UNIVERSIDAD POLITÉCNICA SALESIANA

SEDE GUAYAQUIL
CARRERA DE INGENIERÍA DE SISTEMAS

DESARROLLO DE AGENTES VIRTUALES COGNITIVOS, USANDO

DIALOGFLOW

Trabajo de titulación previo a la obtención del

Título de Ingeniero de Sistemas

AUTOR: RONNEY RAÚL MUÑOZ GARCÍA

TUTOR: MIGUEL ANGEL QUIROZ MARTINEZ

Guayaquil – Ecuador

2022
 2

CERTIFICADO DE RESPONSABILIDAD Y AUTORÍA DEL TRABAJO DE

TITULACIÓN

Yo, Ronney Raúl Muñoz García con documento de identificación N° 0926456898 manifiesto
que:

Soy el autor y responsable del presente trabajo; y, autorizo a que sin fines de lucro la
Universidad Politécnica Salesiana pueda usar, difundir, reproducir o publicar de manera total o
parcial el presente trabajo de titulación.

Guayaquil, 8 de febrero del año 2022

Atentamente,

______________________________

Ronney Raúl Muñoz García

0926456898
3

CERTIFICADO DE CESIÓN DE DERECHOS DE AUTOR DEL TRABAJO DE

TITULACIÓN A LA UNIVERSIDAD POLITÉCNICA SALESIANA

Yo, Ronney Raúl Muñoz García con documento de identificación No. 0926456898, expreso
mi voluntad y por medio del presente documento cedo a la Universidad Politécnica Salesiana
la titularidad sobre los derechos patrimoniales en virtud de que soy autor(a) del Artículo
Académico: “Desarrollo de agentes virtuales cognitivos, usando Dialogflow”, el cual ha sido
desarrollado para optar por el título de: Ingeniero de Sistemas, en la Universidad Politécnica
Salesiana, quedando la Universidad facultada para ejercer plenamente los derechos cedidos
anteriormente.

En concordancia con lo manifestado, suscribo este documento en el momento que hago la

entrega del trabajo final en formato digital a la Biblioteca de la Universidad Politécnica
Salesiana.

Guayaquil, 8 de febrero del año 2022

Atentamente,

_________________________________

Ronney Raúl Muñoz García

0926456898
 4

CERTIFICADO DE DIRECCIÓN DEL TRABAJO DE TITULACIÓN

Yo, Miguel Ángel Quiroz Martinez con documento de identificación N° 0922799655, docente
de la Universidad Politécnica Salesiana, declaro que bajo mi tutoría fue desarrollado el trabajo
de titulación: DESARROLLO DE AGENTES VIRTUALES COGNITIVOS, USANDO
DIALOGFLOW, realizado por Ronney Raúl Muñoz García con documento de
identificación N° 0926456898, obteniendo como resultado final el trabajo de titulación bajo la
opción Artículo Académico que cumple con todos los requisitos determinados por la
Universidad Politécnica Salesiana.

Guayaquil, 8 de febrero del año 2022

Atentamente,

____________________________________

Miguel Ángel Quiroz Martínez

0922799655
5

DEDICATORIA

Dedico esta tesis a la persona que estuvo conmigo hasta lo último y que antes de cerrar tus ojos
te prometí culminar la universidad, para mi guerrero de la vida, gracias papá, sé que estás
orgulloso de mi desde donde esté. A mi mamá por ser una gran mujer, una gran esposa, una
gran madre y ser la base de toda la familia, gracias mamá, te amo mucho. A mis hermanas por
siempre darme esa fortaleza para no rendirme y luchar por mis estudios, ellas son mi ejemplo a
seguir y lo seguirán siendo. A mis sobrinos que son la alegría de la familia y son mi empuje
para seguir adelante.
 6

AGRADECIMIENTO

Agradezco principalmente a Dios, que siempre me estuvo escuchando en las oraciones diarias
que le pedía, luego a mi papá Ronney que siempre estuvo conmigo a pesar de su enfermedad
apoyándome hasta los últimos días de su vida, a mi madre Yaneth por esperarme hasta altas
horas de la noche luego de una jornada intensa de trabajo y estudio, a mis amigos que conocí
en la universidad especialmente a Erick, Fabián y Ronny, a pesar de que no converso con todos
siempre los recuerdo por las vivencias y aprendizajes del día a día y por último a mi novia
Alessia, eres ese pequeño impulso al final que me diste para finalizar mi carrera, te amo.
7

RESUMEN

ChatBot es una aplicación informática que utiliza Inteligencia Artificial para chatear con
personas con la simulación de conversaciones humanas mediante voz o texto. El objetivo es
desarrollar un asistente virtual cognitivo basado en una inteligencia artificial a través de su
entrenamiento de aprendizaje supervisado que obtenga los resultados esperados para respuestas
mucho más fluidas con un lenguaje natural y que sea multiplataforma según la necesidad del
uso. Los resultados obtenidos son: un modelo cognitivo aplicado al aprendizaje supervisado, se
definieron las intenciones, entidades y parámetros en la plataforma de Dialogflow, y análisis de
los resultados obtenidos al finalizar las pruebas aplicadas en el lenguaje natural. Se concluye
que los progresos en aprendizaje automático generan muchas oportunidades con la adición de
interfaces conversacionales a los sistemas informáticos; estas intefaces se basan en agentes
cognitivos que difieren de los sistemas convencionales debido al uso de inteligencia artificial.

Palabras claves: Agentes Cognitivos, Dialogflow, Chatbot, Procesamiento del Lenguaje

Natural, Inteligencia Artificial.
 8

ABSTRACT

ChatBot is a computer application that uses Artificial Intelligence to chat with people with the
simulation of human conversations through voice or text. The objective is to develop a cognitive
virtual assistant based on artificial intelligence through its supervised learning training that
obtains the expected results for much more fluid responses with natural language and that is
multiplatform according to the need of use. The results obtained are: a cognitive model applied
to supervised learning, intentions, entities and parameters were defined in the Dialogflow
platform, and analysis of the results obtained at the end of the tests applied in natural language.
It is concluded that advances in machine learning generate many opportunities with the addition
of conversational interfaces to computer systems; these interfaces are based on cognitive agents
that differ from conventional systems due to the use of artificial intelligence.

Key words: Cognitive Agents, Dialogflow, Chatbot, Natural Language Processing, Artificial
Intelligence.
9

ÍNDICE DE CONTENIDO

1. INTRODUCCIÓN ............................................................................................................ 10
2. REVISIÓN DE LITERATURA ....................................................................................... 12
3. METODOLOGÍA ............................................................................................................. 13
3.1. Metodología de la propuesta ......................................................................................... 13
3.2. Diseño del chatbot ......................................................................................................... 13
3.3. Implementación del chatbot .......................................................................................... 14
4. RESULTADOS................................................................................................................. 16
4.1. Desarrollar un modelo aplicado al aprendizaje supervisado ......................................... 16
4.2. Evaluar el método de aprendizaje supervisado, definiendo los parámetros y variables
utilizando la plataforma de Dialogflow. ................................................................................... 18
4.3. Explicar los resultados obtenidos al finalizar las pruebas aplicadas en el lenguaje
natural. ...................................................................................................................................... 20
5. DISCUSIÓN ..................................................................................................................... 24
6. CONCLUSIÓN ................................................................................................................. 25
REFERENCIAS ....................................................................................................................... 26
 10

1. INTRODUCCIÓN

Un modelo cognitivo se implementa para imitar las actividades cognitivas humanas procesar e
interpretar la información, los modelos cognitivos entienden las características de conocimiento
y destrezas de los humanos, además entienden el alcance de una actividad cognitiva; en el
diseño del modelo cognitivo se analiza y se descompone el comportamiento humano en una
actividad específica, y las funciones del modelo son dinámicas o cambiantes a través del
aprendizaje; esta evolución se genera a través de componentes de aprendizaje y comunicación,
el modelo cognitivo establecido en agentes ayuda a implementar modelos de mayor alcance
que imitan varias funciones y características (Rajendran & Iyakutti, 2009). Los agentes
cognitivos forman vínculos para intercambiar datos, otros agentes cognitivos realizan la
recolección y generación de información (Alaa et al., 2015), los agentes cognitivos tienen la
capacidad de auto manifestar su conducta y decisiones, esto aumenta la confianza del usuario
y entendimiento, además estos agentes se programan para ser semi independientes (Kaptein et
al., 2018).

La utilización de agentes virtuales en aplicaciones como educación, salud, atención a clientes,

guías, entretenimiento, genera un continuo aumento en la interacción hombre-máquina, también
existe la interacción humano-agente que utiliza el diálogo (Wahde, 2019).

Los chatbots se basan en el diálogo y se utilizan en industrias como negocios electrónicos,

seguros, banca, salud, financiera, legal, telecomunicaciones, logística, alquiler, transporte,
diversión, turismo, deportes, medios de comunicación (Perez et al., 2019), desastres naturales
(Ghosh et al., 2019), educación (Gonda & Chu, 2019), entre otros, además esta aplicación puede
ser la primera opción para atención a clientes o proveedores.

Existen varias plataformas o software para implementar chatbot entre ellos: Dialogflow de
Google, Bot Framework de Microsoft, Watson Conversation de IBM, Lex de Amazon, Wit.ai
de Facebook, Semantic Machines de Microsoft, Chatfuel, Chatscript, Pandorabots,
DigitalGenius (Perez et al., 2019).

Dialogflow ejecuta acciones a través de parámetros, pasa voz a texto, pasa texto a voz, aplica
el aprendizaje automático y el modelo se entrena con las interacciones (Perez et al., 2019), es
mejor en la administración de intenciones, entidades, parámetros, cumplimientos y
conversaciones (Srivastava & Prabhakar, 2020). Los componentes conversacionales de una
11

arquitectura son voz, intenciones, parámetros, respuestas apropiadas, flujo de la conversación

y acciones (Srivastava & Prabhakar, 2019).

El objetivo es desarrollar un asistente virtual cognitivo basado en una inteligencia artificial a

través de su entrenamiento de aprendizaje supervisado que obtenga los resultados esperados
para respuestas mucho más fluidas con un lenguaje natural y que sea multiplataforma según la
necesidad del uso.
 12

2. REVISIÓN DE LITERATURA

Chatbot. Son programas basados en el procesamiento del lenguaje natural NLP que contiene
preguntas y respuestas; también son llamados sistemas expertos basado en razonamiento y
casos; agentes conversacionales para interpretar y responder a los usuarios en un lenguaje
sencillo (Perez et al., 2019). El programa y una persona mantienen una conversación natural;
existe un tipo de chatbot que utiliza reglas de decisión establecidas para dar respuestas y no
aprende; el otro tipo de chatbot utiliza Inteligencia Artificial a través de NLP, el chatbot
entiende y aprende de las conversaciones (Arteaga et al., 2019).

NLP. Lenguaje computacional para analizar y comprender preguntas de una persona, y

responder de forma apropiada en el idioma del usuario; existe un tipo de conversaciones de
intenciones y otro tipo basada en flujo (Perez et al., 2019). Se basa en búsqueda de patrones en
las conversaciones del usuario (Arteaga et al., 2019).

Otros trabajos en Dialogflow. Eligieron esta herramienta por sus características y su

compatibilidad con otras plataformas de mensajería en (Perez et al., 2019). Para la conversación
entre turistas y criaturas virtuales, se utilizó un sitio web, interfaces móviles, posicionamiento
global, y conexiones bluetooth (Milton et al., 2018). Se implementó una base datos, diseñaron
una arquitectura de 4 capas e interfaces web; además se utilizó IBM Watson (Arteaga et al.,
2019). Se propuso e implementó un asesor académico a través de voz, acepta frases, se accede
por varias plataformas, la eficiencia y el aprendizaje son factores importantes (Alkhoori et al.,
2020). La asistencia inicial por texto para personas en desastres naturales a través de una
aplicación que se integre a redes sociales; se diseñaron e implementaron las intenciones,
entidades y respuestas de mensajes (Ghosh et al., 2019). La universidad de Hong Kong utilizó
un chatbot para capacitación y utilizarlo en proceso de aula invertida, entrega soporte a los
asistentes y extiende la eficiencia de las tareas; el flujo es antes, durante y después de clases
(Gonda & Chu, 2019).

También en la parte educativa se utiliza por ser una tecnología sin servidor y recolecta preguntas
para crecer la base de conocimientos del chatbot (Ch’ng et al., 2019). Una página web enlazada
a un chatbot ofrece información sobre productos farmacéuticos, las preguntas son analizadas a
través del procesamiento de lenguaje (Murali et al., 2018).
13

3. METODOLOGÍA

3.1. Metodología de la propuesta

Se utiliza la investigación exploratoria para conocer sobre chatbot, lenguaje natural y modelos
cognitivos. Se utiliza la investigación empírico-analítico para conocer otras evidencias
empíricas sobre chatbot. Se utiliza la observación para obtener los datos de las pruebas del
chatbot. Se utiliza el método cuasi-experimental en la implementación del chatbot en
Dialogflow. El enfoque cualitativo para dar a conocer las cualidades del modelo aplicado al
aprendizaje supervisado. El enfoque cuantitativo dar a conocer las características cuantitativas,
el análisis de datos estadísticos basado en las pruebas del chatbot desarrollado en la herramienta
Dialogflow y la descripción del experimento del chatbot con un grupo de 20 personas.

3.2. Diseño del chatbot

Para implementar nuestro chatbot llamado Alfred, se utiliza la plataforma Dialogflow

Essentials de Google (Google, 2021). Dialogflow clasifica la intención dentro de la
conversación, un Intent (intención) contiene: frases de entrenamiento, acción, parámetros y
respuestas, estos Intent ayudan a entender/comprender la solución que necesita un usuario
(Kankaria et al., 2021).

Crear el agente: En Dialogflow se inicia el agente, este asiste en el entendimiento del lenguaje
natural, después debe ser entrenado, debe ser de acuerdo al flujo de historia (Srivastava &
Prabhakar, 2019).

Definir entidades: Este identifica y extrae datos hablados por el usuario; el software facilita la
extracción de antecedentes en varios formatos. Se definen las siguientes entidades:
Computador, Correo, Cursor, Despedida, Impresora, Internet y Teclado.

Definir intenciones: Se crean las preguntas de los usuarios relacionadas a un tema, al captar
una pregunta el agente vincula esta pregunta a las intenciones, se envía la contestación correcta,
al captar una pregunta que no concuerda con la intención, el agente envía una contestación
desde la intención de reserva (Savanur et al., 2021). Se definen las siguientes intenciones:
Computadora dañada, Correo, Despedida, Persona, Problema – Impresora, Problema – Internet,
Problema – mouse, Problema – teclado.
 14

Asociar intenciones con entidades: se relacionan las preguntas de los usuarios con entidades
o palabras extraídas

Obtener texto de la frase en Acción y Parámetros: De la frase de entrada se obtiene la acción

del usuario que se aplica en la frase de respuesta dentro de la entidad, convirtiéndose en una
acción.

Definir respuestas de acuerdo a las intenciones: Luego de definir las intenciones ejemplo
“Contraseña”, luego las posibles frases de entrenamiento ejemplo “Me olvide la clave” o
“Resetear contraseña”, se vincula esta entidad con la intensión en Acción y Parámetros, y se
crea la lista de respuesta en base a la intensión.

Integrar chatbot con plataforma de mensajería: este paso es la integración del chatbot con
la mensajería llamada Web Demo que es la interface entre el chatbot y el usuario (Muhammad
et al., 2020).

Realizar pruebas con link generado: aquí la herramienta Dialogflow entrega una dirección
para realizar las pruebas y ejecución para los usuarios.

Analizar los resultados: Dialogflow contiene herramientas de análisis para visualizar el

comportamiento de los usuarios o preferencias (Salvi et al., 2019).

Además se revisa otros temas como:

Flujo de conversación: El flujo está de acuerdo a un tema general, se determinan las escenas,
entorno, personajes, pregunta y respuesta.

Crear el contexto: Aquí se regula el flujo de la conversación para que estas conversaciones
estén estructuradas y ordenadas, contexto de entrada y contexto de salida.

3.3. Implementación del chatbot

En la implementación en Dialogflow Essentials se utiliza Web Demo para integración y alcance

de los usuarios mediante un chat y está en formato HTML, además Dialogflow tiene tres
componentes: análisis, entrenamiento e historial que muestra el performance del chabot, el
chatbot se alimenta de las interacciones de los usuarios. En la integración del Web Demo se
genera el link para el chatbot y un código que se puede utilizar en un frame u otra herramienta
15

web, en esta integración web automática no se pueden adicionar vínculos, ni saltos de línea, ni
imágenes, ni botones, ver Fig. 1.

Figura 1. Interface de desarrollo en Dialogflow

El chatbot llamado Alfred está ubicado en la URL de internet:

https://console.dialogflow.com/api-client/demo/embedded/f438a744-eb1c-4cc7-88e5-e0c7311cf1c7

El caso de implementación es para servicios a usuarios de computadores de escritorio en

problemas como correo, computador, acceso a internet, mouse, teclado e impresora, ver Fig. 2.

Figura 2. Interface de pruebas

 16

4. RESULTADOS

4.1. Desarrollar un modelo aplicado al aprendizaje supervisado

Se intenta proporcionar un modelo cognitivo aplicado aprendizaje para chatbot que utiliza
componentes conversacionales, se definen los componentes importantes para esta clase de
aplicación informática y entendimiento para posibles diseños e implementación.

Se propone un modelo de referencia, nos enfocamos en los componentes del sistema

conversacional, la Fig. 3 muestra la descripción general del modelo, una breve representación
es la siguiente:

Utilidad de voz a texto: es una funcionalidad del agente conversacional que convierte un
ejemplo de voz en texto adecuado, todo modelo que trabaja con ingresos del lenguaje natural
necesitan que estén en formato texto; los chatbot comerciales que reciben entradas de voz luego
las cambian a texto antes de iniciar el procesamiento.

Intenciones, parámetros y frases de entrenamiento: las intenciones son entradas que el chatbot
recibe en voz o texto, los parámetros son características que una consulta estudia/analiza
tomando las entradas para generar una respuesta; un elemento clasificador de intención
especifica una palabra/frase de lenguaje natural en una de las intenciones, en caso de existir una
intensión predeterminada si el clasificador no categoriza/clasifica la intención en ninguna
genero/clase. Los parámetros pueden tener varias formas, aquí los valores de los parámetros
pueden existir literalmente o pueden ser descendientes las frases de entrada, aquí el extractor
de parámetros realiza la extracción de estos valores. En nuestro caso proporcionamos las
definiciones para intenciones, parámetros y frases de entrenamiento, y nuestro modelo se
construye sobre estos componentes en segundo plano.

Generador de respuestas: este componente trata de anticipar una respuesta para las entradas,
además realiza la retroalimentación anticipando las entrada que se necesita a continuación,
también avisar al usuario sobre la entrada anterior es incoherente; para cada entrada este
componente entrega una respuesta adecuada al usuario; en otros modelos el generador de
respuestas se comunicar con otros componentes externos como bases de datos o aplicaciones,
pero no es nuestro caso.
17

Web Demo: El chatbot tiene una sola fachada frontera que es sitio web, esta interface
conversacional el usuario escribe y recibe en texto sus comunicaciones, los usuarios entregan
sus mensaje mediante la escritura en un cuadro de texto o diciéndolos en voz alta.

Administrador de flujo: es un componente interno e implícito, que ejecuta un seguimiento del

estado actual del diálogo y resuelve el siguiente paso de acuerdo a la respuesta de la persona;
aquí se utiliza Contexto que toma las decisiones que están durante el dialogo y presencian la
entrada-respuesta para capturar el estado del agente en cualquier momento.

Dialogflow fusiona todos sus componentes descritos en el modelo, esto se le llama Motor de
Dialogflow (Srivastava & Prabhakar, 2019), este motor trabaja con las entradas generadas por
los desarrolladores: Intents, entidades, acciones, parámetros y frases de entrenamiento; no es
parte de este documento la descripción del funcionamiento del motor porque su inspección no
es disponible, además Dialogflow entrega todo en una interfaz unificada.

Figura 3. Modelo cognitivo

El lado cognitivo del chatbot está en TRAINING (entrenamiento) de las palabras que recibe
porque de ahí va conociendo nuevas palabras, ejemplo normalmente se conoce palabra “hola”
para saludar, pero en Training se especifica “¿Qué tal?”, “¿Cómo estás?”, “¿Cómo te
encuentras?”, también son palabras de aprendizaje que refieren a la palabra “Hola”. Además,
el entrenamiento es bajo aprendizaje supervisado.
 18

4.2. Evaluar el método de aprendizaje supervisado, definiendo los parámetros y variables

utilizando la plataforma de Dialogflow.

Los parámetros y variables para un chatbot en Dialogflow es la definición de Intents y

Entidades.

Para este proyecto, se considera la asistencia básica a usuarios en problemas con computadoras,
en las tablas 1 al 4 se muestran los Intents (Intenciones) con sus correspondientes eventos,
palabras de entrenamiento y posibles respuestas.

La Tabla 1 muestra las intenciones iniciales con sus eventos, palabras de entrenamiento y sus
variadas respuestas en la sesión de inicio del chatbot Alfred.

Tabla 1. Definición de las intenciones por default

N Intenciones Eventos Entrenamiento Respuestas

1 Intención de ¿Quién eres?, Soy Alfred, soy un agente virtual cognitivo y
reserva ¿Qué puedes estoy en mi proceso de aprendizaje, puedo
(Default hacer?, ayudarte con otro requerimiento, intenta
Fallback ¿Qué haces? escribiendo "Problemas con mi teclado" o tal
Intent) vez "hola", Soy Alfred, soy un agente virtual
cognitivo, actualmente me encuentro
aprendiendo, podría ayudarte con otro
requerimiento, intenta escribiendo "Hola"
2 Intención de Bienvenida Hola, saludos, Hola soy Alfred, el agente virtual cognitivo
bienvenida buenos días, del departamento de sistemas, ¿me indicas tu
(Default buenas tardes, nombre?, Hola, mi nombre es Alfred, el
Welcome buenas noches, agente virtual cognitivo del departamento de
Intent) ¿hola qué tal?, sistemas, ¿me indicas tu nombre?
¿Qué tal?
Elaboración propia.

La Tabla 2 muestra las intenciones generales con sus eventos, palabras de entrenamiento y sus
variadas respuestas luego de pasar la sesión de inicio del chatbot Alfred.

Tabla 2. Definición de las intenciones en general

N Intenciones Eventos Entrenamiento Respuestas

1 Persona Carlos, Luis Hola $person mucho gusto, por el momento
solo puedo atender estos requerimientos como
Correo, Computador, Internet, Mouse,
Teclado, o Impresora, ¿cuál es tu
inconveniente?
2 Correo Correo No tengo correo, Estimado, ¿me confirma si tiene conexión
No funciona mi internet?, Estimado, ¿verificó si puede
correo, No carga navegar en otras páginas?
el correo
19

3 Problema - Impresora No funciona mi Entendido, un técnico se comunicará contigo

Impresora impresora, para verificar tu inconveniente, ¿necesitas
Problemas con algo más?
mi impresora,
Impresora
4 Problema - Internet Problemas con Entendido, en este momento estoy notificando
Internet mi internet, no a una persona de soporte para atender tu
puedo navegar, requerimiento, ¿puedo ayudarte en algo más?,
No vale el Perfecto, he notificado a la persona que te va
navegador a validar tu problema, ¿puedo ayudarte en algo
más?
5 Computadora Computadora No enciende mi Entiendo, para este inconveniente una persona
dañada computador, No de soporte se acercará a su puesto para validar
enciende la su inconveniente, ¿necesitas algo más?,
pantalla, No De acuerdo, he notificado un especialista de
funciona mi hardware para tratar su tema, ¿necesitas algo
computador, No más?
enciende mi
computador,
computador
6 Problema - Cursor No vale el ratón, Entendido, ¿me confirmas si está bien
mouse no vale el cursor, conectado el mouse al computador?
no funciona
cursor, cursor,
ratón, mouse.
7 Problema - Teclado Está fallando el De acuerdo, ¿me confirma que está encendido
teclado teclado, el led de Bloq Num del teclado?,
Problema con el De acuerdo, ¿Me confirma que está encendido
teclado, Teclado el led de Bloq Mayus?
8 Despedida Despedida Muchas gracias, Fue un placer ayudarle, que tenga un buen día
Gracias, Adiós.
Elaboración propia.

La Tabla 3 muestra las intenciones de “Correo”, palabras de entrenamiento y sus variadas

respuestas luego de pasar las intenciones principales del chatbot Alfred. La Acción y
Parámetros es “Correo”.

Tabla 3. Definición de correo

N Intenciones Entrenamiento Respuestas

1 Correo No tengo correo, no Estimado, ¿me confirma si tiene conexión internet?,
funciona mi correo, Estimado, ¿verificó si puede navegar en otras páginas?
no recibo correos, no
se puede enviar
correos
2 Correo - no Por el momento no, Correcto estimado, se ha notificado la persona para
No, No lo creo, no atender su requerimiento, ¿necesita algo más?,
mucho Estimado usuario, se ha notificado se notificó su
inconveniente, ¿necesita algo más?
 20

3 Correo - no - Por el momento no, Perfecto estimado, estamos a sus órdenes, que tenga un
no No, No lo creo, no excelente día, Muchas gracias por usar nuestro agente
mucho cognitivo, que tenga un excelente día
4 Correo - no - Sí, por supuesto Claro, ¿me podrías detallar tu siguiente requerimiento?
yes
5 Correo - yes Sí, por supuestoGracias por la información estimado, en estos momentos
una persona de soporte se comunicará con usted para
validar su problema, ¿necesita algo más?,
Gracias estimado, se ha notificado a una persona de
soporte para atender su requerimiento, ¿necesita algo
más?
6 Correo - yes No, por el momento Entendido estimado usuario, que tenga un excelente día,
-no no
7 Correo - yes Sí, por supuesto Claro, ¿me ayudas con tu siguiente requerimiento?
- yes
Elaboración propia.

La Tabla 4 muestra las intenciones de “Teclado”, palabras de entrenamiento y sus variadas

respuestas luego de pasar las intenciones principales del chatbot Alfred. La Acción y
Parámetros es “Teclado”.

Tabla 4. Definición de teclado

N Intenciones Entrenamiento Respuesta

1 Teclado Está fallando el De acuerdo, ¿Me confirma que está encendido el led de
teclado, no me Bloq Num del teclado?,
funciona el teclado, De acuerdo, ¿Me confirma que está encendido el led de
problemas con mi Bloq Mayús?
teclado, teclado
2 Teclado - no Por el momento no, Entendido, he notificado a la persona correspondiente
No, No lo creo para validar su tema, ¿Necesita algo más?
3 Teclado - no Por el momento no, Perfecto, que tengas un excelente día
- no No, No lo creo, no
mucho
4 Teclado – Sí, por supuesto Claro, ¿me podrías detallar tu siguiente requerimiento?
no – yes
5 Teclado - Sí, por supuesto Entendido, en estos momentos una persona de soporte
yes encargada le validará su problema, ¿Necesita algo más?
6 Teclado – No, por el momento Correcto, que tengas un excelente día.
yes -no no
7 Teclado – Sí, por supuesto Claro, ¿me ayudas con tu siguiente requerimiento?
yes – yes
Elaboración propia.

4.3. Explicar los resultados obtenidos al finalizar las pruebas aplicadas en el lenguaje natural.

En el análisis tenemos el primero Datos de uso, el segundo es Datos de compresión del lenguaje,
y tercero es Flujo de sesión.
21

En Datos de uso tenemos las sesiones y las consultas por sesión. En la primera prueba
realizada el jueves 20 Enero del 2022 ejecutaron 25 usuarios/sesiones con 81 consultas en total,
es decir existe un promedio de 3.24 consultas por usuario, ver Fig. 4

Figura 4. Estadística de primera prueba

La segunda prueba se realizó el sábado 29 de Enero del 2022, con 25 sesiones de usuarios y
143 consultas en total, es decir existe un promedio de 5.72 consultas por usuario, ver Fig. 5

Figura 5. Estadística de segunda prueba

Datos de compresión del lenguaje, se observan los comportamientos de los Intents más
utilizados, se recuerda que el proyecto tiene 32 Intents. Los Intents más utilizados de acuerdo
al número de Sesiones son: Default Welcome Intent con 69 sesiones, Persona con 60 sesiones,
Default Fallback Intent con 42 sesiones, Despedida con 23 sesiones y Correo con 19 sesiones.
 22

Los Intents más utilizados de acuerdo al número de Interacciones/consultas son: Default

Welcome Intent con 120 consultas, Default Fallback Intent con 99 consultas, Persona con 88
consultas, Despedida con 30 consultas, Problema-Internet con 23 consultas

Cada Intent tiene su porcentaje de salida o abandono, Default Fallback Intent tiene 28.38%;
Despedida tiene 20.27%; Default Welcome Intent tiene 10.81%; Persona tiene 9.46%

El Flujo de Sesión para todas las solicitudes por intensión del 29 Enero del 2022. El flujo
visualiza el rendimiento con relación a las consultas solicitadas y la precisión de la respuesta,
en otras palabras se muestra la ruta más utilizado por los usuarios en el chatbot Alfred, para
este caso el flujo más utilizado es la intención de bienvenida “Intención de Bienvenida” con
69%, el siguiente flujo es “Intención de Reserva” con 25%, el siguiente flujo es “Persona” con
3%, el siguiente flujo es “Despedida” con posible 2% y el ultimo flujo “Problema” con 1%.
Esto implica que 31% terminó su sesión en la primera intención. Sin embargo, ese 69% de
usuarios siguieron el flujo y se identificaron con su nombre en la variable “Persona” con 57%
y 43% decidió no identificarse. Luego ese 57% de personas siguieron el flujo y realizaron
consultas, se atendieron en 47% por las intenciones y 53% no siguieron el flujo; este 47% está
distribuido en “Problema Internet” con 10%, “Problemas impresora” con 9%, “Problemas
teclado” con 7% y “Correo” con 7%, entre otros, ver Fig. 6.

Figura 6. Flujo de sesión para las solicitudes por intensión

23

En la herramienta Infogram se realizó la grafía de las palabras más utilizadas por los usuarios
durante las pruebas, la palabra “Hola” fue utilizada en 80% del total de pruebas, la palabra
“hola” fue utilizada en 60% del total de pruebas, la palabra “Qué tal” fue utilizada en 57% del
total de pruebas, la palabra “correo” fue utilizada en 28% del total de pruebas, ver Fig. 7.

Figura 7. Palabras más utilizadas

Las 12 primeras palabras inducidas en Infogram son saludos, se deduce que las personas tienden
a saludar incluso al conocer de manera anticipada que tratan con un sistema informático, en
este caso un chatbot.
 24

5. DISCUSIÓN

El chatbot propuesto en este documento con acceso mediante voz o texto tiene la ventaja común
de atención en cualquier hora o día, recordemos que se utilizan en diferentes tipos de empresas
para optimizar tiempos y experiencia del cliente; este chatbot demuestra que pueden ser
utilizados como pivote o piñón en atención a las personas.

En este momento, es claro que las interfaces más utilizadas para chatbot son Facebook
Messenger que si está integrado en la herramienta de Dialogflow y no es ninguna complicación
su utilización, en cambio para utilizar un chatbot con Whatsapp es necesario programas de
terceros con licencias y otros de libre actualización/dependencia (Chaidrata et al., 2021).

Algunas limitaciones encontradas son: la planificación de conjuntos variados de frases y

respuestas para que el caso mejore cada día, limitaciones, las analogías, conversaciones más
humanas. Un desafío es la privacidad de la conversación, además los chatbot comerciales
mantienen sus modelos o arquitecturas como una “caja negra”, además los módulos de voz a
texto y texto a voz también son una “caja negra” (Srivastava & Prabhakar, 2019).

El aprendizaje automatizado mediante el entrenamiento nos permite obtener una herramienta

con flexibilidad con relación a la atención a usuarios, porque las palabras son comunes con
respecto a los problemas de los usuarios, la herramienta aprende las variaciones de los objetos.
25

6. CONCLUSIÓN

Desarrolló un modelo cognitivo aplicado al aprendizaje supervisado basado en Dialogflow con

la descripción de sus componentes, y se obtuvo un mejor entendimiento para su implementación
en la herramienta. Se evaluó el método de aprendizaje supervisado utilizando la plataforma de
Dialogflow, con la definición de las intenciones, entidades, parámetros, frases de entrenamiento
y respuestas.

Se analizaron los resultados obtenidos al finalizar en las pruebas aplicadas en el lenguaje

natural, en la primera prueba se realizó con 25 personas con un promedio de 3.24 consultas por
persona, y la segunda prueba fue con 25 personas con un promedio de 5.72 consultas por
persona. Aquí, 69% de usuarios siguieron el flujo y el 31% no siguieron el flujo; luego el 57%
se identificaron y el 43% no se identificaron; luego solo el 47% se atendieron por las intenciones
y el 53% no fue atendido; se deduce que estos valores no son óptimos para el entrenamiento.

El desarrollo del asistente virtual cognitivo basado en inteligencia artificial está plasmado en:
la propuesta del modelo cognitivo, en la evaluación del método de aprendizaje supervisado y
en el análisis de los resultados, además las respuestas son más inteligibles gracias al lenguaje
natural que la herramienta Dialogflow permite utilizar y la interface web permite ejecutarse en
varias plataformas.

El aporte en la propuesta es la sencillez del modelo cognitivo, implementación, evaluación y

análisis en el chatbot para un área determinada, aunque los chatbot son útiles en muchas áreas
en la guía o atención de personas.
 26

REFERENCIAS

Alaa, A. M., Ahuja, K., & Van Der Schaar, M. (2015). Self-Organizing Networks of Information
Gathering Cognitive Agents. IEEE Transactions on Cognitive Communications and Networking,
1(1), 100–112. https://doi.org/10.1109/TCCN.2015.2499284
Alkhoori, A., Kuhail, M. A., & Alkhoori, A. (2020). UniBud: A Virtual Academic Adviser. Proceedings
- 2020 12th Annual Undergraduate Research Conference on Applied Computing, URC 2020, 2–
5. https://doi.org/10.1109/URC49805.2020.9099191
Arteaga, D., Arenas, J., Paz, F., Tupia, M., & Bruzza, M. (2019). Design of information system
architecture for the recommendation of tourist sites in the city of Manta, Ecuador through a
Chatbot. Iberian Conference on Information Systems and Technologies, CISTI, 2019-June(June),
19–22. https://doi.org/10.23919/CISTI.2019.8760669
Ch’ng, S. I., Yeong, L. S., & Ang, X. Y. (2019). Preliminary Findings of using Chat-bots as a Course
FAQ Tool. 2019 IEEE Conference on E-Learning, e-Management and e-Services, IC3e 2019, 52–
56. https://doi.org/10.1109/IC3e47558.2019.8971786
Chaidrata, A., Shafeeu, M. I., Chew, S. K., Chen, Z., Cham, J. S., Yong, Z. L., Yap, U. H., Binti, D. I.,
& Bahrin, K. (2021). Intent Matching based Customer Services Chatbot with Natural Language
Understanding. 129–133. https://doi.org/10.1109/iccis53528.2021.9646029
Ghosh, P., Raihan, M., Islam, M. T., & Rahaman, M. E. (2019). Safeguard: A Prototype of An
Application Programming Interface to Save the Disaster Affected People. 2019 10th International
Conference on Computing, Communication and Networking Technologies, ICCCNT 2019, 6–10.
https://doi.org/10.1109/ICCCNT45670.2019.8944883
Gonda, D. E., & Chu, B. (2019). Chatbot as a learning resource? Creating conversational bots as a
supplement for teaching assistant training course. 2019 IEEE International Conference on
Engineering, Technology and Education (TALE), 1–5.
https://doi.org/10.1109/TALE48000.2019.9225974
Google. (2021). DialogFlow. https://dialogflow.cloud.google.com/
Kankaria, R. V., Agrawal, A., Barot, H., & Godbole, A. (2021). RAAH.ai: An interactive chatbot for
stress relief using Deep Learning and Natural Language Processing. 1–7.
https://doi.org/10.1109/icccnt51525.2021.9579957
Kaptein, F., Broekens, J., Hindriks, K., & Neerincx, M. (2018). Self-explanations of a cognitive agent
by citing goals and emotions. 2017 7th International Conference on Affective Computing and
Intelligent Interaction Workshops and Demos, ACIIW 2017, 2018-Janua, 81–82.
https://doi.org/10.1109/ACIIW.2017.8272592
Milton, R., Hay, D., Gray, S., Buyuklieva, B., & Hudson-Smith, A. (2018). Smart IoT and soft AI. IET
Conference Publications, 2018(CP740), 1–6. https://doi.org/10.1049/cp.2018.0016
Muhammad, A. F., Susanto, D., Alimudin, A., Adila, F., Assidiqi, M. H., & Nabhan, S. (2020).
Developing English Conversation Chatbot Using Dialogflow. 2020 International Electronics
Symposium (IES), 468–475. https://doi.org/10.1109/IES50839.2020.9231659
Murali, V., Sarma, R. J., Sukanya, P. A., & Athri, P. (2018). ChEMBL Bot-A Chat Bot for ChEMBL
database. 14th International Conference on Information Processing: Internet of Things, ICInPro
2018 - Proceedings. https://doi.org/10.1109/ICINPRO43533.2018.9096710
Perez, P., De-La-Cruz, F., Guerron, X., Conrado, G., Quiroz-Palma, P., & Molina, W. (2019). ChatPy:
Conversational agent for SMEs: A case study. Iberian Conference on Information Systems and
Technologies, CISTI, 2019-June(June), 19–22. https://doi.org/10.23919/CISTI.2019.8760624
Rajendran, B., & Iyakutti, K. (2009). Cognitive agents for understanding the complexities involved in
web-based knowledge-gathering tasks. Conference Proceedings - IEEE International Conference
on Systems, Man and Cybernetics, October, 1310–1315.
https://doi.org/10.1109/ICSMC.2009.5346237
Salvi, S., Geetha, V., & Sowmya Kamath, S. (2019). Jamura: A Conversational Smart Home Assistant
Built on Telegram and Google Dialogflow. IEEE Region 10 Annual International Conference,
Proceedings/TENCON, 2019-Octob, 1564–1571.
27

https://doi.org/10.1109/TENCON.2019.8929316
Savanur, A., Niranjanamurthy, M., Amulya, M. P., & Dayananda, P. (2021). Application of Chatbot for
consumer perspective using Artificial Intelligence. Proceedings of the 6th International
Conference on Communication and Electronics Systems, ICCES 2021, 1479–1483.
https://doi.org/10.1109/ICCES51350.2021.9488990
Srivastava, S., & Prabhakar, T. V. (2019). A Reference Architecture for Applications with
Conversational Components. 2019 IEEE 10th International Conference on Software Engineering
and Service Science (ICSESS), 2019-Octob, 1–5.
https://doi.org/10.1109/ICSESS47205.2019.9040822
Srivastava, S., & Prabhakar, T. V. (2020). Desirable Features of a Chatbot-building Platform.
Proceedings - 2020 IEEE International Conference on Humanized Computing and
Communication with Artificial Intelligence, HCCAI 2020, 61–64.
https://doi.org/10.1109/HCCAI49649.2020.00016
Wahde, M. (2019). A Dialogue manager for task-oriented agents based on dialogue building-blocks and
generic cognitive processing. IEEE International Symposium on INnovations in Intelligent
SysTems and Applications, INISTA 2019 - Proceedings.
https://doi.org/10.1109/INISTA.2019.8778354