Estos son algunos de los congresos y jornadas TIC más relevantes del mes de febrero:…
En un servicio de asistencia técnica, cada minuto cuenta. Antes de resolver una incidencia, el equipo debe entender quién contacta, qué necesita, qué servicio está afectado y cuál es el contexto del problema. Cuando esa información llega por diferentes canales y con distintos niveles de claridad, la tecnología puede convertirse en un apoyo decisivo.
Descubre más en nuestro Academy
Este fue uno de los ejes tratados por el equipo de I+D de Sarenet en una reunión interna dedicada a proyectos de inteligencia artificial aplicados al Servicio de Asistencia Técnica (SAT).
La ponencia presentó diferentes casos de uso basados en procesamiento de lenguaje natural, machine learning y modelos de lenguaje, siempre con un objetivo común: agilizar tareas recurrentes y facilitar el trabajo del equipo técnico.
El proyecto presentado parte de una idea concreta: analizar procesos habituales del personal del SAT para detectar cuáles pueden abordarse con herramientas de inteligencia artificial.
No se trata de aplicar IA de forma genérica, sino de identificar casos de uso concretos en los que el procesamiento de lenguaje natural pueda ayudar a interpretar correos, llamadas, asistencias o respuestas de clientes.
Todos ellas tienen un valor operativo claro: reducir trabajo manual, acelerar la identificación del contexto y ofrecer una ayuda útil, especialmente en procesos repetitivos o para personas de nueva incorporación.
Uno de los primeros casos de uso está relacionado con la renovación de dominios y certificados.
Cuando un servicio está próximo a caducar, el cliente recibe una notificación. Después puede responder de varias formas: confirmar que quiere renovar, indicar que no quiere hacerlo, renovar solo parte de los servicios o plantear una cuestión diferente, como solicitar un presupuesto.
Para clasificar automáticamente estas respuestas, el equipo trabajó con un histórico de correos electrónicos etiquetados en cuatro categorías. A partir de ahí se aplicó un proceso completo de adquisición de datos, limpieza, preprocesamiento, transformación del texto en vectores y entrenamiento de modelos.
El equipo de I+D explica que se analizaron varias estrategias de procesamiento de datos y algoritmos de IA para el entrenamiento de un modelo interpretable y de alto rendimiento. Tras la incorporación de variables representativas de un glosario de términos, sinónimos y frases clave se consiguió un modelo basado en regresión logística que alcanzó una precisión del 97%.
El beneficio de este enfoque es evidente: una parte del trabajo de clasificación puede resolverse de forma automática, manteniendo la supervisión necesaria cuando la respuesta del cliente no encaja claramente en una categoría.
Otro caso de uso se centra en detectar sobre qué producto o servicio habla un cliente cuando contacta con el SAT.
El objetivo no es solo saber el ámbito general de la asistencia, sino llegar, cuando sea posible, al identificador concreto del servicio afectado.
Para ello se emplea un flujo basado en procesamiento de texto, limpieza, vectorización y algoritmos supervisados de machine learning. En este caso, el mejor resultado se obtuvo con un ensamble de tres modelos: regresión logística, Random Forest y refuerzo de gradiente extremo. Cada modelo aporta su predicción y un metaclasificador emite el resultado final.
Para ello se emplea un flujo basado en procesamiento de texto, limpieza, vectorización y algoritmos supervisados de machine learning. En este caso, el mejor resultado se obtuvo con un ensamble de tres modelos, donde cada modelo aporta su predicción y un metaclasificador emite el resultado final.
La ponencia explica también cómo se transforma el texto en datos procesables mediante técnicas como Count Vectorizer, que convierte la frecuencia de aparición de las palabras en una representación numérica utilizable por los modelos.
En la detección del producto afectado, el sistema alcanzó una precisión del 95%. Para localizar el identificador concreto del servicio, se emplearon además búsquedas estructuradas de patrones. Por ejemplo, si el cliente menciona un número de teléfono asociado a una SIM, el sistema puede buscar ese dato en los contratos y recuperar el ID del servicio correspondiente.
Este enfoque ayuda a reducir el tiempo necesario para contextualizar una asistencia. En lugar de partir de cero, el equipo técnico puede recibir una propuesta inicial sobre el producto o servicio implicado.
Descubre más en nuestro Academy
La identificación del cliente es otro de los retos planteados. No siempre una persona se identifica de forma clara al contactar con el SAT. A veces aporta datos indirectos: un número de teléfono, un CIF, un NIF, un número de ticket o un identificador administrativo.
El sistema propuesto parte de la transcripción de una llamada. Tras la transcripción del audio mediante un modelo de IA, se procesa el texto mediante extracción de patrones y técnicas de reconocimiento de entidades para buscar términos que indiquen la identidad del llamante.
Si el sistema detecta un dato útil, como un número de teléfono, lo consulta contra un endpoint específico. Si encuentra un contrato asociado, puede identificar al cliente.
En las pruebas descritas se trabajó con 200 transcripciones de llamadas. En 104 de ellas, el cliente ofrecía alguna pista útil para la identificación. El modelo pudo detectar correctamente 101 de esos casos, lo que supone una tasa de éxito del 97,2%.
La utilidad de este tipo de asistente está en facilitar el arranque de la atención. Si el sistema puede proponer el cliente o el contrato afectado y mostrar directamente con su ficha, el equipo técnico gana tiempo y puede centrarse antes en el problema.
El cuarto caso de uso presentado se basa en extraer palabras o frases clave de una asistencia y compararlas con un glosario técnico interno de Sarenet.
La idea es sencilla: si una asistencia contiene expresiones relacionadas con términos del glosario, el sistema puede ayudar a clasificarla por ámbito técnico.
Para ello se extraen candidatos a frases clave mediante n-gramas. Después se comparan con el contenido completo de la asistencia, se aplica una capa de diversificación para evitar redundancias y se contrasta el resultado con el glosario técnico. Finalmente, un modelo de lenguaje valida si la relación entre la frase clave y el término del glosario tiene sentido en ese contexto.
Este proceso permite obtener etiquetas útiles para clasificar las asistencias. En los análisis mencionados se alcanzó una cobertura del 95% de etiquetas en un lote de asistencias.
Más allá del dato técnico, el valor está en ordenar mejor la información. Cuando las asistencias se etiquetan de forma más precisa, resulta más fácil analizarlas, agruparlas y utilizarlas como conocimiento para futuras resoluciones.
No se plantea la inteligencia artificial como un sustituto del equipo humano, sino como una herramienta de apoyo para tareas concretas.
Clasificar una respuesta, detectar un producto, identificar un cliente o proponer etiquetas son acciones que pueden consumir tiempo si se realizan manualmente. Automatizarlas ayuda a que el equipo técnico se concentre antes en lo que realmente aporta valor: entender el problema, tomar decisiones y resolver la incidencia.
También tiene especial interés para personas de nueva incorporación. Un sistema capaz de sugerir contexto, ámbito técnico o documentación relacionada puede ayudar a reducir la curva de aprendizaje y mejorar la consistencia en la atención.
El trabajo presentado por el equipo de I+D de Sarenet muestra una aplicación práctica de la inteligencia artificial en procesos de soporte reales. No se trata de una IA abstracta ni desconectada del día a día, sino de asistentes diseñados para interpretar lenguaje, ordenar información y reducir fricción en tareas recurrentes.
Para el cliente final, el beneficio se traduce en una atención mejor contextualizada, una identificación más rápida del servicio afectado y una gestión más ágil de sus solicitudes.
En un entorno donde las empresas dependen cada vez más de sus comunicaciones, sus servicios cloud y su infraestructura tecnológica, disponer de procesos internos más eficientes permite ofrecer un soporte más preciso, más rápido y mejor alineado con las necesidades de cada organización.
No todas las conversaciones suenan igual. Y en un servicio técnico, entender bien una llamada…
Durante años, buena parte del canal tecnológico ha crecido sobre actividades muy concretas: implantación, suministro,…
Cuando una empresa presta servicio a millones de personas en distintos países, la ciberseguridad deja…
La transformación digital ya no va solo de digitalizar procesos o acumular herramientas. (más…)
La ciberseguridad ya no puede entenderse como una suma de herramientas aisladas. Para muchas empresas,…
No todas las empresas trabajan igual. Cada una tiene su propio ecosistema de herramientas, su…