Transformação digital do ecossistema de negócios com recurso a um customer support chatbot: caso dos SIC-Serviços de Informática e Comunicações (UTAD)

Dissertação de Mestrado em Tecnologia da Informação e ComunicaçãoAs organizações atuais ao optarem pela transformação digital poderão antecipar as necessidades dos clientes e torná-los mais satisfeitos. Razão da proposta Transformação Digital do Ecossistema de Negócio com recurso ao Customer Support Chatbot (CSC), com recurso a Machine Learning (ML), que poderá garantir a filtragem de dados e conversão da informação em tempo útil. Esta dissertação propõe dois casos de experimentação. O primeiro, uma arquitetura baseada em árvore de decisão que irá permitir interação e recolha de dados para o desenvolvimento de uma base de dados que poderá ser relevante para o desenvolvimento de um chatbot a longo prazo. Uma vez que atualmente os Serviços de Informática e Comunicações (SIC) não possuem um histórico significativo interativo para o desenvolvimento do chatbot. E o segundo experimento uma prova de conceito recorrendo a bases de dados públicas de desenvolvimento de chatbot. A metodologia para o alcance dos objetivos passou por uma abordagem Design Behavioural Science (DBS) e Design Sciente (DS). Assim, o primeiro experimento, como resposta a uma solicitação dos SIC, consistiu em desenvolver uma ferramenta de configuração da rede sem fios para orientar os utilizadores da UTAD. Como resultado a ferramenta consegue orientar os utilizadores mediante o seu vínculo com a UTAD, distinguindo visitantes e membros da UTAD. A estes dois utilizadores sugere as etapas necessárias para configuração da rede sem fios e ainda permite guardar a opinião dos utilizadores sobre a plataforma numa base de dados. Como forma da validação, a plataforma foi testada e validada pelos responsáveis dos SIC, sendo uma ferramenta que permite automatização do processo de configuração da rede sem fios. O segundo experimento consistiu em testes de dois exemplos de ML numa visão de open domain (cornell dialog corpus) e close domain (ubuntu dialog corpus), ambos implementados na base do modelo seq2seq. No processo de estudo de viabilidade dos dois casos de chatbot mostraram aprendizagem, sendo que, o caso de close domain mostrou melhores resultados. Umas das conclusões tiradas através deste estudo de viabilidade, deve-se ao tipo de assunto que o chatbot responde, por exemplo, no caso de open domain responde a questões relacionados a filmes e questões genéricas e no close domain responde somente a questões técnicas de ubuntu. Portanto, no caso dos SIC seria adequada o desenvolvimento de uma solução chatbot Deep Learning (DL) em close domain para automatizar o atendimento de questões relacionada com a configuração da rede sem fios, desde que exista uma base de dados adequada.The current organizations when choosing digital transformation can anticipate customer needs and become them more satisfied. That’s the reason for the proposal Digital transformation of the Business Ecosystem by Customer Support Chatbot (CSC), using Machine Learning (ML), which ensures data filtering and information conversion in a timely manner. This dissertation proposes two cases of experimentation. The first, a specific architecture in the decision tree that will allow interaction and data capture for the development of a database that may be relevant to the development of a long-term chatbot. Since currently the SIC doesn’t have a significant history for the development of the chatbot. The second experiment is a recurring proof of concept from the public chatbot development databases. A methodology for achieving the objectives went through a Design Behavioral Science (DBS) and Design Science (DS) approach. The first experiment was to develop a wireless network configuration platform to guide UTAD users on wireless network configuration procedures. As a result, the platform can guide users through their filiation with UTAD, distinguishing visitors from UTAD members. In these two users, it suggests the steps required for wireless network configuration and even allows to store platform interactions in a database. As a means of validation, the platform was tested and validated by the responsible of the SIC, being a strategy that automates the process of configuration of the wireless network. The second experiment consisted of testing two examples of ML an open domain (Cornell dialog corpus) and close domain (Ubuntu dialog corpus), both were implemented based of the seq2seq model. In the process of the feasibility study, the two chatbot cases showed learning, and the close domain case showed better results. One of the conclusions drawn through this feasibility is due to the type of subject chatbot answers, for example, in the case of open domain answering questions related to movies, but also answering generic questions and in close domain cases of technical issues from ubuntu. Therefore, in the case of SIC, it would be appropriate to develop a Deep Domain (DL) chatbot solution in close domain to automate the handling of issues related to the configuration of the wireless network, as long as there is an adequate database