Guidare le persone in operazioni complesse, rispondere alle richieste, interagire in modo naturale. Quando le risposte dei chatbot riusciranno a mimetizzarsi al 100% fra i messaggi degli umani, la loro rivoluzione potrà dirsi definitivamente compiuta.

Oggi sono molteplici le realtà che ricorrono ai chatbot per automatizzare le conversazioni digitali con le persone. Compagnie aeree, banche e aziende stanno affiancando chatbot e operatori in carne e tastiera: i primi possono assolvere alle richieste standard e passare ai secondi le consulenze più complesse. Un binomio che garantisce tempi di reazione rapidi, risposte coerenti ed accurate rispetto alle esigenze delle persone e un alto livello di soddisfazione.

Con social network, smartphone e banda larga aumentano i punti di contatto fra brand e persone. Il ricorso ai chatbot permette ai grandi brand di concentrarsi sulla promozione di esperienze digitali personalizzate, per coinvolgere gli utenti e migliorare l’immagine stessa del marchio. Anche per questo, accanto all’aspetto più strettamente tecnologico – intelligenza artificiale e capacità di modellare le risposte – è opportuno riflettere sull’esperienza utente, per dare ai chatbot un tocco il più possibile umano.

Chatbot, a che punto siamo: risposte predefinite vs. modelli autogenerativi

In prima battuta, il campo operativo di un chatbot è definito dalla sua capacità di comprendere le richieste e generare risposte soddisfacenti. Si possono definire due modelli:

Retrieval-based model. Il chatbot preleva le risposte da una repository, a seconda del contesto e della richiesta delle persone. Un modello chiuso, in cui lo sforzo del chatbot è indirizzare le query dell’utente verso un dominio a lui conosciuto, in modo tale da guidare la conversazione sino al soddisfacimento della richiesta iniziale.

Generative models. I chatbot generativi utilizzano le stesse tecniche di comprensione e astrazione proprie dei sistemi di traduzione automatica – reti neurali e deep learning – per far fronte a quesiti a lui sconosciuti e generare nuove risposte.

L’autoapprendimento del chatbot: reti neurali e deep learning

Il deep learning è un algoritmo di Machine Learning ispirato alle reti neurali del cervello umano. Il sistema stratifica la conoscenza – parole e concetti – secondo un modello gerarchico di caratteristiche e rappresentazione dei dati, dalla superficie alla profondità. La comprensione è dunque frutto di un processo che mette in fila più livelli di astrazione, dal generale al particolare.

La macchina emula i meccanismi che l’essere umano mette in moto in fase di apprendimento. Quando un bambino pronuncia per la prima volta la parola “gatto”, non necessariamente sa distinguere il felino da un cane. Più il bambino proverà – e sbaglierà – a riconoscere il gatto, più immagazzinerà le informazioni che gli serviranno per distinguerlo senza più commettere errori. Nel caso di apprendimento supervisionato è un’entità terza – il genitore – a fornirgli la chiave di lettura opportuna per comprendere cos’è un gatto e cosa non lo è. Nel caso di apprendimento non supervisionato, il bambino interiorizzerà quei tratti comuni – pattern – che gli permetteranno prova dopo prova un’interpretazione a prova di errore: i gatti hanno 4 zampe, una particolare conformazione del muso, il pelo e via discorrendo.

Anche i chatbot, così come il nostro bambino, hanno bisogno di essere educati all’interpretazione del linguaggio prima di interfacciarsi con le persone e conversare con loro. A partire da corpus testuali, l’intelligenza artificiale del chatbot traduce le parole in oggetti per lui più maneggevoli – numeri e vettori – al fine di stabilire connessioni ed effettuare operazioni che gli consentano di attribuire contesto e significato alle parole.  Anche per i chatbot possono esistere forme di apprendimento supervisionato o non supervisionato: 1.     Nel primo caso lo sviluppatore prevede regole di comprensione strutturate o provvede a test che inducono il chatbot a stabilire la risposta corretta per ogni tipologia di richiesta. Un sistema che garantisce interazioni coerenti ma che, di fatto, limitano la capacità del chatbot di generare in autonomia nuove connessioni.2.     Nel secondo caso i dati vengono strutturati attraverso metatag in modo tale da affidare all’intelligenza artificiale il compito di scovare interconnessioni e stratificazioni dei significati. Il chatbot affina la sua capacità deduttiva, e sarà tanto più smart quando più ricca e consistente sarà la base dei dati da cui attingere per risolvere i problemi. La possibilità però che un errore di interpretazione possa propagarsi fra i vari strati di conoscenza e generare risposte inattese è il rovescio della medaglia.

Come funzionano i chatbot oggi: l’elaborazione del linguaggio naturale

Dall’input dell’utente all’output del chatbot intercorrono 3 step: comprensione, elaborazione e risposta.

Comprensione. Subito dopo aver ricevuto una richiesta, il chatbot acquisisce dal contesto il maggior numero di informazioni possibili: il messaggio, le informazioni sulla persona o lo storico delle richieste precedenti concorrono alla definizione del problema da risolvere. Ad esempio, se il chatbot lavora su Facebook Messenger potrebbe recuperare dati sulla persona che ha posto la domanda – età, geolocalizzazione, genere – e vedere se e come in passato ha gestito richieste simili. Elaborazione. Successivamente il chatbot converte le informazioni ricevute in un formato a lui comprensibile. Ogni frase è suddivisa parola per parola per cercare due cose: l’intento di ricerca – ciò che la persona sta chiedendo – e le entità in gioco – i dati necessari per completare un’attività. Ad esempio, quando una persona digita su un chatbot dello shopping: “Sto cercando di trovare un paio di scarpe da sera nere per mio marito” Il chatbot semplifica la frase sino agli elementi essenziali – verbi e nomi – per determinare l’intenzione di “trovare le scarpe”. Poiché il chatbot ora sa che cosa dovrebbe fare, può concentrarsi sulle entità per indirizzare meglio la sua risposta. In questo scenario “nero” (colore), “vestito” (categoria) e “marito” (reparto uomini) danno al bot un’idea di dove iniziare. Il chatbot sfrutta quindi tutte le sue conoscenze pregresse, organizzate in vettori, strati e corrispondenze, per giungere alla risposta più corretta. Può riconoscere i sinonimi comuni di un comando e determinare l’azione desiderata.  Una buona stratificazione della knowledge base permette al chatbot di apprendere anche in fase di risposta.  Risposta.  Quando l’elaborazone si conclude, il chatbot risponde alla richiesta dell’utente. Può fornire una risposta puntuale o richiamare schemi già acquisiti per rilanciare la conversazione con nuove domande e accompagnare l’utente sino al termine del processo.

Chatbot e UX: 3 consigli per il 2019

Nulla è più avvilente di conversare con un essere non senziente e poco empatico. La sensazione di ricevere risposte preconfezionate allontana i chatbot dagli obiettivi di personalizzazione dell’esperienza ricercato dai brand. Se si desidera una strategia di progettazione UX chatbot di successo che promuova il coinvolgimento degli utenti e offra valore agli utenti di chatbot, è necessario che ciascun utente ritenga che la conversazione sia adattata alle proprie esigenze e situazioni.

No robot, sì personalità

Chiamare l’utente per nome e personalizzare il saluto in base all’ora del giorno – buongiorno, buon pomeriggio, buonasera, ecc. – è una prima forma di umanizzazione necessaria. Questi accorgimenti però non bastano. In un’ottica identitaria ad ampio raggio, la soluzione ideale consiste nell’affiancare al team di progettazione un copywriter in grado di adattare le risposte e le modalità di interazione del chatbot con il tono di voce aziendale.

Cura delle persone

Empatia vuol dire comprendere ma soprattutto ricordare. Usare ciò che è già noto dalle precedenti interazioni delle persone con il chatbot può creare un flusso di conversazione ottimizzato in grado di ridurre al minimo il percorso verso la soluzione desiderata.Ad esempio, un chatbot di un servizio di consegna di pasti a domicilio potrebbe recuperare lo storico della chat con un cliente per semplificare ordini ricorrenti o perché no, proporre particolari offerte ad hoc sui suoi piatti preferiti.

Al momento giusto

La vera sfida è personalizzare la conversazione in base all’attività dell’utente in tempo reale. Per coinvolgere l’utente in una conversazione su misura occorre misurare il contesto al punto da comprendere, per esempio per il chatbot abbinato ad un e-commerce, in quale fase del processo di acquisto si trovano le persone al momento della prima interazione.