Por qué los proyectos de IA en el sector hotelero basados en ChatGPT son un fracaso y seguirán siéndolo siempre
Introducción
La estruendosa llegada de ChatGPT ha extendido la fantasía de una IA ya omnisciente, conectada a un sitio web, para generar automáticamente un asistente virtual capaz de prestar asistencia al cliente. Pero se trata realmente de una fantasía, que da lugar a una larga lista de problemas.
La IA generativa tiene potencialmente las respuestas para resolver estos problemas, pero estas respuestas son a menudo aproximadas, incluso falsas. Cuando es el asistente virtual de su hotel el que empieza a comunicar información falsa, puede imaginarse las consecuencias.
La IA generativa es sin duda un factor importante y un gran paso adelante. Sin embargo, más de un año después de su aparición, los fracasos de todos los proyectos hoteleros basados exclusivamente en la IA generativa demuestran claramente que no todo es tan sencillo.
Capítulo 1. Inteligencia frente a conocimiento
La inteligencia es la capacidad de comprender, razonar, resolver un problema y adaptarse a nuevas situaciones.El conocimiento es un conjunto de informaciones, ideas y habilidades adquiridas a través de la experiencia o la educación.
En resumen, el conocimiento y la inteligencia se complementan y trabajan juntos para comprender y navegar en un mundo en constante cambio.
En un proyecto de asistente virtual, la IA es sin duda importante, pero lo duro del trabajo reside en la gestión del proceso de adquisición de conocimientos y la gestión de los datos. Y, curiosamente, nadie parece preocuparse por ello. Da miedo ver a tantos responsables de TI convencidos de que sólo tienen que poner los datos del sitio web y posiblemente su base de conocimientos de SalesForce en una olla grande, remover bien y ya está.
No. Desgraciadamente, eso no funciona. Para convencerse de ello, basta con hacer preguntas al ChatGPT sobre un tema que entienda bien, para darse cuenta de que las respuestas proporcionadas son regularmente aproximadas, y a menudo completamente falsas. Esto se llama alucinación. Lamentablemente, la alucinación puede ser convincente.
De hecho, ChatGPT, al igual que los sofistas, puede producir respuestas convincentes sin aspirar a la verdad. Las respuestas se basan en modelos estadísticos sin una comprensión real de la verdad o de las implicaciones. Además, al igual que la retórica sofística, estas respuestas pueden influir en las acciones, aunque no se basen en pruebas objetivas ni en una comprensión profunda del tema.
- Ejemplo de sofisma: Mi gato es un mamífero, mi perro es un mamífero, por lo tanto mi gato es un perro.
- Ejemplo de sofisma: La habitación doble tiene 25m2, la habitación de matrimonio tiene 25m2, por lo tanto las dos habitaciones son idénticas.
Este fenómeno es especialmente peligroso porque cuanto más pobre sea la base de datos, más fuerte será el fenómeno de alucinación. En el caso de los hoteles, estas bases de datos rara vez superan los 500 puntos de información cuando, en realidad, los clientes ya piden más de 2.500 ¡y su sed de información no deja de crecer!
¿Y qué ocurrirá cuando un cliente se haya informado con el chatbot y se presente en la recepción del hotel, en silla de ruedas, aunque el hotel no esté equipado para acoger a este cliente? ¿Quién será considerado responsable de la alucinación? ¿El hotel, el equipo de desarrollo, los gestores de datos, ChatGPT? Diga a sus hijos que se hagan abogados, hay trabajo para siglos.
Ejemplo: Air Canada debe cumplir la política de reembolso inventada por el chatbot de la aerolínea.
Capítulo 2. No tengo opinión, sólo tengo datos
A. La base de conocimientos
La calidad de los datos, su estructura, orden y formato son tan importantes como su relevancia a la hora de determinar la calidad de los resultados. La lógica empresarial también es clave para el éxito.
- Para responder a las expectativas de los clientes, un hotel debe ser capaz de mostrar al menos 2.500 puntos de información (puntos que van mucho más allá del precio del desayuno, el tamaño de la habitación, la hora de check-in, etc.)…
- Entre el 60 y el 70% de estos puntos (es decir, unos 1.500) no están en absoluto formalizados (el código de vestimenta del restaurante, la presencia de Wifi, la profundidad de la piscina, el tipo de toma eléctrica, dónde encontrar las toallas de playa, etc.). Evidentemente, la información sólo está presente en la cabeza de los miembros del personal. Cuando se conoce la rotación del personal en el sector hotelero, asusta.
- La página web de un hotel tiene un máximo de 300 puntos de información, las OTA (Booking, Expedia) un poco más. (Por este motivo, los hoteleros deberían centrarse más en Google y menos en las OTA).
Teniendo en cuenta estas cifras, ¿cómo explicar que ChatGPT (o un equivalente) pueda responder a una pregunta sobre un tema del que no tiene el menor conocimiento?
Poblar una base de datos existente como Q-Data a partir de Quicktext y establecer los procesos para mantenerla, ya es un reto para la mayoría de los departamentos de informática y marketing de los hoteles. Pero es posible. Crear una base de datos de conocimientos como Q-Data, desde cero, cuando se trata de un grupo hotelero, por muy grande que sea, es totalmente imposible.
Así que el reto es mucho más la mejora del conocimiento, que la de la inteligencia. Es por esta razón que Velma de Quicktext, es reconocida mundialmente como la IA más eficiente en la industria hotelera, no sólo a través de las capacidades cognitivas de Velma especializadas en la industria hotelera, sino también gracias a la base de datos estructurada más profunda del mercado (más de 1900 puntos).
B. La demanda, es decir, ¿qué piden sus clientes?
¿Cómo y en base a qué, mejorar su base de conocimientos?
Aquí es donde la inteligencia humana, combinada con los datos, nos permitirá determinar qué elementos de conocimiento debemos recopilar.
Buenas noticias! desde que Velma existe en Quicktext, hemos acumulado más de 30 millones de preguntas y consultas sobre cada tipo de hotel, ubicación y temporada, de clientes de todo el mundo…
Este conocimiento nos permite anticipar estas preguntas, es decir, los prompts.
C. Modelado de la IA
El ajuste y el comportamiento de los modelos son mucho más importantes de lo que se piensa. Es necesario, al mismo tiempo
- Anticipar las indicaciones (las preguntas de los clientes),
- Anticipar las respuestas (la base de conocimientos)
- Gestionar la conectividad (motor de reservas, CRM, centro de llamadas, software de gestión de tareas, etc.)
- Y, por último, dominar la IA que lo “triturará” todo (como se puede ver en la lista anterior, esta última parte es sólo un componente de la ecuación).
ChatGPT podría parecer la solución obvia, porque es rápido y fácil (7 horas para configurarlo), pero por desgracia la pereza tiene un precio: demasiados errores. He aquí las causas…
- Contenido faltante: es imposible responder sin los datos disponibles (los famosos 2500 puntos de información potencial).
- Clasificación: La respuesta está presente, pero no lo suficientemente clasificada como para incluirla en los resultados devueltos.
- Fuera de contexto: los datos se extraen de la base de datos, pero no pueden incluirse en la respuesta generada debido al exceso de información.
- Datos no extraídos: el modelo no consigue extraer la información correcta debido a un volumen excesivo de datos o a información contradictoria.
- Formato incorrecto: la pregunta implica extraer información en un formato específico (foto, botón, tabla, carrusel) que el modelo ignora.
- Especificidad incorrecta: respuesta demasiado específica o poco específica, por falta de claridad en la redacción.
- Incompletas: respuestas exactas, pero a las que falta información, aunque ésta esté presente en la base de datos.
Pero la cosa no acaba ahí, también habrá que ingeniárselas:
- Escalabilidad: a medida que aumenta el volumen de datos, mantener una indexación eficiente y rápida se convierte rápidamente en una tarea exponencial.
- Actualizaciones: especialmente cuando se añaden, modifican o eliminan documentos con frecuencia, garantizar que estas actualizaciones se realizan, sin comprometer el rendimiento del sistema, es un reto diario.
- Tiempos de respuesta: 10 segundos es mucho tiempo de espera.
- Por no hablar de la conexión con el software empresarial.
D. Datos y cifras
La solución Quicktext consiste, pues, en optar por un método híbrido: la IA clásica, combinada con la IA generativa, ambas específicas del sector hotelero.
Un poco de matemáticas para entenderlo bien
- ChatGPT en el sector hotelero genera un 30% de alucinaciones (es el mínimo observado)
- El 80% de las peticiones de los clientes son sencillas y no necesitan IA generativa. (Ejemplo: ¿A qué hora es el desayuno?)
En el caso de una IA híbrida (como Q-Brain+) 80% clásica, 20% generativa, sólo el 20% de las peticiones estarán potencialmente sujetas a alucinaciones. Con el dominio de tu IA (teniendo tu propio LLM), este nivel de alucinación baja a menos del 10%..
Así que el volumen alucinatorio es del 10% x 20% = 2%.
En resumen, con un modelo generativo, las alucinaciones rondarán el 30%, mientras que con un modelo híbrido serán del 2%.
Capítulo 3. Para no olvidar nada
resumen, crear un asistente virtual basado en ChatGPT o equivalente sin disponer de los demás elementos necesarios equivale a estar condenado a:
- No dominar los prompts (preguntas),
- No dominar la caja negra (IA generativa),
- No dominar la base de conocimientos (las respuestas).
¿Cómo podemos creer que semejante surtido de aproximaciones puede generar un sistema relevante?
Buenas noticias! le acaba de tocar el gordo al responder a esa pregunta.
Y por si fuera poco!
¿Cómo resolver las siguientes cuestiones con IA generativa pura?
- La noción de búsqueda multipropiedad y multicriterio (tengo curiosidad por verlo),
- La actualización de datos (sobre todo si no están estructurados),
- Adaptación cultural (y no se trata de una simple traducción),
- Conectividad con las API de los motores de reservas, PMS, CRM, gestión de tareas,
- Gestión de notificaciones cuando es necesaria la interacción humana,
- Recuperación de datos conversacionales,
- GDPR
- Etc
Capítulo 4. Doble hibridación
Ahora entiendes por qué las cadenas hoteleras y los “expertos” que han decidido ir exclusivamente por el camino de la IA generativa para la industria hotelera acumulan decepción tras decepción. Los pocos, los que aún se niegan a admitirlo, son los que han decidido no medir los resultados. Sin termómetro no hay fiebre.
La solución, por tanto, pasa por la doble hibridación.
- En inteligencia: clásica + generativa
- En conocimiento: base de datos estructurada + fuentes de datos externas (pero con moderación).
Se trata de una tarea ingente, sabemos lo inmensa que es, ya que llevamos 7 años trabajando en ella.
Y recuerda siempre, la mejor manera de responder a una pregunta es… si nadie necesita hacerla.
Medite sobre esto, será el tema de un futuro artículo.
