COBATO. A chatbot aimed at assisting small retailers Resumen Se presenta COBATO, un chatbot cuyo dominio es el pequeño comercio y que tiene WhatsApp como canal de comunicación. La finalidad de COBATO es asistir al comercial en aquellas necesidades de información que plantean los clientes y que usualmente se resuelven vía telefónica o algún servicio de mensajería. Así, el asistente virtual facilita al cliente información de productos, horarios, datos de contacto, además de anotar pedidos. En el ámbito del Procesamiento del Lenguaje Natural, se aporta un modelo de datos basado en un grafo de conocimiento que aglutina toda la información que el chatbot requiere del dominio de la aplicación. Una segunda aportación es una representación formal basada en marcos gramaticales del lenguaje que el chatbot conoce. Estos son utilizados para el análisis semántico, así como para generar ejemplos de respuestas de usuario con las que entrenar el modelo de lenguaje usado en el flujo de compresión del lenguaje del chatbot.
• Uso de marcos gramaticales (GF, Grammatical Frameworks)([R]. Concretamente, los GF proveen de un analizador semántico especializado al dominio de la aplicación. Sin embargo, este analizador, si bien es muy preciso, presenta una cobertura limitada, por lo que es necesario apoyarse en modelos del lenguaje como word embeddings o RoBERTa. A estos, la gramática implementada en GF provee de ejemplos de frases de usuario que son generados mediante un proceso denominado “linearización”. Estos ejemplos están etiquetados con la acción y las entidades que allí se encuentran, y son utilizados para el ajuste o fine-tuning del modelo del lenguaje. • Grafos de Conocimiento (KG, KnowledgeGraphs)([H], como modelo único para la representación del conocimiento, y que encapsula tanto el modelo de datos del dominio de la aplicación como el conocimiento lingüístico, el cual será interpretado por los GF, previa traducción automática de un modelo de datos a otro.
En la línea de ([F], la energía ([F] y ([C], se propone un grafo de conocimiento para enlazar toda la información, como un único formalismo que representa (i) la base de datos, donde se codifica la información estructurada que se desea hacer pública, y (ii) conocimiento lingüístico, que se representa como un conjunto de entidades y conceptos (nodos) y relaciones entre ellos (arcos). Este conocimiento lingüístico es posteriormete trasladado a GF, los cuales proveen de un compilador capaz de realizar análisis semánticos del texto, a la par que generar expresiones que son plausibles conforme la gramática codificada. Como se indicó en la introducción, estas facilidades son aprovechadas tanto para obtener una interpretación muy precisa de la respuesta de usuario como para el ajuste fino del modelo de lenguaje que se requiere en el flujo PLN del chatbot. A continuación se detallan las tecnologías que forman parte de la arquitectura de COBATO (ver Figura 1). COBATO requiere de diversas tecnologías, que se agrupan en servicios de back-end, servicios de front-end, así como ciertos recursos externos utilizados para dotar de conocimiento lingüístico a los servicios de back-end.
• Servicios de front-end – React. Front-end Web para la gestión de la página web que usará el comercio : perfil de negocio, horarios, productos, disponibilidad y precios. – Venom. Front-end WhatsApp, pasarela entre el chatbot y los dos perfiles de usuario de este, cliente y comercio.
Figura 1: Arquitectura general de COBATO • Servicios de back-end – Node.js. Actúa como una capa middleware entre la interfaz web y la base de datos, un grafo de conocimiento implementado en TypeDB. – Python. Es el lenguaje de programación genérico usado para implementar diversas librerías para comunicar los servicios de PLN, front-end y back-end. – Rasa. Framework para la implementación de asistentes conversacionales basados en texto. – TypeDB. Gestor de Base de Datos que toma como modelo conceptual de datos el modelo Entidad-Relación, y que se implementa mediante un modelo lógico de datos basado en hipergrafos. A diferencia de otros DBMS basados en hipergrafos, TypeDB requiere de un esquema de datos definido. – Grammatical Frameworks. Lenguaje de propósito especial que se compila en última instancia en una gramática multilingüe, que consta de una sintaxis abstracta y un conjunto de sintaxis concretas. La sintaxis abstracta define un sistema de árboles sintácticos, y • Recursos externos. las sintáxis concretas completan la gramática codificando la correspondiente información morfo-sintáctica, morfológica y léxica, particular de cada lenguaje. – Spacy NLP es_core_news. Modelo de lenguaje usado para el flujo de PLN para procesar la entrada del usuario: extracción de entidades, clasificación de la acción (intención) de usuario, tokenización, similitud semántica de términos, etc.
Figura 2: Caso de uso: atender un pedido En esta primera versión COBATO se ha adaptado al caso concreto de las fruterías, identificándose diez uso identificados. Ejemplos de expresiones legales casos de uso principales, relativo a la elaboración en este lenguaje controlado son “cuál es el horario de un pedido. Otros casos contemplados refieren en fin de semana”, “¿cuál es la dirección del comerel registro y gestión de contenido de comercio a cio?”, “añade un kilo de producto ” o “¿qué precio través de la aplicación web, o gestionar ofertas a tiene producto ”, donde “producto ” es cualquier de través de un canal privado entre el comercio y el los productos dados de alta en la BBDD, frutas y chatbot. Tomando al cliente como actor principal verduras en este caso. Posteriormente, este lenguaje destaca el registro del canal de WhatsApp y la ges- controlado es traducido a un programa GF, una tión de pedidos. En relación al canal de WhatsApp gramática, mediante un script escrito en Python. para cada cliente, durante el proceso de registro Como se indicó en la sección 2, los GF son muy el comercio obtiene un enlace junto con el código precisos para el análisis semántico conforme la graQR equivalente. Cuando un cliente desea interac- mática especificada, pero a su vez limita el lenguaje tuar con el chatbot solo necesita escanear con su que es posible analizar. Es por ello que usualmente móvil tal código QR. Automáticamente se crea un los frameworks tales como Rasa utilizan modelos canal en el cual son miembros el mismo cliente, el de lenguaje, de corte probabilístico, en aras de alcomercio y COBATO. Nótese que, en consecuencia, canzar una mayor cobertura aun a costa de pérdida las interacciones cliente-COBATO son igualmente de precisión. Aún en este escenario los GF son de accesibles por el comercio, que puede intervenir en gran utilidad: mediante un proceso denominado licualquier momento. Un segundo ejemplo destacado nearización, GF genera todos los posibles árboles desde la perspectiva del cliente es la atención a un gramaticales plausibles conforme el programa GF pedido (Figura 2). Se corresponde con la transacción escrito. De este modo obtenemos un conjunto de a lo largo de la cual el chatbot solicita al cliente ejemplos con el cual ajustar al ámbito concreto de qué productos necesita, y en qué cantidad. Una esta aplicación el modelo de lenguaje que usa Rasa vez el cliente desee finalizar, la transacción queda (es_core_news en este caso), como parte de su fluen estado “pendiente”, hasta que, eventualmente, jo de PLN. Particularmente, estos ejemplos están el comercio confirme el pedido en el mismo canal etiquetados con cada una de las acciones de usuario WhatsApp que comparte con el cliente y COBATO, conforme los casos de uso identificados, así como pasando entonces el pedido a “atendido”. con las entidades relevantes que allí se encuentran,
Previo al uso de COBATO por parte del cliente, principalmente frutas y verduras. Finalmente, como es necesaria su instanciación y puesta en marcha: la parte de esta puesta en marcha de COBATO se BBDD implementada en TypeDB ha sido instancia- han escrito diversos “scripts” para Rasa, de moda con los productos disponibles (frutas y verduras do que este pueda gestionar la lógica de diálogo y en este caso). También se añade información léxica, generar las respuestas de usuario necesarias. Una sintáctica y semántica del lenguaje entendido por vez COBATO está en funcionamiento, el comerCOBATO, a modo de lenguaje controlado en el cio se ha registrado en el sistema, y el cliente ha ámbito de la aplicación, y que representa las posi- usado el código QR correspondiente, este último bles interacciones cliente-chatbot expresadas en un puede empezar a interactuar con COBATO, y con lenguaje natural controlado conforme los casos de el dependiente, a través de un canal WhatsApp.
atendidas por el front-end Venom, el cuál actúa como pasarela entre WhatsApp y Rasa, el framework que finalmente atenderá las solicitudes de usuario. La respuesta que Rasa proporciona al usuario se confecciona conforme la intención de este y el KG almacenado en TypeDB. Para poder identificar la intención de usuario, previamente Rasa es entrenado acorde los guiones escritos a tal efecto y el modelo de lenguaje previamente ajustado con los ejemplos provistos por GF.
Se propone el desarrollo de un chatbot cuyo conocimiento se codifica en KG y GF, de modo que toda la información queda en un único repositorio, con las ventajas que ello conlleva desde el punto de vista de la integridad y consistencia de los datos, además de facilitar el mantenimiento, escalado y migración del sistema. El proyecto está en fase de prueba, con lo que el siguiente paso será probarlo en entornos reales. A medio plazo, se pretende avanzar en el uso de los KG. Concretamente, se debe incluir en este conocimiento para la gestión del flujo de diálogo y la generación de las respuestas automáticas. Ambos aspectos actualmente son implementados en Rasa. Separar completamente el framework del modelo de conocimiento permitirá el desarrollo de un gestor de diálogo basado íntegramente en grafos.
dos de la Oficina de Transferencia de Resultados de la Investigación de la Universidad de Jaén y del Instituto de Estudios Giennenses, área de conocimiento de Ciencias Naturales y Tecnología, así como por el Gobierto español a través del proyecto RTI2018-094653-B-C21, LIVING-LANG.