Cómo GovTech desarrolló un chatbot OneService para informar problemas de la comunidad

Cuando se fundó la Oficina de Servicios Municipales (MSO, por sus siglas en inglés) en 2014, se presentó como una ventanilla única para las personas que podían brindar comentarios sobre problemas cotidianos, como luces defectuosas en los pasillos, aceras cubiertas con goteras y áreas públicas contaminadas.

La aplicación OneService se lanzó el año siguiente para recibir comentarios digitales.

Aplicación Oneservice
OneService-App / Fuente de imagen: MSO

De acuerdo con la visión de MSO de mejorar continuamente sus servicios y ampliar los límites técnicos para capturar los problemas de la comunidad de otras maneras, MSO se asoció con GovTech para desarrollar el chatbot OneService para WhatsApp y Telegram.

Esto permite a los ciudadanos presentar fácilmente un caso y proporcionar información adicional vital sobre la queja a través de aplicaciones populares de mensajería social como WhatsApp y Telegram. Impulsado por el aprendizaje automático, el chatbot podría:

1) Identificar automáticamente el tipo de denuncia y clasificarla en la categoría correspondiente (residuos homicidas, estacionamiento ilegal, etc.),

2) Extraiga los detalles relevantes del incidente que requiere atención (ubicación, dirección, punto de interés, hora en que ocurrió, etc.), complete la plantilla de comentarios y solicite al usuario que la revise y proporcione detalles adicionales.

3) E identifique la agencia gubernamental correcta que debe tomar medidas (NEA, NParks, LTA, etc.) y remitir el caso.

¿Cómo trabajaron juntos el equipo Virtual Intelligent Chat Assistant (VICA) de la División Moments of Life y el equipo GovText de la División de Ciencia de Datos e Inteligencia Artificial para crear un chatbot que pueda mantener una conversación?

Identificar el tipo de caso

Con la aplicación OneService, que ha estado en funcionamiento desde 2015, MSO ha recopilado una cantidad significativa de comentarios del público.

Cada vez que se investiga un caso, un oficial marca un caso con el tipo de caso apropiado y esta información se almacena en la base de datos. Dado que la retroalimentación transmitida a través del chatbot es similar a la transmitida a través de la aplicación, los datos de la aplicación se pueden usar para entrenar el categorizador de tipos de casos del chatbot.

Esencialmente, esto significa que el categorizador recibe tanto el texto de retroalimentación como el tipo de caso de cada caso para que aprenda a asociar ciertas palabras y patrones en el texto con el tipo de caso correspondiente.

Según su experiencia, el categorizador de tipos de casos busca palabras y patrones relevantes para utilizar el texto de retroalimentación para hacer la mejor evaluación posible de qué tipo de caso debería ser el correcto.

Armados con más de 160.000 casos de dos años de datos de la aplicación OneService, los equipos probaron diferentes técnicas de procesamiento del lenguaje natural (el área de lograr que las computadoras comprendan el lenguaje humano) y lograron crear un categorizador que hizo el tipo de caso correcto que puede predecir correctamente. 80 por ciento del tiempo.

Luego extrajeron los detalles clave del caso y completaron previamente el formulario del caso para el usuario.

“Esto es más difícil porque, a diferencia del tipo de caso, no teníamos ninguna palabra clave etiquetada porque el personal de MSO no tenía que nombrar las palabras clave en su proceso de trabajo”, dijo GovTech.

“Así que implementamos un marco de anotaciones y les pedimos a nuestros colegas de MSO que nos ayudaran a poner etiquetas en las palabras del texto de comentarios que representan los tipos de información importante necesaria para resolver un caso, como la fecha y hora del incidente, los puntos de referencia y las direcciones. “

En total, etiquetaron el texto de 5.600 casos, lo que resultó en estos comentarios.

Fuente de la imagen: GovTech
Fuente de la imagen: GovTech

Usando estos ejemplos preparados, capacitaron a un reconocedor de detalles de casos que puede identificar los diversos tipos de información clave con una precisión del 85 por ciento.

En esta etapa, pueden identificar automáticamente el tipo de queja, extraer los detalles relevantes, completar la plantilla de comentarios y pedirle al usuario que agregue cualquier información que falte.

Identificar la agencia apropiada

Una vez que el usuario envió el caso con éxito, se tuvo que encontrar la agencia adecuada para manejar el caso.

Como ya sabrá, los servicios municipales son supervisados ​​por varias agencias, por lo que puede que no siempre sea fácil o fácil para el chatbot de OneService activar el proceso correcto.

Para este paso, además del texto de comentarios y el tipo de caso (marcado automáticamente y luego verificado por el usuario), utiliza las imágenes enviadas por el usuario y la geolocalización.

Pero, ¿por qué no usaron las imágenes y la geolocalización para identificar el tipo de caso?

GovTech argumentó que, si bien estos datos adicionales ayudaron a aumentar la precisión de la detección del tipo de caso en un dos o tres por ciento, la ganancia relativamente pequeña en el rendimiento predictivo no justificó el tiempo adicional que tomó generar el tipo de caso predicho.

“Después de todo, no queremos que el usuario espere demasiado para hablar con el chatbot”, agregó.

En la fase de identificación de la agencia, sin embargo, el usuario ya no está involucrado y puede permitirse tomar más tiempo para procesar la geolocalización y los datos de imagen.

Las geolocalizaciones juegan un papel importante en la identificación de la agencia adecuada, ya que algunos tipos de casos pueden ser manejados por más de una agencia basándose únicamente en la descripción del caso. Por lo tanto, la agencia asignada dependería de en qué país de la agencia ocurrió un incidente o de cuál es el más cercano.

Por ejemplo, si se informa un caso de poda de árboles dentro de una urbanización, se encarga a la administración de la ciudad más cercana que procese el caso. Sin embargo, si ocurre un caso similar en un parque (por ejemplo, West Coast Park), se encarga a NParks que se ocupe del caso.

En las imágenes enviadas por los usuarios, los equipos utilizaron un modelo de detección de apelaciones para buscar colillas de cigarrillos, farolas, luces de techo y otros elementos que a menudo se asocian con problemas de la comunidad.

“Hacemos esto porque la probabilidad de que ciertas autoridades procesen un caso aumenta si ciertos objetos están presentes en las imágenes (por ejemplo, árboles / arbustos -> NPARKs, colillas de cigarrillos -> NEA). Al combinar estos nuevos puntos de datos, podemos enrutar correctamente los casos a la agencia correcta el 85 por ciento del tiempo ”, dijo GovTech.

Ahora en la fase de lanzamiento beta

Chatbot de un solo servicio
Fuente de la imagen: GovTech

Después de que OneService Chatbot hizo algunas optimizaciones basadas en los comentarios de una prueba completa con una pequeña parte del público, se lanzó como una “beta” y estará disponible en WhatsApp y Telegram a partir de julio de 2021.

Los residentes pueden iniciar una conversación con el chatbot enviando “Hola” al +65 9821 9004 (WhatsApp) o @OneServiceSG Bot (telegrama).

Si es creativo, también puede participar en el concurso de diseño de chatbot, que ayudará a determinar el avatar y la “personalidad” del chatbot para su lanzamiento oficial. Puedes encontrar más información sobre el concurso aquí.


Este artículo apareció por primera vez en GovTech. También puede obtener historias de tecnología de tamaño byte (¿geddit?) De GovTech Aquí.


Fuente de la imagen destacada: MSO / GovTech

Leave a Reply

Your email address will not be published. Required fields are marked *