Modelos Cuantitativos Avanzados y sus Aplicaciones en Python
Agenda
Revisar el último caso
1 aplicado 2 Introducción conceptual
3 Clasificación de intenciones
4 Generación de respuestas
5 Implementación y demo en
clase 6 Conclusiones y cierre
Último caso
aplicado
Introducción
Vamos al
NoteBook
Introducción
conceptual
Introducción Conceptual
Introducción Conceptual
1 ¿Qué es un chatbot?
Introducción Conceptual
Tipos de chatbots
1 ¿Qué es un chatbot?
2 Reglas (rule-based)
Aprendizaje supervisado
Modelos generativos
(LLMs)
Introducción Conceptual
Tipos de chatbots Arquitectura
1 ¿Qué es un chatbot?
2 Reglas (rule-based)
Aprendizaje supervisado
3 conceptual de un
chatbot clásico (con
Modelos generativos ML)
(LLMs)
Arquitectura conceptual de un
chatbot clásico (con ML)
Introducción Conceptual
Tipos de chatbots Arquitectura
1 ¿Qué es un chatbot?
2 Reglas (rule-based)
Aprendizaje supervisado
3 conceptual de un
chatbot clásico (con
Modelos generativos ML)
(LLMs)
¿Qué es una
"intención"?
4 "¿Cuándo debo presentar
mi declaración?" →
Consulta de fechas
"No entiendo qué es el
formulario 110" → Consulta
de conceptos
"Deseo hablar con un
asesor" → Redirección a
canal humano
Introducción Conceptual
Tipos de chatbots Arquitectura
1 ¿Qué es un chatbot?
2 Reglas (rule-based)
Aprendizaje supervisado
3 conceptual de un
chatbot clásico (con
Modelos generativos ML)
(LLMs)
¿Qué es una
"intención"? Procesamiento de
4 "¿Cuándo debo presentar
mi declaración?" →
5 Lenguaje Natural
(NLP): la base teórica
Consulta de fechas
"No entiendo qué es el
formulario 110" → Consulta
de conceptos
"Deseo hablar con un
asesor" → Redirección a
canal humano
Recordemos ...
Introducción Conceptual
Tipos de chatbots Arquitectura
1 ¿Qué es un chatbot?
2 Reglas (rule-based)
Aprendizaje supervisado
3 conceptual de un
chatbot clásico (con
Modelos generativos ML)
(LLMs)
¿Qué es una
"intención"? Procesamiento de
Modelos supervisados
4 "¿Cuándo debo presentar
mi declaración?" →
5 Lenguaje Natural
(NLP): la base teórica
6 detrás de un chatbot
Consulta de fechas
"No entiendo qué es el
formulario 110" → Consulta
de conceptos
"Deseo hablar con un
asesor" → Redirección a
canal humano
Un chatbot no solo responde preguntas:
también revela cómo una máquina puede
aprender patrones del lenguaje humano. En
este proceso, estamos programando modelos
para que adquieran —en términos
probabilísticos— una forma básica de
‘entender’. Nuestra tarea no es solo construir
un modelo funcional, sino comprender qué
significa representar, clasificar e interactuar
con el lenguaje
Preprocesamiento
y vectorización
Revisemos algunos
conceptos
Revisemos algunos
conceptos
Objetivo
Recordemos
Transformar los
mensajes de texto en
representaciones
numéricas que
puedan ser
procesadas por
algoritmos de
machine learning.
Revisemos algunos
conceptos
Objetivo Etapa 1
Preprocesamiento
Recordemos
de texto
Transformar los Minúsculas
mensajes de texto en Eliminación de
representaciones caracteres
numéricas que Eliminación de
puedan ser stopwords
procesadas por Tokenización
algoritmos de Lematización o
machine learning. stemming
Eliminación de
números
Revisemos algunos
conceptos
Objetivo Etapa 1 Etapa 2
Preprocesamiento
Recordemos ¡Vectores!
de texto
Transformar los Minúsculas Bag of words
mensajes de texto en Eliminación de TF - IDF
representaciones caracteres Word
numéricas que Eliminación de Embeddings
puedan ser stopwords
procesadas por Tokenización
algoritmos de Lematización o
machine learning. stemming
Eliminación de
números
El preprocesamiento y la vectorización son
mucho más que tareas técnicas: son
decisiones que afectan directamente cómo
el modelo “comprende” el lenguaje. Elegir
cómo representar el texto implica asumir
hipótesis sobre qué información es relevante,
y cómo codificar significado en números.
Clasificación de
intenciones
Clasificación de
intenciones
Objetivo Etapa 1 Etapa 2 Objetivo
Preprocesamiento
Recordemos ¡Vectores! Queremos ...
de texto
Transformar los Minúsculas Bag of words Desarrollar un modelo
mensajes de texto en Eliminación de TF - IDF supervisado capaz de
representaciones caracteres Word predecir la intención
numéricas que Eliminación de Embeddings comunicativa del
puedan ser stopwords usuario a partir del
texto de su mensaje.
procesadas por Tokenización
Esta es la tarea central
algoritmos de Lematización o
del chatbot, ya que a
machine learning. stemming
partir de esa
Eliminación de clasificación se decide
números qué respuesta
entregar.
Clasificación de
intenciones
Objetivo Etapa 1 Etapa 2 Objetivo Etapa 3
Preprocesamiento
Recordemos ¡Vectores! Queremos ... Entrenamiento
de texto
Transformar los Minúsculas Bag of words Desarrollar un modelo Textos (mensajes
mensajes de texto en Eliminación de TF - IDF supervisado capaz de del usuario
representaciones caracteres Word predecir la intención preprocesados y
numéricas que Eliminación de Embeddings comunicativa del vectorizados)
puedan ser stopwords usuario a partir del Etiquetas
texto de su mensaje. (intenciones
procesadas por Tokenización
Esta es la tarea central esperadas)
algoritmos de Lematización o
del chatbot, ya que a
machine learning. stemming
partir de esa
Eliminación de clasificación se decide
números qué respuesta
entregar.
Representación
de los datos
Texto vectorizado Intención
[0.2, 0.0, 0.1, ..., 0.3] consulta_formulario
[0.0, 0.1, 0.0, ..., 0.4] redireccion_asistencia
Regresión Logística (Logistic Regression)
u
Rápida y eficaz. Buena base
comparativa.
Naive Bayes
Basado en la probabilidad condicional.
Funciona sorprendentemente bien en
tareas de texto.
Modelos recomendados
Árboles de decisión y Random Forest
Menos eficientes en texto esparso, pero
útiles para mostrar interpretabilidad.
Support Vector Machines (SVM)
u
Excelente para separación en espacios
de alta dimensión como TF-IDF.
Redes neuronales ligeras o embeddings
con Keras/PyTorch
Modelos recomendados
Clasificación de
intenciones
Objetivo Etapa 1 Etapa 2 Objetivo Etapa 3 Etapa 4
Preprocesamiento Evaluación del
Recordemos ¡Vectores! Queremos ... Entrenamiento
de texto modelo
Transformar los Minúsculas Bag of words Desarrollar un modelo Textos (mensajes Matriz de
mensajes de texto en Eliminación de TF - IDF supervisado capaz de del usuario confusión
representaciones caracteres Word predecir la intención preprocesados y Accuracy
numéricas que Eliminación de Embeddings comunicativa del vectorizados) Precision, Recall,
puedan ser stopwords usuario a partir del Etiquetas F1-score
texto de su mensaje. (intenciones
procesadas por Tokenización Cross-validation
Esta es la tarea central esperadas)
algoritmos de Lematización o
del chatbot, ya que a
machine learning. stemming
partir de esa
Eliminación de clasificación se decide
números qué respuesta
entregar.
Generación de
Respuestas
Una vez el modelo ha identificado correctamente la intención del
usuario, el sistema debe generar o seleccionar una respuesta
adecuada, clara y funcional. Esta etapa define la experiencia final
del usuario con el chatbot.
Objetivo
Una vez el modelo ha identificado correctamente la intención del
usuario, el sistema debe generar o seleccionar una respuesta
adecuada, clara y funcional. Esta etapa define la experiencia final
del usuario con el chatbot.
Existen distintos enfoques para responder a una intención
detectada, que pueden ordenarse según su complejidad y grado
de autonomía.
Tipos de
respuesta en
un chatbot
Una vez el modelo ha identificado correctamente la intención del
usuario, el sistema debe generar o seleccionar una respuesta
adecuada, clara y funcional. Esta etapa define la experiencia final
del usuario con el chatbot.
Existen distintos enfoques para responder a una intención
detectada, que pueden ordenarse según su complejidad y grado
de autonomía.
Cada intención está asociada a una respuesta predefinida.
Respuestas Este es el enfoque más simple, pero también el más fácil de
controlar y auditar.
fijas (rule-
based)
Una vez el modelo ha identificado correctamente la intención del
usuario, el sistema debe generar o seleccionar una respuesta
adecuada, clara y funcional. Esta etapa define la experiencia final
del usuario con el chatbot.
Existen distintos enfoques para responder a una intención
detectada, que pueden ordenarse según su complejidad y grado
de autonomía.
Cada intención está asociada a una respuesta predefinida.
Este es el enfoque más simple, pero también el más fácil de
controlar y auditar.
Respuestas
parametrizadas Se usan plantillas con variables dinámicas extraídas del
mensaje del usuario (como fechas, números, formularios).
Requiere reconocimiento de entidades (NER) o extracción
simple de patrones.
Para intenciones más abiertas, se puede buscar la respuesta más
cercana en una base de datos de preguntas-respuestas usando
embeddings o similitud coseno.
Respuestas por
similitud
semántica
Para intenciones más abiertas, se puede buscar la respuesta más
cercana en una base de datos de preguntas-respuestas usando
embeddings o similitud coseno.
Se puede conectar con un modelo tipo GPT vía API para que
genere la respuesta completa.
Respuestas
generadas con
LLMs
Implementación y
demo en clase
Clasificación de
intenciones
Objetivo Etapa 1 Etapa 2 Objetivo Etapa 3 Etapa 4 Final
Preprocesamiento Evaluación del
Recordemos ¡Vectores! Queremos ... Entrenamiento Implementación
de texto modelo
Transformar los Minúsculas Bag of words Desarrollar un modelo Textos (mensajes Matriz de Vamos al notebook
mensajes de texto en Eliminación de TF - IDF supervisado capaz de del usuario confusión
representaciones caracteres Word predecir la intención preprocesados y Accuracy
numéricas que Eliminación de Embeddings comunicativa del vectorizados) Precision, Recall,
puedan ser stopwords usuario a partir del Etiquetas F1-score
texto de su mensaje. (intenciones
procesadas por Tokenización Cross-validation
Esta es la tarea central esperadas)
algoritmos de Lematización o
del chatbot, ya que a
machine learning. stemming
partir de esa
Eliminación de clasificación se decide
números qué respuesta
entregar.
¿Dudas,
preguntas y/o
inquietudes?
Conclusiones y
cierre
Construir un chatbot es enseñar a una máquina a
conversar. Pero también es un espejo para nosotros:
revela cómo formulamos nuestras preguntas, cómo
estructuramos el conocimiento, y cómo decidimos qué
vale la pena automatizar. Cada modelo predictivo, en el
fondo, es una forma de diálogo con la incertidumbre.
Gracias
