Rasa framework - Análisis e implementación de un chatbot

Hoy en día existe una gran variedad de herramientas para crear chatbots, todas ellas con sus ventajas e inconvenientes. Creemos que sería muy útil usar una de estas herramientas para facilitar la consulta en tiempo real de la información de eventos corporativos, ya que estos eventos ayudan a motivar a los empleados de la compañía e incluso a captar nuevos clientes. Partiendo de estas premisas, hemos decidido desarrollar un asistente conversacional que funcione a través de dos canales de texto y voz: Telegram y Google Assistant. Para hacer este asistente, se ha usado un framework de código abierto llamado Rasa y también se ha analizado el mercado para ver el posicionamiento de dicho framework frente a la competencia. Se han generado modelos del bot basados en Machine Learning que son capaces de responder a preguntas formuladas a través de lenguaje natural en castellano. Además, el asistente se ha implementado de tal forma que la información del evento se pueda introducir fácilmente a través de un libro de Excel. Las conclusiones del proyecto son que Rasa es un framework con mucho potencial, pero al ser un producto joven todavía le falta pulir algunos detalles. El asistente creado es capaz de entender las 20 intenciones de usuario que se han considerado para este proyecto y responder mediante 21 acciones de respuesta (10 de ellas transaccionales usando recursos externos).Nowadays there is a great variety of tools to create chatbots, all of them with their advantages and disadvantages. We believe it would be very useful to use one of these tools to facilitate real-time consultation of corporate event information, because these events help to motivate company employees and even attract new customers. Based on these premises, we have decided to develop a conversational assistant that uses two text and voice channels: Telegram and Google Assistant. In order to make this assistant, an open source framework called Rasa has been used and the market has also been analyzed to see the positioning of that framework against competitors. We have generated some bot models based on Machine Learning that are capable of answering questions formulated through natural language in Spanish. In addition, the chatbot has been implemented in such a way that the event information can be easily entered through an Excel workbook. The conclusions of the project are that Rasa is a framework with a lot of potential, but since it is a young product it still needs to improve some details. The created assistant is able to understand the 20 user intents that have been considered for this project and respond through 21 response actions (10 of them transactional using external resources)