Rado Kotorov: “Siri, ¿debería abrir este email?”
Siri: “No. Tu jefe parece estar muy enfadado. Y, por cierto, el tono del email que estás escribiendo al equipo de gestión de producto es muy negativo. Por favor, cámbialo”.
Cada vez más gente delega en Siri, el genio electrónico que alberga el iPhone. Desde para marcar números de teléfono y encontrar direcciones, hasta para tomar dictados de SMS y correos electrónicos. Pero ¿y si Siri pudiera ayudarnos a modular el tono emocional de nuestros mensajes? ¿Haría posible un mundo mejor con menos conflictos y discusiones, o simplemente generaría pilas inmensas de mensajes sin leer?
De cualquier forma, lo que primero debería aprender Siri es a analizar los sentimientos: leer los textos y determinar su carga emocional. Hoy día existe mucho ruido fatuo en torno al análisis de los sentimientos, incluso sin la participación de Siri. Como cualquier otra tecnología, cuenta con defensores y escépticos. Y desde que la tecnología emerge de sus albores, los detractores se afanan en encontrar fallos y los partidarios en fomentar la esperanza.
Vamos a comenzar con los escépticos
Las emociones se perciben como elementos exclusivamente humanos, a pesar de lo cual también se revelan complejas de analizar incluso para los propios hombres. El filósofo español Miguel de Unamuno consideraba que son las emociones las que distinguen a los humanos del resto del mundo animal. Por lo que, ¿cómo puede una máquina predecir de manera fidedigna las emociones que radican en los mensajes?
El problema se agrava con las sutilezas del lenguaje y sus expresiones, debido a las insinuaciones no escritas pero implícitas que se hallan en los mensajes cortos, a los símbolos y abreviaturas que cambian constantemente y se emplean en las redes sociales y por el hecho de que los mensajes pueden expresar algo más que una mera emoción. Son, sin duda, preocupaciones y dificultades perfectamente válidas que no cuentan con soluciones definitivas hoy día.
Los científicos `locos´ argumentan que éstos son problemas menores avivados por los profanos en el arte del análisis semántico. Y para corroborar su opinión cuentan con una miríada de papeles, informes y programas que demuestran que las máquinas son tan inteligentes como los seres humanos a la hora de comprender y evaluar el lenguaje escrito y oral. Pero, ¿es esto verdad? ¿No compró HP por 8.000 millones de dólares la compañía Autonomy, pionera en motores semánticos, con la promesa de poder llegar a leer y comprender los textos mejor que los propios abogados? ¿No supone esto admitir que la realidad todavía está lejos de esta ficción?
El camino intermedio
Creo que sendas posturas son erróneas y que habría que apostar por una aproximación más pragmática que supiera reconocer tanto necesidades como limitaciones. El motor del análisis de sentimientos radica en la detección temprana de los signos de alarma y de las oportunidades. Detectar la frustración de un cliente con el servicio de atención al consumidor se puede emplear para prevenir que éste se dé de baja y que, además, vuelque su enfado en las redes sociales, lo que podría revertir en grave perjuicio para la reputación de la empresa si el malestar se difunde de manera viral.
La razón por la que nosotros estamos tratando de buscar ayuda entre las máquinas es porque el volumen de comunicaciones online ha aumentado tanto que las organizaciones se ven incapaces de dedicar suficientes empleados para su rastreo. Naturalmente, cuando hay una necesidad se han de buscar remedios.
Entonces, ¿cuál sería la solución práctica dadas estas limitaciones?
Por nuestra experiencia en la industria, sabemos que las puntuaciones relacionadas con los sentimientos se pueden asignar en torno a un 40% y un 50% de los mensajes. En esencia, el análisis de los sentimientos nos permite clasificar los mensajes de manera precisa en ambos extremos de la campana, tanto los tremendamente positivos como los totalmente negativos.
Dadas las condiciones humanas, los mensajes que denotan un notable enfado cuentan con un tono fácilmente identificable. Su foco se dirige de manera meridiana al objeto de su frustración. Lo mismo sucede con los mensajes muy positivos. Por lo que podemos afirmar con plena seguridad que la tecnología nos ayudaría a filtrar los mensajes que se encuentran en ambos extremos de la curva. Y esto, hoy día, ya son palabras mayores.
Un paso más
Ahora analicemos cómo llevar el debate un poco más allá, de tal forma que podamos sacar más conclusiones. ¿Qué tal si aparejamos el análisis de los sentimientos con las tecnologías de búsqueda? En otras palabras, asignemos un sentimiento a un mensaje, pero también indexemos todos los mensajes en el directorio de búsqueda.
En este momento, una vez que hallemos un mensaje de desagrado, la búsqueda podrá mostrarnos todos los mensajes relacionados. Es cierto que esos mensajes estarán vinculados en materia de contenidos, pero incluso un usuario no experimentado podrá buscar rápidamente mensajes similares y quedarse con aquellos que son de su interés.
Vamos a ir un paso más allá
Este tipo de búsqueda trae consigo analizadores sofisticados que pueden extraer palabras desde los propios textos. Estas palabras y sus frecuencias se pueden visualizar en diversos formatos (nubes de etiquetas, gráficos de diversidad léxica, de streaming…).
Gracias a estas funcionalidades, el usuario puede filtrar los mensajes en base a los sentimientos (detectando los más negativos), visualizar los mensajes relacionados (empleando gráficos de texto) y haciendo `drill down´ sobre los gráficos para filtrar mejor los mensajes. Al final podrá leer los escasos mensajes restantes y conocer a fondo tanto los sentimientos como los contenidos.
La combinación de estas tres tecnologías posibilita el análisis en fracciones de segundo para detectar aquellos casos que demandan atención. Algo realmente significativo.
Rado Kotorov - Chief Innovation Officer de Information Builders
