Montoya Múnera, Edwin Nelson2023-05-082023http://hdl.handle.net/10784/32428Un chatbot es un programa creado con inteligencia artificial que, en el contexto de atención a usuarios, tiene la capacidad de establecer conversaciones con los clientes y son entrenados para resolver sus consultas, problemas y quejas. La capacidad de un chatbot de identificar cuando un cliente no está resolviendo su requerimiento, representa un reto para las empresas que actualmente hacen uso de esta tecnología. Una de las estrategias para evitar el abandono de la conversación por esta causa, es el desborde o la transferencia de la conversación a un asesor humano. Por lo tanto, es indispensable detectar cuando es el momento de realizar este desborde. En el presente proyecto se evalúan diferentes técnicas del Procesamiento del Lenguaje Natural (PLN), algoritmos de etiquetado basados en reglas, modelos clásicos de aprendizaje de máquina supervisado y una red neuronal sencilla para clasificación, aplicadas en interacciones entre un chatbot de servicio al cliente y un usuario, con el fin de encontrar un mecanismo de etiquetado automático de los datos y de construir un modelo que pueda ser empleado para tomar la decisión sobre si el cliente debe seguir interactuando con el chatbot o si debe ser transferido a una conversación con un asistente humano. El mecanismo de etiquetado también podría ser usado para clasificar datos históricos, para posteriormente entrenar un modelo. Los diferentes modelos y técnicas se evalúan y se presentan los resultados de los que tienen el mejor desempeño al detectar las conversaciones que deben realizar el desborde a un asesor humano.A chatbot is a program created with artificial intelligence. In the context of customer service, can establish conversations with customers and they are trained to resolve their queries, problems and complaints. A chatbot’s skill to identify when a customer is not meeting their request represents a challenge for companies that currently use this technology. One of the strategies to avoid quitting the conversation for this reason, is to escalate or transfer the conversation to a human agent. Therefore, it is essential to detect when it is time to carry out this escalation. This project evaluates different Natural Language Processing (NLP) techniques, rule-based labeling algorithms, classical supervised machine learning models and a simple neural network for classification, applied to interactions between a customer service chatbot and a user, in order to find a mechanism for automatic labeling of the data and to build a model that can be used to make the decision on whether the customer should continue interacting with the chatbot or if he should be transferred to a conversation with a human agent. The labeling mechanism could also be used to classify historical data, to later train a model. Different models and techniques are evaluated and those with the best performance in detecting the conversations that should escalate to a human agent are presented.spaTodos los derechos reservadosAnálisis de sentimientosChatbotEscalamiento a asesor humanoInteligencia artificialProcesamiento de lenguaje naturalAnálisis de la tendencia de la solución de una interacción con un Chatbot de atención al cliente, basado en análisis de sentimiento y otras variablesmasterThesisinfo:eu-repo/semantics/openAccessAPRENDIZAJE AUTOMÁTICO (INTELIGENCIA ARTIFICIAL)SERVICIO AL CLIENTEALGORITMOSLINGÜÍSTICA COMPUTACIONALSentiment analysisChatbotEscalation to human agentArtificial intelligenceNatural language processingAcceso abierto2023-05-08Flórez Salazar, Luz Stella006.3 F634