Summarization

Summarization evaluation

Para evaluar resúmenes, la pregunta es qué puede usar de verdad la siguiente persona. Un texto fluido que omite un acuerdo o inventa una gestión no terminó bien el ritual. (ㆆ_ㆆ)

Resumen de conversaciones con IA Generativa

La funcionalidad de resumen de conversaciones utiliza un modelo de lenguaje grande (LLM), ya sea pre-entrenado por Google o uno propio, para generar resúmenes automáticos a partir de conversaciones de voz o texto. Esta herramienta ayuda a los agentes a comprender rápidamente el contexto y los puntos clave de una interacción, mejorando la eficiencia y la calidad del servicio.

Los beneficios clave de esta función son:

Comprensión rápida: Permite a los agentes entender de inmediato lo que el cliente necesita y el historial de la conversación.
Sugerencias automáticas: El sistema sugiere resúmenes en tiempo real, lo que agiliza el trabajo del agente.

La función ofrece estas secciones predefinidas para seleccionar/configurar; no asumir que todas salen por defecto:

Situation: Describe la necesidad o el problema del cliente.
Action: Detalla las acciones que el agente tomó para ayudar.
Resolution: Muestra el resultado de la interacción (ej. yes, no, partial, n/a).
Customer Satisfaction: Clasifica a partir de lo expresado en la transcripción. En la guía consultada: D para insatisfacción explícita y N para neutral/satisfecho o sin insatisfacción explícita. No equivale a una encuesta CSAT.
Reason for cancelation: Captura el motivo si el cliente solicitó una cancelación (o n/a si no fue así).
Entities: Extrae pares de clave-valor de las entidades mencionadas en la conversación (ej. product_name: "smartphone").

Para mantener la calidad, los resúmenes de baja calidad pueden ser eliminados. La carga de transcripciones para el análisis es sencilla y requiere una carpeta específica dentro de un bucket en Google Cloud Storage.

Personalización de resúmenes

Más allá de las secciones predefinidas, puedes personalizar el resumen para adaptarlo a las necesidades de tu negocio. Para esto, el LLM utiliza toda la conversación y las secciones que tú definas como parte de un "prompt de texto" que guía al modelo en la tarea de resumen.

Cada sección personalizada requiere dos componentes:

Nombre de sección: Un título descriptivo para la nueva sección (ej. Información del producto).
Definición: Una descripción clara que le dice al modelo qué información debe extraer y cómo debe presentarla (ej. "Resume los detalles técnicos del producto que se discutieron en la llamada").

Puedes utilizar el generador de pruebas en la consola de Google Cloud para experimentar y refinar tus definiciones antes de implementarlas.

Evaluación del rendimiento del resumidor

Para garantizar que los resúmenes sean precisos y útiles, es importante evaluarlos. Las buenas prácticas para crear definiciones de sección efectivas incluyen:

Ser específico: Describe claramente el contexto, el formato, el estilo y la terminología que debe usar el resumen. Por ejemplo, "Resume en tiempo verbal pasado".
Uso de énfasis: Usa mayúsculas para dar énfasis a palabras clave en la definición del prompt (ej. "SOLO incluye el modelo del dispositivo").
Razonamiento guiado: Guía al modelo paso a paso para que siga un proceso lógico.
Añadir ejemplos: Incluir entre 5 y 10 ejemplos de buena calidad ayuda al modelo a entender la tarea deseada.

La evaluación del rendimiento se basa en métricas como:

Situation: ¿Qué necesita el cliente?
Action: ¿Qué realizó el agente para ayudar al cliente?
Resolution: Resultado de la interacción
Satisfacción del cliente
Razón de cancelación: Si es que aplica y cuál es el motivo (N/A si no aplica)
Entidades: Se evalúa si las entidades extraídas son precisas y si están completas.

Además podemos medir valores como Situation y Action con métricas numéricas.

Precisión (Accuracy): ¿Qué tan exacto es el resumen en relación con la conversación real?
Integridad (Completeness): ¿El resumen incluye toda la información relevante sin omisiones?

Es fundamental proteger la Información de Identificación Personal (PII) durante todo el proceso de evaluación. Los valores de evaluación pueden ser tanto numéricos como descriptivos (satisfied, partially, yes, etc.).

Configuración del resumen para audio

La configuración para el resumen de grabaciones de voz se realiza típicamente en un entorno como Jupyter Notebooks, donde se establecen varios parámetros esenciales:

Parámetros principales:

PROJECT_NAME: El nombre de tu proyecto en Google Cloud.
GCS_BUCKET_URI: La ruta base de tu bucket en Google Cloud Storage (ej. gs://tu-bucket-nombre).
TRANSCRIPTS_INPUT_FOLDER_PREFIX: Carpeta donde se encuentran las transcripciones.
AUDIO_FILE_INPUT_FOLDER_PREFIX: Carpeta que contiene los archivos de audio.
SUMMARIZATION_OUTPUT_FOLDER_PREFIX: Carpeta donde se guardarán los resúmenes generados.
CONV_PROFILE_ID: El ID del perfil de conversación para correlacionar correctamente los datos.
NUM_CHANNELS: El número de canales de audio (1 para mono, 2 para estéreo).
LANGUAGE_CODE: El idioma del audio, por ejemplo, en-US o es-ES.
MODEL: El tipo de modelo de reconocimiento de voz a usar, como latest_long para conversaciones generales, phone_call para llamadas telefónicas, default o medical_conversation para contextos médicos.

Configuraciones avanzadas:

SAMPLE_RATE_HZ: La frecuencia de muestreo del audio, desde 8kHz hasta 48kHz.
ENCODING: El formato del archivo de audio, incluyendo códecs sin pérdida (FLAC, LINEAR16) o con pérdida (MP3, OGG_OPUS).
MIN_SPEAKER_COUNT y MAX_SPEAKER_COUNT: El número mínimo y máximo de hablantes que se espera en el audio.
DLP (Data Loss Prevention): Configuración para enmascarar o proteger la información sensible.

Resumen general

El servicio de Google Cloud para el resumen de conversaciones utiliza un LLM para generar automáticamente resúmenes estructurados a partir de interacciones de voz o texto. Permite tanto el uso de secciones predefinidas como la creación de secciones personalizadas para adaptarse a necesidades específicas. Para su configuración, se utilizan parámetros clave en un entorno de desarrollo como Jupyter, y su eficacia se evalúa con métricas como la precisión y la integridad. Esta funcionalidad busca optimizar el trabajo del agente al ofrecerle información clave de forma rápida y concisa.

Importante:

aquí están los notebooks para los labs de summarization

Véase también

06 Model Evaluation — Rúbrica de evaluación de resúmenes.

Navegación del módulo

Anterior: 02 Config
Siguiente: 04 Sentiment analysis

Contraste: secciones personalizadas. Los nombres de variables, modelos STT, formatos y frecuencias pertenecen al notebook elegido; no son un esquema único de la API. Cinco a diez ejemplos y uso de mayúsculas son heurísticas a evaluar, no garantías de precisión.

+----------------------------------------+
| Floure &                               |
| Tachibana's guild                      |
| [Hikari · Nozomi · Iona]               |
| SEAL: sha256/12: 39a1b9f7a473          |
| STATUS: LITURGY_IN_PROGRESS            |
+----------------------------------------+