Creación de bots con Power Virtual Agents y Custom Question Answering

Con la aparición de la Power Platform Microsoft apostó fuerte por los servicios destinados al Citizen Developer, aunque hoy en día ya podemos decir que también están destinados a los Pro Developer. Entre estos servicios podemos encontrar Microsoft Power Virtual Agets, cuyo objetivo es facilitar a los usuarios finales la creación de chatbots, o lo que es lo mismo, robots que son capaces de mantener una conversación con un usuario mediante comandos de texto y/o voz. Entraríamos en un interesante debate para ver si realmente un usuario con pocos conocimientos técnicos sería capaz de trabajar con ambas herramientas.

Si a estos servicios le podemos añadir capacidades de Inteligencia Artificial de una forma relativamente sencilla, entonces podremos desarrollar herramientas realmente útiles. Es por este motivo que Microsoft sigue por la IA, añadiendo nuevas funcionalidades y capacidades, como es el reciente Custom Question Answering, un servicio que nos permite realizar consultas sobre un documento no estructurado (por ejemplo, un documento PDF), y recibir respuestas de forma inmediata.

En este artículo se pretende mostrar cómo crear un chatbot con Power Virtual Agents, que va a devolver respuestas en base al contenido de uno o diversos documentos, sin que el usuario tenga que introducir las preguntas y respuestas de forma manual.

Azure Cognitive Service for Language documentation es un servicio de IA que incorpora las siguientes funcionalidades:

• Extraer información: Mediante el uso de *Natural Language

  Understanding (NLU)*, podemos analizar un texto cualquiera e identificar frases clave, información personal o encontrar entidades (poblaciones, monedas, tipos de documentos).

• Responder preguntas: Proporcionar respuestas a preguntas basadas

  en el texto analizado de forma predeterminada, o bien editando los pares pregunta-respuesta.

• Clasificación de texto: Servicio con el que podemos detectar el

  idioma o detectar el sentimiento de un texto analizado, mediante el uso de Natural Language Understanding (NLU).

• Traducir texto: Servicio con el que podemos traducir cualquier

  texto de un idioma origen a un idioma destino.

• Entender conversaciones: Con este servicio podemos crear un modelo

  de Conversational Language Understanding y entrenarlo, para posteriormente usarlo en conversaciones con los usuarios (en chatbots, por ejemplo).

Como siempre, el coste de uso de estos servicios vendrá determinado por las capacidades de procesamiento contratadas.

Caso práctico: Uso de Custom Question Answering en un chatbot de Power Virtual Agents

La mejor manera de ver cómo nos pueden ayudar estos tipos de servicios es el de verlos en acción con un caso práctico. Imaginemos que queremos crear un chatbot que proporcione respuestas sobre nuestros productos, la información de los cuales se encuentra en un documento PDF (descripción del producto, características, precio).

El objetivo es que, a partir del documento PDF con la información del catálogo, el chatbot de Power Virtual Agents sea capaz de responder a cualquier pregunta sobre nuestros productos.

Creación de la base de datos de conocimiento

Antes de crear nuestro chatbot de Power Virtual Agents, deberemos crear el modelo de Custom Question Answering, siguiendo los pasos siguientes:

1. Crear una instancia del servicio de QnA Maker: Iremos a https://www.qnamaker.ai/Create e indicaremos que queremos crear una nueva base de datos de conocimiento (knowledge base) usando Custom Question Answering:

Finalmente, deberemos seleccionar en qué suscripción de Azure queremos crear el servicio, y la capacidad de proceso que queremos utilizar.

2. Crear base de datos de conocimiento: Deberemos seleccionar la instancia creada anteriormente, e indicarle qué contenido queremos que forme parte de la base de datos de conocimiento. En este caso, crearemos una base de datos de conocimiento llamada Microsoft Devices Information:

3. Añadir contenido a la base de datos de conocimiento: En el siguiente y último paso, indicaremos que el fichero "Introducing Surface laptop.pdf", formará parte de la base de datos de conocimiento.

Una vez añadido el fichero ya podemos crear la base de datos de contenido. A partir de ese momento se iniciará el proceso de análisis del fichero, con lo que con Custom Question Answering, podremos realizar preguntas que tengan relación con el mismo, y ver si obtenemos respuestas:

Así, podemos ver como preguntamos los precios de unos auriculares, obtenemos la respuesta (short answer) y en qué párrafo del texto está basada (Answer passage). Si creemos que la base de datos de contenido es correcta, ya la podríamos publicar para su uso. Si no es así, podemos modificar el fichero pdf, o crear nuevos ficheros para mejorar o complementar la información.

Creación del chatbot con Power Virtual Agents

No perdamos de vista que el objetivo final es crear un chatbot que responda a preguntas sobre productos, que sabemos que están basadas en documentos de texto que hemos añadido a una base de datos de contenidos. Por lo tanto, y en primer lugar, vamos a crear un nuevo Power Virtual Agents bot:

Sea cual sea la pregunta que nos realice el usuario, pediremos al bot que reenvíe la pregunta al servicio de QnA Maker y Custom Question Answering. Para ello, deberemos añadir lo que se llama un fallback topic, o lo que es lo mismo, si el bot no encuentra una respuesta a una pregunta, le pediremos que lleve a cabo una acción:

En este caso, la acción a ejecutar será la de llamar a un flujo de Power Automate:

Creación de un flujo de Power Automate para usar el servicio de Custom Question Answering

El flujo va a constar de los pasos siguientes:

1. Añadir una entrada en el disparador, que va a ser la pregunta introducida por el usuario.

2. Hacer una llamada HTTP al servicio de QnA para obtener la respuesta basada en la pregunta del usuario. Para ello deberemos usar los parámetros que obtuvimos al crear la base de datos de contenido (Id de la base de datos, URL).

Cabe mencionar como en el cuerpo de la petición HTTP indicamos que queremos consultar contenido no estructurado, y que debemos informarlo siempre con el valor true si queremos obtener respuestas en base al contenido de los ficheros.

3. Comprobar si la llamada se ha ejecutado correctamente (código devuelto igual a 200).

4. Si la llamada ha devuelto unos resultados correctos,

   a. Interpretar el contenido de la respuesta (en format JSON) y capturar el valor de esta.

   b. Como puede haber múltiples respuestas, en nuestro caso solo seleccionaremos la primera.

   c. Devolver la respuesta al bot de PVA.

5. Si no obtuvimos resultados correctamente, devolvemos un mensaje de error.

Llamar al flujo desde el bot de PVA

En este punto, debemos volver al diseñador de bots de PVA e indicar que cuando se ejecute el fallback topic, se ejecute el flujo que acabamos de crear.

Como podemos comprobar, estamos pasando al flujo la palabra no reconocida por el bot. Finalmente guardaremos los cambios y ya podremos probar el bot de PVA.

Conclusión

Hemos creado un bot de PVA que es capaz de responder a preguntas sobre un catálogo de productos sin la necesidad de introducir la información manualmente. En su lugar, hemos creado un servicio de QnA y Custom Question Answering que es capaz de procesar contenido no estructurado y devolver respuestas en función de las preguntas del usuario. Por lo tanto, podríamos añadir nuevos documentos a la base de datos de contenido, y crear potentes chatbots de PVA en cuestión de minutos.

Sin lugar a duda, el servicio de Custom Question Answering es una herramienta muy útil que nos puede servir para reducir la complejidad y el tiempo de desarrollo de nuestros chatbots de PVA.

Ferran Chopo Garcia
Solution Expert -- PlanB GmbH
ferran@ferranchopo.com
@fchopo