Machine learning Libre: modelando conversaciones con Rasa y Python
Aceptada
Qué involucra una conversación humana? Qué desafíos se escanden detrás de la naturalidad del lenguaje natural? Podemos modelar esto más allá de reglas, ifs y elifs? Sí, podemos modelar este problema, y así ayudar a personas a través de asistentes virtuales conversacionales. Esta charla busca introducir las preguntas existenciales detrás de los asistentes virtuales que usan machine learning, para proponer algunas respuestas y construir intuiciones. Se introducirá a Rasa, un framework de Python para esto, que es Software Libre.
Tipo: Charla estandard, 25 minutos
Nivel: Medio
Disertantes: Karen Palacio, Florencia Alonso, Brandon Janes. (Kunan SA)
Biografiá del Disertante: Somos el equipo de IA de Kunan, una empresa de Tecnología de Córdoba Capital. En nuestra área trabajamos con Rasa desde hace unos años, construyendo asistentes conversacionales virtuales. Tenemos en producción un proyecto de Open Data (asistocovid) que responde preguntas y provee información actualizada sobre las medidas del gobierno Argentino respecto al Coronavirus. La motivación detrás es hacer más accesible a la gente la información oficial y pública. Parte de este proyecto es proveer y mantener un dataset abierto de estas conversaciones. Con este proyecto además nos involucramos con la Diplomatura en Ciencias de Datos de la FaMAFyC (UNC), donde damos una mentoría que introduce de mantera práctica los problemas de PLN usando este dataset.
Horario: 19:30 - 20:00 - 19/11/2020
Sala: Sala 1
Etiquetas/Tags: pln ciencia de datos machine learning software libre frameworks ia
Descripción completa
Notas: Rasa es un framework (Libre) de Python que usa machine learning y sirve para construir asistentes virtuales conversacionales. En esta charla no vamos a mostrar modelos matemáticos, ni fórmulas. Busca ser una charla que construya intuiciones respecto al dominio del problema. Rasa puede ser usado sin ser data scientist, pero cuando el bot empieza a fallar, es necesario tener las intuiciones de lo que involucra una conversación asentadas para poder modelar correctamente un asistente virtual. La charla se divide en dos momentos. En un primer momento se problematiza y se hacen explícitos los desafíos del modelado del problema de la conversación humana y los desafíos técnicos que implicarían implementarlos. En un segundo momento se introduce a Rasa como solución y se explica cómo usando Python este framework implementó estos conceptos, la arquitectura de Rasa, cómo usa Rasa machine learning para este problema, y el ciclo de desarrollo de un asistente conversacional. Si bien lo vamos a mencionar durante la charla, concluiríamos reforzando una intuición que es común a cualquier proyecto de machine learning: los datos son clave. Temario tentativo (en orden): Introducción al desafío de la conversación humana. Entendiendo lo que nos dicen (reconocimiento de intenciones y de entidades). Entendiendo de qué se está hablando a lo largo de una conversación (slots). Manteniendo una conversación (policies) y modelando la memoria (tracker). Contexto, inferencia, datos. Algunas expectativas de los usuarios de asistentes virtuales y cómo responder ante esto (UX). Introducción a Rasa. Viendo estos conceptos implementados en python por Rasa! Módulos y arquitectura de Rasa. Ciclo de desarrollo de un asistente virtual. Usos y ejemplos. Consideraciones relevantes al machine learning ( Machine learning => datos, datos, datos)