Saltar al contenido
Cómo funciona por dentro

Cómo los chatbots clasifican intenciones y contexto

Intenciones, entidades y contexto ayudan a un chatbot a responder. Qué puede inferir el sistema y qué conviene comprobar.

Adrián G. Bustos2 min de lecturaPublicado originalmente en LinkedIn

El secreto lingüístico de los chatbots

Cuando escribes «Quiero reservar una mesa para dos mañana a las 8», el sistema puede convertir la frase en una acción estructurada. Eso no demuestra que comprenda la situación como una persona: muestra que ha producido una interpretación útil que todavía debe validarse.

Intenciones: ¿Qué quiere el usuario?

En un sistema de diálogo con categorías definidas, un primer paso puede ser clasificar la intención (intent):

  • ¿Es una pregunta? ¿Una petición? ¿Una queja?
  • ¿Qué acción específica quiere realizar?
  • ¿Cuál es el objetivo final?

Para "Quiero reservar una mesa", la intención es clara: reserva_restaurante.

Entidades: Los datos que importan

Después puede extraer entidades: valores que necesita la acción. La fecha «mañana» depende de la zona horaria y del día en que se recibe el mensaje; la hora «8» es ambigua hasta confirmar si significa las 8:00 o las 20:00.

Texto Entidad Valor
"para dos" número_personas 2
«mañana» fecha fecha local por confirmar
«a las 8» hora 08:00 o 20:00; pedir aclaración

La magia de la semántica

La interpretación también puede requerir resolver fenómenos lingüísticos:

Ambigüedad léxica:

  • "Banco" puede ser una institución financiera o un asiento
  • El contexto determina el significado

Correferencia:

  • "Quiero reservar en El Asador. ¿Está abierto?"
  • El sistema debe saber que el sujeto omitido de "está abierto" es el restaurante mencionado

Implicaturas:

  • "¿Tienen mesa para las 8?"
  • Implica que el usuario quiere reservar, no solo saber

De reglas a modelos neuronales

Los chatbots han evolucionado:

Antes (sistemas basados en reglas):

SI contiene("reservar") Y contiene("mesa") → intent = reserva

En sistemas actuales:

  • Los clasificadores pueden asignar etiquetas de intención y extraer campos.
  • Los modelos de lenguaje pueden usar más contexto y seguir instrucciones flexibles.
  • Ninguno garantiza que la interpretación sea correcta: fechas, negaciones, referencias y acciones sensibles requieren validación.

Conclusión

Cuando un chatbot responde de forma adecuada, puede haber clasificado una intención, extraído datos y usado el contexto. Es más preciso hablar de una interpretación operativa que de comprensión humana. La lingüística computacional ayuda a diseñar categorías, ejemplos y pruebas para detectar dónde falla esa interpretación.

Este ensayo se publicó primero en LinkedIn. Comenta allí y sigue la conversación.

Para seguir leyendo