Una de las preguntas más frecuentes que recibimos de clientes y usuarios potenciales es: “¿Dónde están sus clasificadores de intenciones?”
No tenemos ninguno. Y sí, es a propósito.
Botpress utiliza LLMs para identificar la intención del usuario. ¿Por qué? Si estás creando un chatbot o un agente de IA, es mucho mejor tanto para quienes los construyen como para los usuarios.
Estamos convencidos de esta decisión, así que me gustaría tomar unos minutos para explicar por qué no usamos clasificadores de intención.
En resumen: es más fácil de construir, más preciso y más sencillo de mantener.
Los viejos tiempos (antes de los LLMs)
(Si ya sabes qué son los clasificadores de intención y para qué sirven, puedes saltarte esta sección).
Un clasificador de intención es una herramienta que categoriza las entradas del usuario en intenciones predefinidas según datos de entrenamiento.
Los desarrolladores deben recopilar y etiquetar innumerables ejemplos para cada posible intención, esperando que el sistema pueda relacionar las entradas del usuario con esos ejemplos.
Por ejemplo, con un chatbot de comercio electrónico, los desarrolladores podrían definir una intención como "TrackOrder". Sus ejemplos de frases podrían ser: "¿Dónde está mi paquete?", "Rastrea mi pedido" y "¿Puedes revisar el estado de entrega por mí?"
Básicamente, están entrenando al agente de IA para que reconozca la intención del usuario dando ejemplos. Y sí, todos esos ejemplos deben ingresarlos manualmente.
Por suerte, la necesidad de hacer este mapeo manual de frases posibles a una intención prácticamente desapareció a medida que los LLMs avanzaron.
Pero muchas plataformas de IA conversacional todavía los usan. ¿Por qué? Ahora lo veremos.
4 desventajas de los clasificadores de intención
No solo es un proceso más largo: los clasificadores de intención tienen muchos inconvenientes. Aquí algunos:
1. Dependencia de datos
Los clasificadores de intención requieren muchos datos. Necesitan un conjunto enorme y representativo de ejemplos de usuario para cada intención, si quieren funcionar bien. Sin eso, les cuesta clasificar correctamente las entradas.
Y construir estos conjuntos de datos es tedioso. Los desarrolladores pasan horas recopilando y etiquetando ejemplos, lo cual —sin duda— no es el mejor uso de su tiempo.
2. Escalabilidad limitada
Los clasificadores de intención tampoco están pensados para escalar. Agregar nuevas intenciones implica recolectar más datos y volver a entrenar el modelo, lo que rápidamente se convierte en un cuello de botella para el desarrollo. Además, pueden ser difíciles de mantener, porque el lenguaje evoluciona y también lo hacen las frases de los usuarios.
3. Mala comprensión del lenguaje
Los clasificadores de intención no comprenden realmente el lenguaje. Les cuesta manejar variaciones, como:
- Sinónimos
- Paráfrasis
- Frases ambiguas
- Errores de escritura
- Expresiones coloquiales poco conocidas
- Entradas fragmentadas
Además, suelen procesar cada frase por separado, lo que significa que no pueden mantener el contexto durante una conversación.
4. Sobreajuste
Los clasificadores de intención tienden a sobreajustarse, es decir, memorizan los ejemplos de entrenamiento en vez de aprender patrones generales.
Eso significa que funcionan bien con frases exactas que ya han visto, pero tienen problemas con entradas nuevas o diferentes. Por eso, son mucho menos robustos de lo que se necesita para un uso profesional.
6 razones por las que los LLMs son mejores
Los LLMs prácticamente resolvieron estos problemas. Entienden el contexto y los matices, y los desarrolladores no necesitan llenarlos de datos de entrenamiento para que funcionen. Un agente basado en LLM puede empezar a conversar desde el primer momento.
1. Capacidades de aprendizaje sin ejemplos (zero-shot learning)
Los LLMs no necesitan ejemplos para aprender. Gracias a su preentrenamiento, ya comprenden el contexto, los matices y la intención sin que los desarrolladores tengan que darles ejemplos específicos.
2. Un pequeño detalle llamado matiz
Los LLMs destacan donde los clasificadores de intención fallan. Pueden interpretar modismos, sarcasmo y lenguaje ambiguo sin dificultad.
Su entrenamiento con conjuntos de datos variados les permite captar los matices sutiles de la comunicación humana que los clasificadores de intención suelen pasar por alto.
3. Mejor contexto
Los LLMs no pierden el hilo de la conversación. Recuerdan lo que se dijo antes, lo que hace que las interacciones sean más naturales y coherentes.
Este contexto también les ayuda a resolver ambigüedades. Incluso cuando la entrada es vaga o compleja, pueden interpretarla considerando la conversación completa.
4. Escalabilidad
Los LLMs son mucho mejores para escalar. No necesitan ser reentrenados para abordar nuevos temas, gracias a su amplio conocimiento del lenguaje.
Eso los hace aptos para casi cualquier caso de uso desde el principio. Para sistemas multiagente, usar un LLM en vez de un clasificador de intención es la opción obvia.
5. Flexibilidad
Los LLMs no dependen de plantillas rígidas. Su flexibilidad permite que las respuestas sean naturales, variadas y adaptadas perfectamente a la conversación. Ofrecen una experiencia mucho mejor para los usuarios que los clasificadores de intención tradicionales.
6. Menos datos de entrenamiento
Los LLMs no necesitan datos etiquetados específicos para cada tarea. Su capacidad proviene de un preentrenamiento masivo con textos variados, así que no dependen de conjuntos de datos minuciosamente anotados.
Si es necesario, los desarrolladores siempre pueden personalizar un LLM para su proyecto. Por ejemplo, los LLMs pueden ajustarse con pocos datos, por lo que se adaptan rápidamente a casos de uso o sectores especializados.
¿Por qué otras empresas utilizan clasificadores de intenciones?
Buena pregunta. Si los LLM son mucho mejores clasificando intenciones, ¿por qué tantas empresas siguen usando clasificadores de intenciones?
La respuesta no es bonita, y tampoco es la más diplomática: es un problema de tecnología heredada.
La mayoría de las empresas tienen intereses en seguir usando clasificadores de intención. Han construido grandes bases de usuarios que dependen de ellos. No tienen motivos para alejar a sus usuarios del sistema que ya crearon.
Pero Botpress es LLM-first
Los LLMs identifican intenciones mucho mejor que los clasificadores tradicionales. Por eso, en 2020 reescribimos todo desde cero para ser LLM-first.
Sabíamos que había llegado una mejor tecnología, y en vez de aferrarnos al pasado, apostamos por dar el salto.
¿Vamos a añadir clasificadores de intenciones?
No. Nos importa demasiado la experiencia de quienes construyen y de sus usuarios.
El futuro de la clasificación de intenciones
Los clasificadores de intención son cosa del pasado. Por eso apostamos completamente por los LLMs.
A medida que los LLMs sigan mejorando, también lo harán los agentes de IA construidos en Botpress. Estamos listos y entusiasmados por seguir elevando el estándar de lo que la IA conversacional puede lograr.
Si quieres crear agentes de IA flexibles impulsados por LLMs, puedes empezar a construir en Botpress. Es gratis.
