuda en la generación de representaciones semánticas de las consultas de los usuarios. Esta herramienta es vital para optimizar respuestas, ya que identifica ejemplos similares que guían la producción de respuestas más personalizadas y precisas. La retroalimentación de los usuarios se emplea de manera iterativa para mejorar la precisión y robustez de las respuestas de la inteligencia artificial.
Durante la implementación de esta solución, se empleó un conjunto de datos de retroalimentación para demostrar su efectividad. Gracias a técnicas de muestreo y similitud semántica, se logró un aumento del 3.67% en las puntuaciones de satisfacción del usuario. El proceso incluyó recolectar un conjunto de datos público de retroalimentación, crear embeddings para las consultas y usar ejemplos similares en un sistema de “few-shot prompting” para generar respuestas optimizadas. Los resultados se compararon con aquellos generados por modelos de lenguaje grandes no optimizados, utilizando pruebas estadísticas para validar la mejora.
Los beneficios de usar Amazon Bedrock son múltiples: no requiere gestión de infraestructura, utiliza un modelo de pago por uso, garantiza la seguridad empresarial y facilita la integración con aplicaciones existentes. Este enfoque no solo mejora el rendimiento de los asistentes de inteligencia artificial, sino que también tiene un impacto positivo en las operaciones de negocio, reduciendo riesgos de malentendidos de políticas y disminuyendo el número de tickets escalados en atención al cliente.
Pese a los logros, existen limitaciones, especialmente en aplicaciones donde la retroalimentación de usuarios es escasa, lo que podría dificultar la generación de optimizaciones efectivas. A futuro, expandir este sistema a varios idiomas y mejorar la gestión del contexto mediante nuevas técnicas promete avances en la interacción de la inteligencia artificial con los usuarios.
