1. ¿Qué es y para qué sirve?

• Definición: Es una herramienta que condensa interacciones complejas con clientes en resúmenes concisos y claros.
• Propósito: Captura la esencia de la conversación sin perder detalles clave.
• Modelo subyacente: Un modelo de resumen abstracto de última generación que entiende el contexto y los matices para generar resúmenes.

2. Hoja de ruta para el desarrollo

1. Preparación de los datos (Data Preparation): El primer paso es preparar la data adecuada, como los ingredientes antes de cocinar.
2. Etiquetado de datos (Data Labeling): Categorizar y etiquetar los datos correctamente es crucial para el éxito del modelo.
3. Construcción del modelo (Model Building): Se crea un modelo robusto a partir de los datos preparados y etiquetados.
4. Evaluación del modelo (Model Evaluation): Se evalúa el modelo para asegurar que cumple con los estándares de calidad requeridos.
5. Despliegue del modelo (Model Deployment): Se implementa el modelo en escenarios del mundo real.
6. Mejora del modelo (Model Improvement): Se refina y mejora el modelo con el tiempo.
7. Resumen LLM personalizado (Custom LLM Summarization): Se adapta el modelo de resumen a las necesidades específicas de la organización.

3. Casos de uso

• Para los agentes:
  • Sugiere un borrador de resumen al final de una conversación.
  • Reduce el tiempo y el esfuerzo para crear notas.
  • Funciona como un asistente útil.
• Para clientes recurrentes:
  • Los agentes pueden revisar rápidamente conversaciones pasadas.
  • Asegura la continuidad y la personalización del servicio.
• Para QA y gerentes:
  • Permite monitorear y revisar eficientemente la calidad del servicio.
  • Ayuda a asegurar que cada interacción cumpla con los estándares.

4. Pasos esenciales de implementación

1. Preparar y subir datos de entrenamiento: Se utiliza el servicio de conversation dataset para cargar los datos que servirán de base.
2. Configurar un perfil de conversación: Se definen los parámetros para que el sistema se adapte a las necesidades específicas.
3. Integrar el runtime con las APIs de Agent Assist: Se asegura que la interfaz de usuario se comunique sin problemas con el sistema (ya sea para chat o voz).
4. Obtener resúmenes en tiempo real: A través de la API, se obtienen resúmenes en tiempo real de las conversaciones.
5. Enviar comentarios a través del servicio de registro de respuestas (Answer Record Service): El feedback de los usuarios es valioso para la mejora continua del modelo.