Cómo entrenar un modelo de IA con tus tickets de soporte para mejorar las preguntas frecuentes (FAQ)

Entrenas un modelo de IA con tus tickets de soporte convirtiéndolos primero en un conjunto de datos limpio de preguntas y respuestas, y luego ajustando (fine-tuning) un modelo transformer preentrenado —como BERT o una variante de T5— utilizando ese conjunto de datos. El proceso funciona mejor cuando etiquetas cada ticket como una pregunta y una respuesta verificada, y generalmente no requiere programación compleja si utilizas una plataforma con una interfaz de ajuste. En la práctica, la mayoría de los equipos exportan los tickets, eliminan los datos personales, crean un archivo JSON de preguntas y respuestas, y luego ejecutan algunas épocas de entrenamiento en un servicio de modelos alojado.

Qué necesitas antes de empezar

Antes de tocar tus tickets, reúne el material necesario y decide el entorno de entrenamiento. Necesitarás:

• Una exportación de tickets de soporte resueltos con marcas de tiempo y respuestas de los agentes.
• Acceso a un editor de texto o un script sencillo para limpiar los datos.
• Una herramienta de etiquetado; las hojas de cálculo funcionan bien para conjuntos de datos pequeños.
• Una cuenta en un servicio de ajuste de modelos (Hugging Face, Azure AI, Google Cloud o una plataforma diseñada para este fin).
• Un pequeño conjunto de prueba de tickets que no utilizarás durante el entrenamiento.

El requisito previo más importante es el volumen. Necesitas al menos unos cientos de tickets claramente resueltos; miles es mejor. Si tienes menos que eso, es posible que un modelo personalizado no supere a una página de FAQ bien redactada.

Paso 1 – Exporta e inventaría tus tickets

Extrae todos los tickets resueltos de tu software de help desk. Busca campos como asunto, descripción inicial, hilo de conversación y la nota de resolución final. Muchas herramientas permiten exportar directamente a CSV o JSON.

Crea una hoja de cálculo sencilla con las columnas: ticket_id, customer_question, agent_answer, category y resolution_status. Si un ticket tiene múltiples intercambios, necesitarás aislar la pregunta original y la respuesta final que lo resolvió.

No te preocupes por la perfección todavía. El objetivo es obtener una lista sin procesar que puedas filtrar y etiquetar.

Paso 2 – Limpia la información de identificación personal (PII) y normaliza el texto

Este paso no es negociable. Elimina nombres, direcciones de correo electrónico, números de teléfono y cualquier ID de cuenta del texto del ticket. Incluso si tu modelo es interno, entrenar con PII crea un riesgo legal y puede filtrar datos confidenciales más adelante.

Usa un script sencillo para buscar y reemplazar patrones comunes. Luego normaliza la ortografía y la puntuación: expande las contracciones (por ejemplo, en inglés "don’t" -> "do not"), corrige errores tipográficos y convierte todo a minúsculas si tu modelo lo requiere.

Elimina los tickets duplicados. Si dos clientes hicieron exactamente la misma pregunta y recibieron la misma respuesta, conserva un ejemplo y márcalo como un par de alta confianza.

Paso 3 – Etiqueta los pares de pregunta-respuesta

Ahora conviertes los tickets limpios en un conjunto de datos supervisado. Para cada ticket, decide qué preguntó realmente el cliente y cuál debería ser la respuesta del agente. A veces la pregunta original está en la línea de asunto; a veces necesitas inferirla del hilo.

Crea un archivo CSV o JSON con dos campos principales: question (pregunta) y answer (respuesta). Opcionalmente, añade un campo category (categoría) para filtrar, como "facturación", "configuración" o "solución de problemas".

Un error común es usar toda la respuesta del agente como la respuesta final. En su lugar, escribe una respuesta concisa que un agente de soporte usaría como plantilla. Si un ticket contiene varias preguntas, divídelo en entradas separadas.

Etiqueta suficientes ejemplos para cubrir los temas más frecuentes en tu cola de tickets. Intenta conseguir al menos 200–300 pares, y más si tienes tiempo.

Paso 4 – Elige un modelo y ajústalo

Tienes dos caminos prácticos. El primero es ajustar un transformer ligero como BERT o RoBERTa para clasificar una pregunta y recuperar la mejor respuesta de tu conjunto de datos. El segundo es ajustar un modelo generativo como T5 o GPT-2 para producir una respuesta directamente.

Para la mayoría de las tareas de relevancia de FAQ, un enfoque basado en recuperación es más sencillo y predecible. Incrustas (embed) tanto las preguntas como las respuestas, y luego entrenas al modelo para que clasifique la respuesta correcta por encima de las incorrectas. Los modelos generativos son mejores para preguntas abiertas, pero más difíciles de controlar.

Si utilizas un servicio alojado, el flujo de trabajo suele ser: subir tu archivo JSON, seleccionar un modelo base, elegir el número de épocas de entrenamiento e iniciar un trabajo. La plataforma se encarga de los cálculos. Si prefieres programar, bibliotecas como Hugging Face Transformers te dan control total.

Mantén tu conjunto de entrenamiento separado de tu conjunto de validación. Usa un 80% para entrenamiento y un 20% para pruebas.

Paso 5 – Evalúa la relevancia de las FAQ

Después del entrenamiento, prueba el modelo con el 20% que reservaste. Para cada pregunta de prueba, observa si el modelo devuelve la respuesta correcta como su sugerencia principal. Mide la precisión en k=1, k=3 y k=5: la fracción de preguntas de prueba donde la respuesta correcta aparece en esos resultados principales.

Realiza un pequeño estudio de usuario con tus agentes de soporte. Pídeles que califiquen la relevancia de las respuestas del modelo en una escala del 1 al 5. Un buen modelo debería obtener una puntuación media superior a 4.0.

Si el modelo falla en ciertos temas, añade más ejemplos etiquetados para esos temas y vuelve a entrenar. Este es el paso que la mayoría de los equipos omiten, y es la razón por la que sus páginas de FAQ siguen pareciendo genéricas.

Paso 6 – Despliega y mantén actualizado

Una vez que el modelo funcione bien, intégralo en la búsqueda de tu centro de ayuda o en tu chatbot. Facilita que los agentes copien la respuesta sugerida en una respuesta de ticket.

Establece un ciclo de retroalimentación: permite que los usuarios voten si la respuesta fue útil. Recopila esos votos y añádelos a tu próximo conjunto de datos de entrenamiento. Vuelve a entrenar cada mes o dos, porque tu producto y las preguntas de los clientes cambian.

También actualiza tus páginas de FAQ con los pares de alta confianza que el modelo detecta. Esto te da el doble beneficio de una mejor IA y un mejor contenido estático para SEO.

Limitaciones y cuándo no aplica este consejo

Entrenar con tickets de soporte no es la solución adecuada para todos los equipos. Si tienes menos de 100 pares utilizables, una FAQ seleccionada manualmente superará a un modelo ajustado. Si tus tickets son caóticos, con largos hilos de correo electrónico y sin una resolución clara, el costo de etiquetado puede superar el beneficio.

El método también asume que tus tickets están en el idioma que deseas atender. Si necesitas FAQ multilingües, necesitas datos paralelos o un modelo con una fuerte capacidad multilingüe, lo cual es más difícil de ajustar.

Finalmente, un modelo entrenado con tickets históricos reflejará problemas pasados, no futuros. No ayudará con una función nueva hasta que los clientes empiecen a preguntar sobre ella y añadas ejemplos nuevos.

Datos clave sobre la generación de FAQ con IA

Los siguientes datos provienen de materiales publicados por SeaText sobre cómo la IA puede mejorar la relevancia de las FAQ. No son afirmaciones sobre tus datos específicos, sino que describen el problema y un enfoque común.

Preguntas frecuentes

¿Qué tipo de modelo funciona mejor para la relevancia de las FAQ?

Para la mayoría de los equipos, un modelo basado en recuperación como BERT ajustado con pares de pregunta-respuesta es un buen comienzo. Devuelve la respuesta más probable de tu contenido existente, lo cual es fácil de verificar. Los modelos generativos son mejores cuando necesitas crear respuestas desde cero, pero son más difíciles de controlar.

¿Cuántos datos necesito?

Necesitas al menos unos cientos de pares de pregunta-respuesta limpios para una base confiable. Con menos datos, verás sobreajuste (overfitting). Si solo tienes una docena de tickets, una FAQ manual es más rápida y segura.

¿Qué pasa si mis tickets no tienen respuestas claras?

Entonces el paso de etiquetado se convierte en un proyecto de contenido, no en un proyecto de datos. Es posible que necesites reescribir las respuestas basándote en tu política o conocimiento del producto antes de poder entrenar. Considera usar solo tickets donde el cliente confirmó explícitamente que la solución funcionó.

¿Puedo usar un servicio en la nube sin escribir código?

Sí. Muchos proveedores te permiten subir un archivo JSON y comenzar el ajuste con unos pocos clics. Aún necesitas preparar un conjunto de datos limpio, pero no escribirás scripts de entrenamiento.

¿Con qué frecuencia debo volver a entrenar?

Vuelve a entrenar siempre que tu producto cambie significativamente o cuando recopiles unos cientos de nuevos pares etiquetados. Una cadencia mensual funciona para la mayoría de los equipos. Vigila la deriva en la redacción de las preguntas.

¿Funciona este método para FAQ multilingües?

Solo si entrenas con datos multilingües. Si tus tickets están en inglés y necesitas respuestas en español, necesitarás traducciones paralelas. Algunos sistemas de recuperación basados en vectores manejan múltiples idiomas sin un ajuste explícito, pero pruébalo.