A Low-Code Approach for the Automatic Personalization of Conversational Agents

Este artículo presenta una revisión sistemática de la literatura que revela que el modelado de usuarios actual en la Ingeniería Dirigida por Modelos está fragmentado, es estático y carece de un soporte de herramientas robusto, proponiendo así una hoja de ruta hacia modelos unificados y reutilizables y procesos automatizados, impulsados por aprendizaje automático, para la personalización dinámica y de bajo código de agentes conversacionales.

Lo esencial

Imagina que tienes un asistente robótico muy inteligente y amable (un "Agente Conversacional") que puede hablar con las personas sobre entrenamientos en el gimnasio. En este momento, este robot es como un maniquí de talla única: le habla de la misma manera a todo el mundo, ya sea un atleta joven, una persona mayor o alguien con una discapacidad física.

Este artículo presenta un nuevo conjunto de herramientas "Low-Code" (de bajo código) que permite a personas comunes (no solo programadores de computadoras) personalizar este robot para que se ajuste perfectamente a cada persona, como un sastre confeccionando un traje a medida.

Así es como funciona el proceso, desglosado en pasos sencillos:

1. El "Libro de Recetas" (Modelado)

En lugar de escribir código, el usuario abre una herramienta visual. Piensa en esto como un libro de recetas digital donde puedes mezclar y combinar ingredientes.

• El Robot Base: Comienzas con el robot estándar que sabe cómo dar consejos de gimnasio.
• Los Perfiles de Usuario: Creas "tarjetas" para diferentes tipos de personas. Por ejemplo, una tarjeta para un "Usuario de la Tercera Edad" que prefiere palabras sencillas y habladas. Y una tarjeta para un "Usuario con Paraplejía" que necesita consejos que eviten los ejercicios de piernas.
• Los Perfiles del Agente: Creas "hojas de instrucciones" para el robot. Estas hojas le dicen al robot cómo cambiar su personalidad o su forma de hablar según la tarjeta del usuario. Para el usuario de la tercera edad, la hoja dice: "Habla despacio y usa palabras sencillas". Para el usuario con paraplejía, dice: "Nunca menciones correr o saltar".

2. El "Traductor Mágico" (Personalización en Tiempo de Diseño)

Una vez que has configurado tus tarjetas y hojas de instrucciones, presionas un botón. Aquí es donde ocurre la magia del "Low-Code".

• El sistema utiliza una IA superinteligente (un Modelo de Lenguaje Extenso o LLM) para actuar como un traductor. Lee el guion estándar del robot y lo reescribe instantáneamente para que coincida con tus instrucciones.
• Si el robot iba a decir: "Sal a correr 5 millas", la IA lo reescribe para el usuario con paraplejía diciendo: "Prueba esta rutina de fuerza para la parte superior del cuerpo".
• Esto sucede antes de que el robot entre en funcionamiento, asegurando que el robot ya esté hablando el lenguaje adecuado antes de conocer siquiera a un humano.

3. El "Interruptor en Vivo" (Personalización en Tiempo de Ejecución)

Cuando el robot está hablando realmente con una persona real, utiliza un "selector de perfiles".

• Imagina que el robot tiene un cajón lleno de diferentes "máscaras" o "disfraces". Cuando un usuario de la tercera edad inicia sesión, el robot se pone la "Máscara de la Tercera Edad" (hablando de forma sencilla). Cuando un atleta joven inicia sesión, el robot se pone la "Máscara de Atleta" (hablando con energía).
• El robot cambia dinámicamente su comportamiento en tiempo real para adaptarse a la persona que tiene enfrente, sin necesidad de detenerse a pensar en ello.

4. La "Prueba de Manejo" (El Estudio Piloto)

Los autores probaron este conjunto de herramientas con dos grupos de personas:

• Los Expertos: Personas que saben programar.
• Los No Expertos: Personas que nunca han escrito una línea de código.

Los Resultados:

• A todos les encantó: Ambos grupos consideraron que la herramienta era muy útil. Sintieron que logró facilitar la creación de robots personalizados.
• Los Expertos la encontraron increíblemente fácil de usar (casi puntuaciones perfectas).
• Los No Expertos también la encontraron fácil, aunque un poco más desafiante que los expertos (probablemente porque no estaban acostumbrados a las herramientas de "modelado"), pero aun así completaron las tareas con éxito.
• La Conclusión: No necesitas ser un mago de la tecnología para crear un robot que entienda y se adapte a diferentes personas.

Lo que este artículo NO pretende afirmar

• No pretende afirmar que esta herramienta esté lista para hospitales o diagnósticos médicos. Fue probada con un ejemplo de un asistente de gimnasio.
• No pretende afirmar que el robot sea perfecto todavía; los autores admiten que necesitan probarlo con más personas y añadir más controles de seguridad en el futuro.
• No pretende afirmar que resuelve todos los problemas de personalización, sino que ofrece una nueva y más fácil manera de comenzar a hacerlo.

En resumen: Este artículo presenta un "set de LEGO" para construir chatbots. En lugar de pegar las piezas con pegamento (código), las encajas con una herramienta visual, y el sistema ajusta automáticamente la personalidad del chatbot para que se adapte a la persona con la que está hablando.

Resumen técnico

Resumen Técnico: Un enfoque de bajo código para la personalización automática de agentes conversacionales

Planteamiento del problema
Si bien los modelos de lenguaje de gran tamaño (LLM) han mejorado los agentes conversacionales (CA) para manejar interacciones de código abierto, la creación de agentes conversacionales personalizados (PCA) que se adapten a perfiles de usuario específicos sigue siendo una tarea compleja. Actualmente, lograr experiencias de usuario óptimas mediante la personalización requiere que desarrolladores experimentados implementen soluciones técnicas ad hoc. Existe una falta de herramientas accesibles que permitan a usuarios no técnicos definir tipos de usuario, especificar las adaptaciones necesarias y generar automáticamente los agentes personalizados correspondientes.

Metodología
Los autores proponen un flujo de trabajo de bajo código/sin código (low-code/no-code) basado en un enfoque de desarrollo dirigido por modelos para facilitar el modelado y la generación de PCA. El flujo de trabajo opera a través de cuatro actividades principales:

1. Modelado de perfiles de usuario y de agente:

   • Modelado de usuario: Utiliza un metamodelo (basado en el trabajo previo [9]) para definir categorías de usuarios (por ejemplo, ancianos, parapléjicos) con atributos específicos como discapacidad, preferencia de idioma y necesidades cognitivas.
   • Modelado de agente: Define un modelo de agente base utilizando un formalismo similar a una máquina de estados (similar a las máquinas de estado UML) que contiene estados, transiciones, intenciones y acciones (predefinidas, generadas por LLM o basadas en RAG).
   • Perfilado de agente: Define un metamodelo de configuración para la personalización, categorizado en cuatro dimensiones: Contenido (semántica), Presentación (estilo/visuales), Comportamiento (flujo de interacción) y Modalidad (canales de entrada/salida).

2. Personalización en tiempo de diseño (Transformación de Modelo a Modelo):

   • Esta fase adapta las respuestas textuales codificadas dentro del modelo del agente base.
   • Un LLM externo es instado secuencialmente para aspectos específicos (por ejemplo, complejidad del lenguaje, longitud de la oración, tono) para reescribir los mensajes predefinidos.
   • Este enfoque secuencial reduce la complejidad del prompt y evita la interferencia cruzada entre los aspectos de adaptación.
   • Los diseñadores pueden validar y refinar manualmente estos textos adaptados antes de proceder.

3. Validación manual del modelo:

   • Los diseñadores revisan los modelos de agentes personalizados vinculados a perfiles de usuario específicos, realizando ajustes manuales en el texto o añadiendo estados únicos si se requiere una adaptación más profunda.

4. Personalización en tiempo de ejecución (Transformación de Modelo a Código):

   • Un proceso determinista de generación de código produce el agente final.
   • Inyecta código para manejar adaptaciones dinámicas que no pueden precomputarse, como la velocidad de la voz, la selección de avatar, el tiempo de respuesta y el cambio de modalidad.
   • Para las interacciones con LLM, se inserta dinámicamente un prompt de contexto para asegurar que las respuestas generadas cumplan con las restricciones del perfil del usuario. Se puede emplear un segundo control de LLM para verificar la corrección de la adaptación (por ejemplo, asegurar que un consejo sea seguro para un grupo demográfico específico).

Implementación y Herramientas
El flujo de trabajo se implementó extendiendo el marco de trabajo de código abierto BESSER. La implementación incluye:

• Extensiones al Marco de Agentes BESSER (BAF) para soportar la especificación en tiempo de diseño de las variaciones del agente y la selección de perfil en tiempo de ejecución.
• Nuevas transformaciones y generadores en la plataforma de bajo código BESSER para ejecutar los pasos de M2M y M2C.
• Un editor de modelado web que proporciona notación gráfica para perfiles de usuario y sintaxis basada en formularios para la configuración del agente.

Contribuciones Clave

• Un flujo de trabajo de bajo código: Un flujo de trabajo novedoso que permite a usuarios no técnicos modelar, adaptar y generar CA personalizados sin necesidad de conocimientos profundos de programación.
• Separación de preocupaciones: Una arquitectura de metamodelo que desacopla los perfiles de usuario, los modelos de agentes base y los perfiles de agentes, promoviendo la reutilización y la modularidad.
• Estrategia de adaptación híbrida: Una combinación de adaptación de texto impulsada por LLM en tiempo de diseño e inyección de código determinista en tiempo de ejecución para manejar necesidades de personalización tanto estáticas como dinámicas.
• Taxonomía de la personalización: Una clasificación consolidada de los componentes personalizables (Contenido, Presentación, Comportamiento, Modalidad) específicamente para CA.

Resultados (Estudio Piloto)
Un estudio piloto con ocho participantes (cuatro expertos técnicos, cuatro profanos no técnicos) evaluó la usabilidad percibida y la utilidad de la herramienta.

• Usabilidad (RQ1): Ambos grupos reportaron una alta usabilidad. Los expertos alcanzaron una puntuación de la Escala de Usabilidad del Sistema (SUS) de 92.50, mientras que los profanos obtuvieron 78.75. La Percepción de Facilidad de Uso (PEOU) fue de 96.60 para los expertos y 71.60 para los profanos. Los tiempos de finalización y el número de intervenciones fueron comparables entre ambos grupos, lo que sugiere que la herramienta es accesible para no expertos.
• Utilidad (RQ2): Ambos grupos percibieron el flujo de trabajo como altamente útil (Expertos: 95.00, Profanos: 85.00).
• Observaciones: Los profanos enfrentaron una carga cognitiva ligeramente mayor respecto al enlace de elementos en el editor de perfiles de usuario y percibieron la página de configuración como sobrecargada.

Significancia y Reivindicaciones
El artículo afirma ser el primer trabajo que aplica un enfoque de desarrollo dirigido por modelos y de bajo código específicamente a la personalización automática de CA para aplicaciones web. Aborda la brecha entre las capacidades avanzadas de los LLM y la experiencia técnica requerida para implementarlos para diversas necesidades de usuario. Los autores posicionan este trabajo como un intento inicial de democratizar la creación de PCA, permitiendo que partes interesadas no técnicas definan y desplieguen agentes adaptados a restricciones de usuario específicas (por ejemplo, accesibilidad para ancianos o usuarios parapléjicos). El estudio concluye que, si bien el enfoque es prometedor, se necesita trabajo futuro para expandir los tipos de personalización, añadir controles de calidad para la consistencia y realizar estudios de validación a mayor escala.