Amazon Lex: Chatbots con IA Conversacional

Lex es un servicio para crear interfaces conversacionales (chatbots).

Tecnología:

• Mismo motor que Amazon Alexa
• Automatic Speech Recognition (ASR)
• Natural Language Understanding (NLU)

Capacidades:

• Entender intenciones del usuario
• Extraer información (slots)
• Mantener contexto de conversación
• Voz y texto

Casos de uso:

• Bots de servicio al cliente
• Asistentes virtuales
• IVR conversacional
• Automatización de tareas

Ejemplo de interacción:

Usuario: "Quiero reservar un hotel en París para 3 noches"

Lex identifica:
- Intent: ReservarHotel
- Slots:
  - ciudad: París
  - noches: 3
  - fecha: [faltante, pregunta]

Lex: "¿Para qué fecha desea la reserva?"

Intent (Intención):

• Lo que el usuario quiere hacer
• Ejemplo: ReservarVuelo, ConsultarSaldo, CancelarPedido

Utterances (Expresiones):

• Formas en que el usuario puede expresar el intent
• "Quiero reservar un vuelo"
• "Necesito un boleto de avión"
• "Busco vuelos a Madrid"

Slots:

• Información que Lex necesita recopilar
• Ejemplo: ciudad_origen, ciudad_destino, fecha
• Tipos: built-in (fecha, número) o custom

Slot Types:

• AMAZON.City, AMAZON.Date, AMAZON.Number
• Custom: tamaños de pizza, tipos de cuenta

Fulfillment:

• Qué hacer cuando se tiene toda la información
• Llamar a Lambda para procesar
• Devolver respuesta al usuario

Diagrama:

Usuario dice algo
       │
       ▼
  ASR (Speech to Text)
       │
       ▼
  NLU (Entender)
  ├── Identificar Intent
  └── Extraer Slots
       │
       ▼
  ¿Slots completos?
   No │     │ Sí
      ▼     ▼
   Preguntar   Lambda
   por slots   (fulfillment)

Mejoras en Lex V2:

• Múltiples idiomas por bot
• Múltiples intents por turno
• Streaming de audio mejorado
• Mejor manejo de contexto

Multi-language:

• Español, inglés, francés, alemán, italiano...
• Mismo bot, diferentes idiomas
• Localización de respuestas

Contexts (Contextos):

• Mantener información entre intents
• Input context: qué info ya tenemos
• Output context: qué dejamos para siguiente intent

Ejemplo con contexto:

Usuario: "Reservar hotel en Madrid"
Bot: [Recopila info, reserva] "Reservado. ¿Algo más?"
       └── Context: {ciudad: Madrid, fechas: ...}

Usuario: "También quiero un auto"
Bot: Usa contexto de Madrid para la reserva de auto

Conversation flow:

• Visual conversation builder
• Condiciones y ramas
• Respuestas dinámicas

Amazon Connect:

• Contact center con IVR conversacional
• Lex maneja la conversación
• Connect maneja telefonía y agentes

AWS Lambda:

• Lógica de fulfillment
• Validación de datos
• Integración con sistemas backend

Amazon Polly:

• Convierte texto a voz natural
• Múltiples voces y estilos
• Para respuestas de audio

Amazon Kendra:

• Búsqueda inteligente
• FAQ automation
• Respuestas basadas en documentos

Canales de deployment:

• Facebook Messenger
• Slack
• Twilio SMS
• Web (JavaScript SDK)
• Amazon Connect (voz)

Arquitectura típica:

Canal (web, messenger)
       │
       ▼
   Amazon Lex
       │
       ├── Validación (Lambda)
       │
       ├── Fulfillment (Lambda)
       │        │
       │        ▼
       │   Backend/DB
       │
       └── Respuesta
           │
           ▼
       Usuario

Modelo de precios:

• Pago por request de texto o voz
• Sin costos iniciales

Precios (aproximados):

Free Tier (primer año):

• 10,000 requests de texto/mes
• 5,000 requests de voz/mes

Mejores prácticas:

Diseño de conversación:

• Empezar con intents más comunes
• Utterances variadas (10+ por intent)
• Confirmar información crítica
• Manejar "no entendí" gracefully

Slots:

• Usar tipos built-in cuando sea posible
• Validar con Lambda
• Prompts claros para solicitar info

Testing:

• Probar con usuarios reales
• Revisar logs de conversaciones
• Iterar y mejorar utterances

Fallback intent:

• Siempre configurar uno
• Escalación a humano cuando sea necesario
• Recopilar feedback

Bot para pizzería:

Intent: PedirPizza

Utterances:
  - "Quiero ordenar una pizza"
  - "Me gustaría una pizza"
  - "Pizza por favor"
  - "Quisiera pedir una {Tamaño} de {Sabor}"

Slots:
  - Tamaño: pequeña, mediana, grande
  - Sabor: pepperoni, hawaiana, margherita
  - Direccion: AMAZON.StreetAddress

Confirmación: "¿Confirma pizza {Tamaño} de {Sabor} a {Direccion}?"

Fulfillment: Lambda → Crea orden → Responde con tiempo estimado

Intent: ConsultarEstado

Utterances:
  - "¿Dónde está mi pizza?"
  - "Estado de mi pedido"
  - "¿Cuánto falta?"

Slots:
  - NumeroPedido: AMAZON.Number (o extraer de contexto)

Fulfillment: Lambda → Consulta BD → Responde estado

Flujo completo:

Usuario: "Quiero una pizza grande de pepperoni"
Lex: "¿A qué dirección la enviamos?"
Usuario: "Calle Principal 123"
Lex: "¿Confirma pizza grande de pepperoni a Calle Principal 123?"
Usuario: "Sí"
Lambda: Crea pedido #456
Lex: "¡Perfecto! Su pedido #456 llegará en 30 minutos"