PROTOTIPO DE CHATBOT ORIENTADO A LA GESTIÓN 
DE CITAS PARA EL ENTENDIMIENTO DE DATOS 
BRINDADOS POR UN USUARIO. 
 
CAROLINA MARIA LONDOÑO PACHECO 
 
Trabajo de grado para optar al título de  
Ingeniera de Sistemas y Computación 
 
Isis Bonet Cruz 
 Doctora en Ciencias de la Computación 
 
 
UNIVERSIDAD EIA 
INGENIERÍA DE SISTEMAS Y COMPUTACIÓN 
ENVIGADO 
2022 
  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
CONTENIDO 
pág. 
 
1. PRELIMINARES ....................................................................................................... 11 
1.1 Planteamiento del problema .............................................................................. 11 
1.2 Objetivos del proyecto ....................................................................................... 12 
1.2.1 Objetivo General ......................................................................................... 12 
1.2.2 Objetivos Específicos ................................................................................. 12 
1.3 Marco de referencia ........................................................................................... 12 
1.3.1 Antecedentes ............................................................................................. 12 
1.3.2 Marco teórico .............................................................................................. 14 
1.1.1 Inteligencia artificial (IA) .............................................................................. 14 
1.1.2 Machine learning ........................................................................................ 14 
1.1.3 Chatbot ....................................................................................................... 15 
1.1.4 Lenguaje de programación ......................................................................... 16 
1.1.5 Framework ................................................................................................. 16 
2. METODOLOGÍA ....................................................................................................... 17 
3. PRESENTACIÓN Y DISCUSIÓN DE RESULTADOS ............................................... 20 
3.1 Identificación de las falencias y cualidades de los chatbots ............................... 20 
3.2 Estudio de chatbots en el mercado colombiano ................................................. 24 
3.3 Descripción de los requisitos funcionales y no funcionales ................................ 24 
a. Requisitos funcionales .......................................................................................... 24 
b. Requisitos no funcionales ..................................................................................... 25 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.4 Diagramas UML ................................................................................................. 26 
3.5 Análisis del lenguaje de programación, Librerías y dataset a usar ..................... 26 
3.6 Comparativa de chatbots en el mercado versus crear uno propio...................... 27 
3.7 Investigacion y selección del framework para la interfaz de usuario .................. 29 
3.8 Integracion del framework y el modelo .............................................................. 30 
3.9 Pruebas y validaciones al prototipo ................................................................... 34 
4. CONCLUSIONES Y CONSIDERACIONES FINALES .............................................. 36 
5. REFERENCIAS ........................................................................................................ 37 
6. ANEXOS .................................................................................................................. 41 
 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
LISTA DE TABLAS 
 
pág. 
 
Tabla 1 Cuadro comparativo de plataformas para crear chatbots tomada de Kommunicate 
(DEVASHISH MAMGAIN, 2019) ...................................................................................... 16 
Tabla 2 Cuadro comparativo de los chatbots en el mercado. ........................................... 24 
Tabla 3 Tabla de requisitos funcionales del proyecto. ...................................................... 25 
Tabla 4 Tabla de requisitos no funcionales del prototipo .................................................. 25 
Tabla 5 Comparación de lenguajes de programación mediante su uso conocido. (IBM 
Cloud, 2021; Snaplogic, 2020) ......................................................................................... 26 
Tabla 6 Cuadro comparativo de los diferentes frameworks disponibles para Python ....... 29 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
LISTA DE FIGURAS 
Figura 1 Metodologia de KeyReply para la creación de chatbots. (KeyReply, 2019) ........ 17 
Figura 2 Metodología a usar en el desarrollo del prototipo. .............................................. 18 
Figura 3 Descripción de las capas del modelo propio ...................................................... 28 
 
 
 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
LISTA DE ANEXOS 
 
Anexo 1 Encuesta sobre chatbots en el mercado colombiano ......................................... 41 
Anexo 2 Diagrama de casos de uso ................................................................................ 41 
Anexo 3 Diagrama de mapa de proceso .......................................................................... 42 
Anexo 4 Diagrama de estado........................................................................................... 43 
Anexo 5 Codigo del prototipo ........................................................................................... 43 
Anexo 6 Encuesta de satisfaccion y validacion del chatbot .............................................. 43 
 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
GLOSARIO 
 
Requisitos funcionales: Son declaraciones de los servicios que prestará el sistema, en la 
forma en que reaccionará a determinados insumos. 
Requisitos no funcionales: Son las propiedades del sistema: rendimiento, seguridad, 
disponibilidad. 
Repositorio: Almacenamiento virtual de un proyecto. 
Función: Un bloque de código reutilizable que se puede ejecutar muchas veces dentro de 
tu programa. 
Frontend: Es la parte de un sitio web que interactúa con los usuarios, por eso decimos que 
está del lado del cliente. 
Backend: Es la parte que se conecta con la base de datos y el servidor que utiliza dicho 
sitio web. 
API: Son mecanismos que permiten a dos componentes de software comunicarse entre sí 
mediante un conjunto de definiciones y protocolos. 
HTML: Define el significado y la estructura del contenido web. 
CSS: Es un lenguaje que maneja el diseño y presentación de las páginas web, es decir, 
cómo lucen cuando un usuario las visita. 
JavaScript: Es un lenguaje de programación o de secuencias de comandos que te permite 
implementar funciones complejas en páginas web. 
Vista: Función de Python que toma una petición y retorna una respuesta, la cual pueden 
ser una redirección o una actualización de los contenidos HTML. 
Template: Contiene la parte estática del HTML que Django va a utilizar de manera 
dinámica. 
Open Source: El software open source es un código diseñado de manera que sea 
accesible al público: todos pueden ver, modificar y distribuir el código de la forma que 
consideren conveniente. 
Información tomada de:(Atlassian, 2019; AWS, 2022; Bustamante, 2021; Chapaval, 2017; 
Django, 2022; Medium, 2018; Mozilla, 2022b, 2022a; RedHat, 2019; Santos, 2022) 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
RESUMEN  
Hoy en día todos debemos interactuar con diferentes chatbots que nos prestan un servicio, 
sea la consulta de información, la asignación de una cita, respuestas de preguntas 
recurrentes, entre otras. Sin embargo, muchos de estos programas mantienen las mismas 
dificultades desde hace ya varios años, además de que en Colombia estos no suelen ser 
muy completos, debido a esto se realizará un prototipo de chatbot enfocado en la asignación 
de citas que brinde una mejora al entendimiento del lenguaje humano. 
Con el fin de lograr esto, se iniciará por una investigación con respecto a los programas que 
existen actualmente en el mercado, además de una encuesta a diferentes personas sobre 
su interacción con chatbots. Según la información se hará el correcto análisis, comparación 
y finalmente diseño y documentación de los requisitos necesarios del proyecto. De la misma 
manera, se definirá el lenguaje más efectivo para la creación del algoritmo junto con un 
framework que permita generar una interfaz web básica para interactuar con el bot. Una 
vez se hayan completado todos estos procesos, se validará el funcionamiento del prototipo 
y se expondrá a diferentes usuarios para observar su comportamiento. 
Con todo esto lo que se busca es presentar un prototipo de chatbot que utiliza inteligencia 
artificial para el entendimiento del lenguaje humano por medio de las intenciones que 
pueden ser detectadas en el mensaje. 
 
Palabras clave: Chatbot, Inteligencia Artificial, NLP 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
ABSTRACT 
 
Nowadays we all have to interact with different chatbots that provide us with a service, 
whether it is the consultation of information, the assignment of an appointment, answers to 
recurring questions, among others. However, many of these programs maintain the same 
difficulties since several years ago, besides that in Colombia these are usually not very 
complete, because of this a chatbot prototype focused on the assignment of appointments 
that provides an improvement to the understanding of human language will be made. 
In order to achieve this, we will start with an investigation regarding the programs that 
currently exist in the market, in addition to a survey to different people about their interaction 
with chatbots. According to the information, the correct analysis, comparison and finally 
design and documentation of the necessary requirements of the project will be made. In the 
same way, the most effective language for the creation of the algorithm will be defined along 
with a framework that allows to generate a basic web interface to interact with the bot. Once 
all these processes have been completed, the prototype will be validated and exposed to 
different users to observe its behavior. 
With all this, the aim is to present a chatbot prototype that uses artificial intelligence to 
understand human language by means of the intentions that can be detected in the 
message. 
 
Keywords: Chatbot, Artificial Intelligence, NLP 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
INTRODUCCIÓN 
La inteligencia artificial es uno de los campos que más valor agregado aporta a las 
organizaciones, debido a que aumenta la eficiencia en los diferentes procesos que está 
involucrado el usuario, estimula la productividad de sus empleados, mejora la experiencia 
de usuario y disminuye el error. Un ejemplo de esto es Harley Davidson, que aumentó sus 
ventas en 2,930% al implementar una plataforma de marketing con IA (Patel, 2019). Por 
esto, aquellas empresas que no adquieren o manejan este tipo de herramientas son las que 
se están quedando obsoletas en el mercado.  Es por esto que los chatbots son de los 
principales servicios basados en IA que se están empleando en tareas repetitivas y de 
estructura fija, tal como responder preguntas que se vuelven recurrentes, manejo de 
agendas y cronogramas, designar tareas, sistematizar trabajos o asignar citas. 
Por otro lado, a pesar de que hoy en día existen muchos desarrollos a nivel global de robots 
y en específico de chatbots, se siguen manejando muchos errores que, a pesar del paso 
del tiempo y las diferentes investigaciones, no han encontrado una solución absoluta a 
estos. Todos estos fallos se encuentran divididos en dos categorías. La primera categoría 
abarca los descritos por los usuarios, que tratan temas como la cantidad de respuestas 
“inútiles” o “basura” que da el programa, junto con su incapacidad muchas veces de cumplir 
su trabajo, dejando a los usuarios sin respuesta, enviándolos a el apartado de respuestas 
a preguntas frecuentes (Garcia, 2018). En la otra categoría tenemos los expresados por los 
desarrolladores o conocedores del tema, quienes hacen referencia a la incompetencia del 
bot a la hora de comprender y procesar el lenguaje humano, junto con sus diferentes 
sutilezas, las cuales cambian en función de la región o lugar del mundo (Tsai, 2018). 
En este documento se explicará más a fondo este problema, se plantearán los objetivos 
para dar una posible solución a la problemática, se desarrollara un marco teórico en el cual 
contempla todos los componentes de los objetivos, se explicara la metodología a seguir y 
se presentarán los resultados de dicha metodología aplicada al proyecto. Y por último se 
presentarán las conclusiones y recomendaciones que se tienen para proyectos futuros.  
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
1. PRELIMINARES 
1.1 PLANTEAMIENTO DEL PROBLEMA 
El primer chatbot llamado “ELIZA” fue desarrollado durante 1964 por Joseph Weizenbaum, 
tratándose de un programa basado en algoritmos capaces de entender y catalogar textos, 
evidenciando la facilidad de una máquina para entender las bases del lenguaje humano 
(Cerdas Mendez, 2017). Desde ese momento se inició toda una rama dentro de la 
Inteligencia Artificial (IA) enfocada en bots capaces de reconocer contenido específico en 
todo tipo de escritos, imágenes, videos y en general, cualquier clase de información. Con 
la rápida proliferación de aplicativos web y posteriormente móviles, no se tardó en 
implementar bots como herramientas para obtener información de los usuarios, puesto que 
pasó a ser un desarrollo característico, dada la innovación y tecnología que traía, adicional 
a su valor agregado, ya que simulaba la interacción humana mediante conversaciones 
(Feng, 2018). A pesar de todas las características y funcionalidades que tenía, no se logró 
el impacto esperado, ya que las fallas de entendimiento por parte de las máquinas se 
volvieron constantes y recurrentes. Uno de los mayores problemas se dio por la falta de 
entrenamiento y variedad de vocabulario, por tanto, si el mensaje que se enviaba a la IA no 
tenía la palabra clave con la que había sido desarrollada, era incapaz de comprender la 
tarea que debía realizar (Hirschberg & Manning, 2015). 
Actualmente, uno de los ámbitos en los que más se emplea este sistema es dentro de la 
gestión de citas, ya sea para un hospital, un banco, un consultorio y demás instituciones 
prestadoras de servicio.  Con este tipo de servicio se logra una atención las 24 horas del 
día sin incurrir en un costo extra, atender de manera simultánea a diferentes personas. 
Además, el almacenamiento de la información y demás tareas de las que se encarga la IA 
son casi instantáneas (Dilmegani, 2021b), por lo que constantemente están en desarrollo 
todo tipo de mejoras que permitan aumentar la experiencia de usuario, así como la 
recolección de la información. En Colombia, según la revista Portafolio, el uso de chatbots 
han aumentado mucho, influenciado por la popularidad de estos programas y a raíz de la 
situación sanitaria del momento. Por ejemplo, el uso del chatbot de Tigo aumentó un 380% 
entre febrero y junio de (Portafolio, 2020). 
Debido al poco desarrollo de la tecnología del Natural Language Processing (NLP), los 
usuarios deben realizar múltiples intentos para que el chatbot comprenda directamente el 
mensaje (BotSide, 2017). Adicional a esto, se tiene una alta dependencia de fuentes 
externas, ya que esta IA al no poder implementar modelos de machine learning, no permite 
alimentarse de intentos que se realizaron anteriormente (Dilmegani, 2021a). A fin de 
comprender el mensaje se requiere investigar algunos términos, dificultando la adaptación 
de esta tecnología al entorno humano, debido a las múltiples jergas existentes (Alpana, 
2017). 
En consecuencia, a la alta fama que han ganado todos estos desarrollos relacionados a la 
inteligencia artificial, buscando simular el lenguaje y la interacción humana, y con base a 
que aún se mantienen muchos de los errores que había en el pasado, ¿sería posible 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
mejorar la calidad de conversación del chatbot utilizando técnicas de inteligencia artificial y 
diccionarios adaptados a un mercado específico? 
1.2 OBJETIVOS DEL PROYECTO 
1.2.1 Objetivo General 
Desarrollar un prototipo de chatbot utilizando principios de la inteligencia artificial y 
procesamiento del lenguaje natural, para atender a los clientes de forma efectiva e 
inteligente en la gestión de citas. 
1.2.2 Objetivos Específicos 
 
1. Identificar los sistemas de chatbot que se utilizan para la gestión de citas y las 
problemáticas que presentan durante su funcionamiento. 
2. Definir los requerimientos funcionales y no funcionales del proyecto a partir de 
las problemáticas identificadas, mediante diagramas de casos de uso, mapa de 
procesos y diagramas de estados. 
3. Desarrollar un algoritmo mediante los principios de la inteligencia artificial y NLP, 
que sea capaz de interactuar fluidamente en una conversación.  
4. Implementar mediante un framework web una interfaz de usuario para la 
interacción con el chatbot y la administración del sitio. 
5. Validar el funcionamiento del prototipo de chatbot mediante aplicación de 
escenarios de pruebas. 
1.3 MARCO DE REFERENCIA 
1.3.1 Antecedentes 
Como se comentó previamente, aunque los chatbots han sido un desarrollo antiguo, apenas 
ahora es que han tenido un gran auge. El cambio sólo fue en los métodos de 
implementación, inicialmente funcionaban mediante reglas predefinidas y lógica 
condicional, ahora utilizan algoritmos de machine learning. Este cambio trajo consigo una 
mejora sustancial en su funcionamiento, lo que se puede ver reflejado en los siguientes 
estudios:  
● Diseño e implementación de XiaoIce, un chatbot social empático, publicado 
en la revista Computational Linguistics (Zhou et al., 2020), en este se buscó 
ir más allá de resolver alguna tarea estructurada, enfocándose en que este 
tuviera la capacidad de comprender las necesidades de comunicación, 
afecto, conexión y demás sentimientos emocionales con la otra persona, 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
dando así un salto de las capacidades que se conocían de estos programas 
de computadora. Esto se desarrolló mediante la unificación de algunas 
características de la inteligencia cognitiva y emocional, como lo es la 
memoria, empatía, conocimiento, razonamiento y predicción. 
● Retos de programación de los chatbot: Perspectiva actual y futura, avance 
mencionado en la quinta conferencia de la IEEE del 2017 de la región 10, 
enfocada en la tecnología humanitaria (Rahman et al., 2018). Aquí se 
mencionó que el NLP sigue siendo el mayor reto de empresas 
multinacionales con sus propios chatbots como Facebook con wit.ai y Google 
con api.ai. Además, se deben generar programas de machine learning lo 
suficientemente eficientes para acertar en las respuestas dadas por esta 
máquina. Adicionalmente se mencionó que, al incluir esta tecnología en los 
negocios, se aumenta la efectividad del mismo, puesto que mejora la 
experiencia de usuario sin costos adicionales; pero, teniendo en cuenta que 
al hacer un desarrollo de estos se debe considerar la escalabilidad y 
flexibilidad de este. 
● Al Planning Assistant for Scheduling Daily Activities (Ahuja, 2018), esta 
investigación desarrolló un asistente para la gestión de una agenda personal, 
donde su eficiencia fue del 30%, ya que se necesitaba de mucho 
entrenamiento para extraer la información de manera correcta, y se 
recomienda utilizar un amplio dataset para mejorar el NLP. 
Al mismo tiempo se tienen diversos antecedentes aplicativos, como: 
● ChatCompose, el cual tiene integración con páginas web y aplicaciones como 
Facebook, Telegram y WordPress. Adicionalmente, maneja casos de uso de 
soporte de cliente, sección de preguntas frecuentes, eCommerce, gestión de 
citas y demás. A pesar de ser una aplicación muy completa la sección de 
asignación de citas y reservas fue creada bajo respuestas predeterminadas de 
selección, lo que no permite tener la sensación de una comunicación natural y 
humana (ChatCompose, 2019). 
● Bold360, creado por LogMeIn, el cual se enfoca en la atención al cliente a partir 
de conversaciones fluidas totalmente personalizadas, que pueden ser del bot o 
de un humano; es un desarrollo multilingüe, lo que permite su expansión y 
aplicación a diversas culturas. Sin embargo, este software no está orientado a la 
gestión de citas, sino a la respuesta de solicitudes generales de los usuarios, lo 
cual pierde mucho valor agregado, ya que una solicitud de cita no quedaría 
automatizada por completo y requeriría de otro proceso adicional que debe hacer 
el usuario. Así mismo, se pudo identificar que la característica multilingüe no es 
más que la traducción de los mensajes a inglés, el cual es su idioma oficial, lo 
que no permite la mejora en los otros idiomas y la posible comprensión de 
palabras poco estructuradas o conocidas en el medio, por tanto, no se tendría 
un machine learning para las otras lenguas, manejando así el inglés una ventaja 
superior frente a los otros idiomas, algo que siempre ha sucedido a lo largo de 
la historia (LogMeIn Inc, 2021). 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
Por último, sólo algunas de las grandes empresas en Colombia como, Sura, Bancolombia 
y Protección, emplean la tecnología Watson de IBM, la cual crea chatbots cognitivos, donde 
las respuestas no son predeterminadas, es decir, no se basan en patrones y palabras clave 
para construir su respuesta, la cual resuelve parte de la problemática, al mejorar la 
experiencia de usuario y una atención un poco más personalizada (Mejía Llano, 2018). 
 
1.3.2 Marco teórico 
1.1.1 Inteligencia artificial (IA) 
La inteligencia artificial hace parte de las ciencias de la computación. Puede verse como la 
capacidad aplicada en diversos sistemas informáticos, donde se requiere de un 
procesamiento y análisis de datos tal como lo hace la inteligencia humana, para de esta 
manera poder tomar decisiones, para luego realimentar su conocimiento con este análisis 
y datos arrojados en el proceso anterior (Rouhiainen, 2018). 
 
● Natural Language Processing (NLP) 
El procesamiento del lenguaje natural permite a los computadores entender el lenguaje 
humano, bien sea de manera verbal o escrita. Este procesamiento toma los datos no 
estructurados dados por el cliente y los convierte en datos estructurados, que le permiten 
reconocer entidades e identificar patrones, empleando métodos como la tokenización y 
examinación de la forma raíz de las palabras (IBM, 2020). 
Dentro de este mecanismo existen los siguientes subconjuntos: 
⇒ Natural Language Generation (NLG) 
La generación del lenguaje natural es la herramienta que permite a las máquinas escribir, 
produciendo respuestas de texto simuladas a la humana, partiendo de los datos que se le 
configuraron al inicio de su desarrollo (IBM, 2020). 
⇒ Natural Language Understanding (NLU) 
El entendimiento del lenguaje natural emplea la sintaxis y semántica del lenguaje humano 
para el análisis de texto, partiendo de una sentencia humana; también establece la 
ontología de las palabras, donde se le da una definición a una palabra dependiendo del 
contexto en el cual se esté (IBM, 2020). 
 
1.1.2 Machine learning 
Vertiente de la informática la cual permite que los ordenadores puedan aprender sin estar 
configurados para esto, dando como resultado sugerencias o predicciones de una situación. 
Estas reglas de comportamiento siguen tres tipos de aprendizaje:  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
- Supervisado, proporcionando muestras con rasgos objetivos definidos para el 
entrenamiento del algoritmo. 
- No supervisado, en este se proporcionan datos no etiquetados y busca los patrones 
entre estos para poder agruparlos. 
- Reforzado, el cual aprende por medio de objetivos restringidos por reglas, donde al 
validar con las restricciones implantadas, en caso de acertar recibe una recompensa 
y en caso contrario obtiene un castigo, manejando así una motivación para que 
trabaje de la mejor manera que pueda y aprenda de sus propios errores. 
Adicional a esto es una rama de la IA, aunque no en todos los desarrollos IA se aplica 
(Rouhiainen, 2018). 
● Redes neuronales 
Son modelos computacionales que simulan las neuronas biológicas, las cuales aprenden a 
tomar decisiones con el tiempo, donde se tiene una capa (conjunto de neuronas artificiales) 
de entrada, varias ocultas y una de salida, con la suposición de que las entradas son 
independientes entre sí. De esta forma, la entrada recibe los datos del programa, junto con 
el resultado deseado, las capas ocultas se encargan de procesar y analizar dicha 
información para entregar cuál sería el proceso para obtener dicho resultado y la capa de 
salida muestra la solución realizada por el programa; a partir de este último se calcula el 
error y realiza las correcciones necesarias para minimizar dicho error (Matich, 2001). 
● Deep learning 
Subcampo del machine learning que emplea las redes neuronales en capas para solucionar 
problemas complejos y con gran cantidad de datos. Empleado para el procesamiento de 
imágenes, voz y texto, actualmente empleado en los coches autónomos, siendo su principal 
componente. A diferencia de un algoritmo de machine learning normal, este no se estanca 
con el crecimiento de los datos (Adam, 2020). 
 
1.1.3 Chatbot 
Programa que simula la respuesta humana a solicitudes realizadas por una persona 
mediante una conversación. Son usados comúnmente en servicio al cliente y marketing 
(Techopedia, 2021).  
● Chatbot simples 
Tipo de chatbot que trabaja bajo comandos y reglas previamente preparadas. Por lo cual si 
la solicitud se sale del conocimiento previo no podrá entenderla y repetirá su mensaje (Peris, 
2021). 
● Chatbot inteligentes 
Son aquellos chatbots que emplean diversas ramas como, deep learning y NLP a alto nivel, 
donde realiza abstracción de datos para mejorar el entendimiento del contexto para 
personalizar la respuesta dependiendo del usuario (Oracle, 2020). 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
 
 Dialogflow Amazon LEX IBM Watson 
Canales Texto y Voz Texto y Voz Texto y Voz 
Integraciones Google Assitant SMS Slack 
Slack Slack Facebook 
Viber Facebook Messenger Messenger 
Facebook Messenger Kik Wordpress 
Twitter Twilo Custom API 
Twilo 
Custom API 
Integraciones Integración básica web Interfaz de chat básico Interfaz de chat 
web y móvil para websites básico para 
websites 
Idiomas 20+ 6 10+ 
*Solo inglés para el 
canal de voz 
Costo $0,007 por solicitud $0.00075 por solicitud $140 por mes 
Tabla 1 Cuadro comparativo de plataformas para crear chatbots tomada de Kommunicate 
(DEVASHISH MAMGAIN, 2019) 
 
1.1.4 Lenguaje de programación 
Se encuentra compuesto de una serie de caracteres, palabras y sentencias (sintaxis), las 
cuales componen un conjunto de instrucciones que se encuentran preestablecidas 
(semántica) y permiten la creación y desarrollo de algoritmos, que posteriormente se 
convierten en programas que buscan ejecutar cierta tarea, con el fin de automatizar y 
facilitar los procesos en la vida humana mediante la implementación dentro de los múltiples 
dispositivos electrónicos (López, 2020). 
● Librería 
Conjunto de recursos, como algoritmos y funcionalidades, que provienen de manera 
externa, es decir, fueron programados anteriormente por algún usuario con el fin de dar 
solución a determinado proceso de manera general y que puede ser explotado de manera 
libre en un ámbito similar con sus respectivas adaptaciones (Zorita, 2016). 
 
1.1.5 Framework 
Herramienta y entorno de trabajo que permite unificar y ejecutar de manera estandarizada 
diversos módulos integrados con librerías, funcionalidades y demás componentes de 
diferentes aplicaciones que se ejecutan en el desarrollo. Por su parte permite obtener una 
mayor versatilidad del programa, por la integración que se maneja, así como su 
escalabilidad (Tébar, 2020). 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
2. METODOLOGÍA  
Para el desarrollo de la investigación se tomó como referente la metodología planteada por 
la compañía KeyReply (KeyReply, 2019) sobre la construcción de chatbots con inteligencia 
artificial. 
 
 
Figura 1 Metodologia de KeyReply para la creación de chatbots. (KeyReply, 2019) 
De la anterior metodología se reduce a una metodología más corta dado que es un producto 
que no se va a lanzar al mercado por lo cual llega solamente a la etapa de pruebas, así 
este producto no requiere la planeación del lanzamiento del producto ni monitoreo. En la 
Figura 2 Metodología a usar en el desarrollo del prototipo.podemos observar la metodología 
a usar para la creación de este prototipo y posteriormente la explicación de cada etapa. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
 
Figura 2 Metodología a usar en el desarrollo del prototipo. 
 
1. Valoración del negocio: La problemática principal a tratar es el proceso de gestión de 
citas, el cual es un ámbito bastante amplio, dado que se presenta en hospitales, bancos, 
consultorios y demás instituciones prestadoras de servicio. El objetivo principal del 
presente proyecto es desarrollar un chatbot mediante los principios de la Inteligencia 
Artificial y el procesamiento del lenguaje natural, para atender a los clientes 
eficazmente, reduciendo los tiempos de espera y mejorando la experiencia del usuario. 
Inicialmente se tomaron los precios actuales para implementar esta tecnología, 
mediante diferentes prestadores de servicio como DialogFlow e IBM Watson, los cuales 
fueron catalogados por PeerSpot como las mejores plataformas para desarrollar 
chatbots en el 2021, a su vez se analizó el crecimiento anual de este mercado para 
determinar la entrada a este o no. 
Pasando al área de software se consultó mediante una encuesta a diferentes usuarios 
que utilizan estos chatbots en su cotidianidad, que mejorarían de los chatbot, buscando 
así recolectar requisitos para la estructuración del desarrollo. 
 
2. Recopilación y procesamiento de datos: Para el funcionamiento de esta tecnología 
se deben emplear datasets que permitan guiar el entrenamiento del chabot, por lo cual 
es necesario construir una colección de datos con frases y palabras claves relacionadas 
con el negocio; para esto se tomaron transcripciones de call centers especializados en 
atención al cliente, donde programan y cancelan citas.  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
A su vez, se partió de un dataset de clasificación que se encuentra disponible en la 
página de Kaggle, de las intenciones del usuario, el cual fue realizado por Elvin 
Aghammadzada, científico de datos (Aghammadzada, 2021). 
Finalmente, estos datos permitirán la construcción del modelo inicial de machine 
learning, donde el chatbot irá aprendiendo con cada una de las interacciones de los 
usuarios y se retroalimentará. 
3. Creación de base de datos de las respuestas: En vista que el machine learning 
requiere de una alimentación y un mejoramiento constante es necesario almacenar las 
respuestas del chatbot, donde se tienen en cuenta las frases y palabras claves 
brindadas por el usuario. Estas respuestas buscan obtener los datos necesarios para la 
generación de las citas, dado que se va a realizar una integración con la API de Google 
Calendar para la visualización y gestión de todos los eventos, es decir, creación, 
eliminación, modificación o sustitución de las citas generadas por el chatbot. 
4. Procesamiento del lenguaje natural y desarrollo del modelo de machine learning: 
Para el procesamiento del lenguaje natural se crean diferentes modelos de machine 
learning, donde se tomó como base el modelo presentado por Amila Viraj(Viraj, 2020), 
este modelo busca crear un chatbot mediante Deep learning. 
Se replicó el modelo de Viraj, entrenándolo con los datos generados en el punto anterior 
buscando medir el porcentaje de precisión y el porcentaje de falla de este, donde luego 
se analizó los resultados, buscando que este valor de precisión fuera mayor a 0.9 y 
menor a 1; de no ser así se cambia la cantidad de capas o parámetros internos de las 
capas. Posteriormente se filtran los modelos que generan mayor porcentaje de precisión 
y menor falla, buscando así obtener la mejor opción para implementarlo y trabajar con 
el más asertivo al interpretar las intenciones de los usuarios. 
5. Pruebas: En esta etapa se busca probar el entendimiento y asertividad del modelo de 
machine learning, esto a través de la retroalimentación que se obtendrá de una amplia 
variedad de usuarios mediante una encuesta después de realizar una prueba piloto del 
chatbot creado. 
Para esto se contarán con 10 usuarios, el cual sería el muestreo mínimo para validar 
los diferentes casos de uso descritos en el aplicativo. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3. PRESENTACIÓN Y DISCUSIÓN DE RESULTADOS 
3.1 IDENTIFICACIÓN DE LAS FALENCIAS Y CUALIDADES DE LOS 
CHATBOTS 
 
Luego de aplicar la encuesta se obtuvieron 33 respuestas, estas con el fin de analizar el 
público que se busca impactar y conocer parte de las cualidades y falencias que se 
presentan a la hora de emplear estas herramientas tecnológicas.  
  
Se inició con un sondeo respecto al uso de los chatbots, donde el 91% de los 
encuestados indicó que, si los ha usado, lo que permite identificar que los encuestados 
que realmente pueden hablar desde la experiencia.  
  
Luego se buscó profundizar respecto a la frecuencia de uso de esta herramienta, donde 
casi la mitad respondió que lo usa de manera escasa y seguido de esto está el uso 
mensual. Identificando un uso bajo de estos aplicativos que poco a poco han sido más 
comunes y útiles para diferentes empresas.  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
  
Tal como se mencionó en el marco teórico se manejan dos tipos de chatbot, el 
conversacional y el tipo menú, donde cerca del 52% emplea chatbots conversacionales, 
siendo este el caso de mayor relevancia, puesto que este sería el tipo de bot que se 
busca desarrollar.  
  
Para el análisis que se realizará, se evaluarán las cualidades y falencias de los chatbots 
más empleados por los encuestados, los cuales según los resultados son Bancolombia 
con un 30.3% y sura con un 27.3%  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
  
Analizando la calidad percibida, el 45.2% de la muestra considera una solución deficiente, 
siendo calificaciones menores o iguales a 3.  
  
Uno de los mayores inconvenientes manifestados es la cantidad de veces que se debe 
indicar la instrucción a un chatbot para poder obtener la respuesta adecuada, donde solo 
29.1% de las veces el chatbot entiende con 2 o menos intentos.  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
  
Finalmente, la cercanía del chatbot tiende a ser muy baja, donde el 87% de las personas 
consideran que no se alcanza a sentir similar con una conversación humana.   
  
  
En vista de todos los datos y análisis realizados se deben priorizar algunos aspectos para 
el desarrollo para mejorar este tipo de herramientas, entre esos estaría la cercanía del 
bot, la familiaridad con múltiples indicaciones y evitar así la necesidad de repetir las 
instrucciones.  
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.2 ESTUDIO DE CHATBOTS EN EL MERCADO COLOMBIANO 
Chatbot Bancolombia Sura eps 
Tipo de chatbot Conversacional Conversacional 
Plataforma IBM WATSON IBM WATSON 
Propósito Asesor sobre las transacciones Aumentar el nivel del 
o consultas sobre servicios servicio y atención a los 
bancarios. usuarios para agendar 
citas   
Tabla 2 Cuadro comparativo de los chatbots en el mercado. 
3.3 DESCRIPCIÓN DE LOS REQUISITOS FUNCIONALES Y NO 
FUNCIONALES 
A. REQUISITOS FUNCIONALES 
Código Clasificación  Descripción 
CBF-CI-001 Estable Información brindada por el 
chatbot para comenzar una 
Conversación inicial conversación con el usuario 
● Presentación 
personal  
● Pregunta de qué 
servicio desea 
CBF-AC-001 Estable En este momento de la 
conversación el chatbot le 
Agendar cita pedirá al usuario datos para 
realizar la agenda de la cita. 
Los cuales son: 
● Nombre 
● Número de 
identificación  
● Correo electrónico 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
● Celular 
● Fecha de la cita 
● Hora de la cita 
CBF-MC-001 Estable Se le solicita al usuario su 
número de identificación 
Modificar cita para buscar las citas 
asignadas a él. Adicional se 
le preguntará la nueva fecha 
y hora de la cita 
CBF-CC-001 Estable Se le solicita al usuario su 
número de identificación 
Cancelar cita para buscar las citas 
asignadas a él. Si se tienen 
varias citas asignadas se le 
pedirá fecha y hora 
específica. 
CBF-VC-001 Estable Se le solicita al usuario su 
número de identificación 
Consultar cita para buscar las citas 
asignadas a él y se le 
mostraran sus citas. 
CBF-PP-001 Volátil- Compatibilidad Página principal que 
funcionara para el uso del 
Página principal chatbot de manera web 
Tabla 3 Tabla de requisitos funcionales del proyecto. 
B. REQUISITOS NO FUNCIONALES 
Código Clasificación Descripción  
CBNF-001 Estable Confidencialidad a la hora 
del tratamiento de datos de 
los usuarios 
CBNF-002 Volátil - emergente El idioma del chatbot será 
español 
Tabla 4 Tabla de requisitos no funcionales del prototipo 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.4 DIAGRAMAS UML 
Se realizaron los siguientes diagramas para entender ciertos aspectos. 
En el Anexo 2 Diagrama de casos de uso se encuentra el diagrama de casos de uso el cual 
nos indica cómo son los escenarios para entender cómo es útil el desarrollo. 
El Anexo 3 Diagrama de mapa de proceso es el mapa de procesos el cual describe como 
es el flujo de nuestro chatbot al interactuar con los usuarios. 
Y por último el Anexo 4 Diagrama de estado es un diagrama de estados, este nos ilustra en 
cómo se comporta nuestro desarrollo por medio de acciones que trascienden a otros 
estados.f 
3.5 ANÁLISIS DEL LENGUAJE DE PROGRAMACIÓN, 
LIBRERÍAS Y DATASET A USAR 
 
Lenguaje de Python Java R 
programación 
Creador Guido van Rossum James Gosling Ross Ihaka, Robert 
Gentleman 
Uso conocido Machine learning y Aplicaciones web Análisis 
Deep learning estadístico, 
visualización y 
reporte de datos 
Tabla 5 Comparación de lenguajes de programación mediante su uso conocido. (IBM 
Cloud, 2021; Snaplogic, 2020) 
Después de analizar la información se decide que el lenguaje a utilizar será Python ya que 
presenta ventajas como fueron descritas en el cuadro superior. Adicional a esto las librerías 
a usar son: tensorflow, numpy, colorama, sklearn, json, pickle y datetime, estas librerías 
ayudaran con el procesamiento de datos, la creación del modelo de machine learning, y 
para la conexión con la API de Google calendar que se utilizara para la gestión con el 
calendario. 
El dataset de intenciones fue creado a partir de transcripciones de llamadas a call centers 
de servicio al cliente, de las cuales se seleccionaron las intenciones de saludo, solicitud de 
cita, cancelación de cita, y otras interacciones que se dan en un chat. 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.6 COMPARATIVA DE CHATBOTS EN EL MERCADO VERSUS CREAR UNO 
PROPIO 
Se realizó la creación de 2 chatbots del mercado (Diagflow y IBM Watson) para ver la 
dificultad y nivel de personalización que tenían cada uno versus crear un modelo de red 
neuronal propio. 
Diagflow 
En la plataforma de Google para la creación de chatbots de Diagflow, se tienen diferentes 
componentes: 
-Entidades: Datos que se desean obtener del usuario, adicional aquí configuramos las 
preguntas necesarias para la obtención de estos datos 
-Intenciones: Frases de entrenamiento las cuales los usuarios pueden decir para cumplir 
con la función del chatbot. 
-Contexto: Es la información que se encuentra entre intentos para lograr una conversación 
más fluida. 
-Cumplimiento: Es la validación de datos de lo que requerimos para cumplir con el 
funcionamiento del chatbot 
A partir de estos componentes podemos crear un chatbot para cumplir una función 
determinada (Gomez, 2021). En nuestro caso de creación de citas, esta herramienta tiene 
un ejemplo de creación de citas para una peluquería podríamos basarnos en esta para el 
ejercicio requerido, adicional de que cuenta con integración directa a Google calendar. Su 
documentación es muy completa lo cual facilita su seguimiento y creación. No se selecciona 
esta plataforma dado el alto costo y requiere mucho trabajo manual para el aprendizaje del 
agente.  
IBM Watson Assistant  
IBM Watson es la plataforma en la cual IBM nos presenta su creador de chatbots, la cual 
cuenta con los siguientes componentes: 
-Acciones: Problema o tarea que un usuario quiere resolver. 
-Pasos: Interacciones que se dan entre los usuarios y el asistente. Estos pueden ser 
entendidos como preguntas de clarificación, opciones de respuesta o respuestas finales, 
en la cuales se almacena aquellas variables que tomamos de las respuestas del usuario. 
Esta plataforma está diseñada para ser utilizada por grandes corporaciones, pero tiene 
restricciones a la hora de hablar de infraestructura e incluir diferentes plataformas o 
softwares por lo cual sus integraciones son complicadas. (discover.bot, 2019) 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
Modelo propio 
Se generan varios modelos propios con la ayuda de la librería de Python de Tensorflow el 
cual permite crear redes neuronales especificando como se requieren las capas internas 
de la red. El modelo generado que obtuvo mayor rendimiento fue un modelo el cual tiene 
capas de los siguientes tipos: 
-Embedding: Se utiliza para incrustar datos de múltiples dimensiones en un vector de 
dimensiones más pequeñas. 
-GlobalAvaragePooling1D: Esta capa nos aplana las entradas en un vector de una sola 
dimensión.  
-Dense: Capas donde las neuronas se encuentran conectadas profundamente, es decir 
cada neurona recibe una entrada de todas las neuronas de la capa anterior. (TensorFlow, 
2019) Se le especifica la cantidad de neuronas que va a contener dicha capa. Donde 
podemos observar en la Figura 3 Descripción de las capas del modelo propio que se 
utilizaron tres capas, dos con 16 neuronas y una con 8. 
 
Figura 3 Descripción de las capas del modelo propio 
A partir de las tres formas de crear un chatbot que encontramos en este punto nos iremos 
por crear un modelo propio ya que no genera costos, esta planteado para empresas 
pequeñas y la libertad de integración con el framework que deseemos en el futuro. 
Adicional tiene un alto nivel de personalización para el problema que se le pueda llegar a 
plantear en el futuro dado que podríamos entrenarlo de nuevo con las nuevas intenciones 
que necesite el negocio. Adicionalmente podemos conectar este modelo con la API de 
Google Calendar la cual tiene un buen precio por petición y es una aplicación de Google 
la cual es intuitiva y solo requiere una cuenta para ser usado y ver los eventos generados 
por el chatbot. 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.7 INVESTIGACION Y SELECCIÓN DEL FRAMEWORK PARA LA INTERFAZ 
DE USUARIO 
Dado que se seleccionó el lenguaje Python para el desarrollo del modelo del chatbot se 
realiza la investigación de cuales son los frameworks más populares para dicho lenguaje 
de programación. 
 
Framework Características 
• Es el más popular 
Django 
• Gran comunidad  
• Cuenta con mucha documentación 
• Potente 
• Personalizable 
Pyramid 
• Desarrollo de aplicaciones web grandes 
• Variedad en la documentación 
• Micro-framework 
Flask 
• Orientado a proyectos API Rest 
• Ágil 
• Funciona con Modelo- Vista -Controlador 
Web2py 
• Genera HTML a partir del código 
Tabla 6 Cuadro comparativo de los diferentes frameworks disponibles para Python 
Basado en lo anterior, se selecciona el framework Django dado que cuenta con más 
documentación y se ajusta más a las necesidades del proyecto las cuales recaen en realizar 
una interfaz grafica web potente para su conexión con el backend, es decir, nuestro modelo 
de inteligencia artificial. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.8 INTEGRACION DEL FRAMEWORK Y EL MODELO  
Se creo un proyecto nuevo de Django con el comando de:  django-admin startproject 
ChatBot. La cual nos genera la siguiente carpeta y su contenido: 
 
En esta carpeta se modificaron dos archivos en específico: urls.py para crear la url del 
frontend y el portal administrativo, y setting.py para dar permiso a los hosts donde se va a 
ver la aplicación web.  
 
Adicional se crea el archivo manage.py el cual nos permite iniciar la aplicación. Por medio 
del comando python manage.py runserver . 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
Despues de esto utilizaremos el comando python manage.py startapp chatbot el cual crea 
otro directorio en donde se encuentran los modelos y las vistas.  
 
Creamos una vista de tipo formulario dado que debe de aceptar entradas y se manejan por 
medio de peticiones http , los cuales corresponden a la interfaz grafica del chatbot. Este a 
su vez utiliza un template que es el frontend que vamos a utilizar. 
 
 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
Como observamos en la vista llama a una función que se llama chat, la cual es nuestra 
función principal del chatbot. Todo lo que se desarrollo del modelo y la creación de citas se 
encuentra contenido en una carpeta llamada functions y así podemos utilizarla como un 
modulo más de nuestro proyecto. Para que el chatbot funciones debemos de instalar las 
librerías que se mencionan anteriormente donde creamos nuestro proyecto de Django. 
 
Finalmente tenemos una carpeta static que son nuestros archivos que se encuentran 
estáticos todo el tiempo y se utilizan a través de la aplicación como lo es el css y el archivo 
JavaScript el cual realiza el manejo de las peticiones http de comunicación entre el chatbot 
y el usuario. 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
Con todo esto configurado, iniciamos el proyecto y obtenemos esta interfaz grafica la cual 
nos conecta el frontend realizado en Django y el backend que es el chatbot. Todo el código 
del prototipo se encuentra en el Anexo 5 Codigo del prototipo el cual es un enlace a un 
repositorio. 
 
 
Como observamos en la imagen es una pagina web que contiene el chat que se genera 
cuando conversamos con nuestro bot y queremos agendar una cita. Este bot a su vez llama 
internamente a la función de generar evento en Google calendar con la fecha y hora 
especificada en el mensaje del usuario. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
3.9 PRUEBAS Y VALIDACIONES AL PROTOTIPO  
Se encuesto a 10 personas que hicieron parte de la encuesta original sobre los chatbots 
que se encuentran actualmente en el mercado colombiano. Se pregunto si nivel de 
satisfacción frente al prototipo de chatbot refiriéndose tanto al funcionamiento como a 
cumplir los requisitos planteados anteriormente. Al ver los resultados hay un nivel de 
satisfacción alto con el 70% mayor o igual a una puntuación de 4, pero con una puntuación 
que puede indicar que hay cosas por mejorar. 
 
El nivel de repetición para que el chatbot entendiera la intención o necesidad del usuario se 
encuentra en el promedio comparándolo con los chatbots de agendamiento de citas que se 
consultó anteriormente, Bancolombia y Sura principalmente. Teniendo un 54,6% menor o 
igual a repetir 3 veces el mensaje para ser entendido. 
  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
El chatbot cae sobre la puntuación media (3), con un 81,8% de las respuestas en este valor, 
frente a qué tan humanas son sus respuestas, dándose a entender que la conversación no 
logra ser tan real comparándola con una persona contesta un chat de servicio al cliente. Sin 
embargo, es mejor esta conversación un poco inhumana a un chatbot de tipo menú.  
 
 
Algunas de las falencias descritas por estos usuarios que probaron el prototipo se centran en la 
repetición, la cual fue comparable con chatbots de empresas establecidas creadas con IBM 
Watson Assistant y el uso de palabras coloquiales o regionales para las solicitudes de los usuarios 
las cuales pueden llegar a confundir la intención que detecta el chatbot. 
En general los usuarios encontraron un buen producto mínimo viable, con una buena respuesta a 
peticiones y agradable a la vista. Se cumplen con todos los requisitos funcionales y no funcionales 
del prototipo, y se generan los eventos correctamente en el calendario de Google para la gestión 
correcta de citas. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
4. CONCLUSIONES Y CONSIDERACIONES FINALES 
El crear un modelo de machine learning, comparable de cierta forma con empresas grandes 
que tienen ramas dedicadas únicamente al procesamiento del lenguaje natural y a los 
servicios repetitivos que pueden ser reemplazados por una inteligencia artificial, muestra 
que el uso de las herramientas open source que existen pueden lograr grandes cosas. El 
desarrollo de toda la aplicación del chatbot dio frutos en cuanto al aprendizaje sobre 
inteligencia artificial y desarrollo web en un framework muy popular, lo cual genera 
experiencia para el futuro y el crecimiento personal de quien asuma el reto de realizarlo. 
Las recomendaciones para posteriores proyectos recaen principalmente en realizar una 
exhaustiva investigación sobre las tecnologias emergentes y que existe en el mercado para 
encontrar las herramientas o programas que pueden facilitar el desarrollo de un modelo de 
machine learning orientado a el entendimiento del lenguaje natural. También es necesario 
crear diferentes modelos con diferentes tipos de capas, para así realizar comparaciones de 
los modelos que se están creando dado que las redes neuronales son cajas negras, 
podemos definir sus capas, pero no el cómo se comportan sus capas, en el caso de este 
proyecto un modelo más sencillo fue más útil para el problema planteado. 
 
 
 
 
 
 
 
 
 
 
 
 
 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
5. REFERENCIAS 
Adam, I. (2020). An Introduction to AI, updated. KDnuggets. 
https://www.kdnuggets.com/2020/10/introduction-ai-updated.html 
Ahuja, P. (2018). Al Planning Assistant for Scheduling Daily Activities. In Theses and 
Dissertations. 
Alpana. (2017). Challenges with Chatbots — not just technical . ChatbotsLife. 
https://chatbotslife.com/challenges-with-chatbots-not-just-technical-ecb39612422f 
BotSide. (2017). 3 Major problems with chatbots and chatbot development | by BotSide | 
Medium. https://medium.com/@botsideapp/3-major-problems-with-chatbots-and-
chatbot-development-503d84e176aa 
Cerdas Mendez, D. (2017, September 26). Evolución de los Chatbots. Historia de los 
Chatbots y Asistentes… | by Daniel Cerdas Mendez | Planeta Chatbot : todo sobre los 
Chat bots, Voice apps e Inteligencia Artificial. https://planetachatbot.com/evolución-de-
los-chatbots-48ff7d670201 
ChatCompose. (2019). ChatCompose - Plataforma de ChatBots para marketing y soporte. 
https://www.chatcompose.com/es.html 
Dilmegani, C. (2021a, January 3). Why natural languages are hard & why chatbots still fail 
in 2021. AIMultiple. https://research.aimultiple.com/why-chatbots-fail/ 
Dilmegani, C. (2021b, January 12). Top 12 Benefits of Chatbots in 2021: The Ultimate 
Guide. https://research.aimultiple.com/chatbot-benefits/ 
Feng, D. (2018). Chatbot 101: Why Conversational Bots Are The Future of Ecommerce. Big 
Commerce. https://www.bigcommerce.com/blog/chatbots/#chatbots-now-and-in-our-
future 
Garcia, K. (2018, August 29). Customer Service Seekers Prefer Bypassing Humans - Insider 
Intelligence Trends, Forecasts & Statistics. EMarketer. 
https://www.emarketer.com/content/customer-service-seekers-prefer-bypassing-
humans 
Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 
349(6245), 261–266. https://doi.org/10.1126/science.aaa8685 
IBM. (2020). NLP vs. NLU vs. NLG: the differences between three natural language 
processing concepts - Watson Blog. https://www.ibm.com/blogs/watson/2020/11/nlp-
vs-nlu-vs-nlg-the-differences-between-three-natural-language-processing-concepts/ 
Aghammadzada, E. (2021). Chatbots: Intent Recognition Dataset | Kaggle. 
https://www.kaggle.com/datasets/elvinagammed/chatbots-intent-recognition-dataset 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
DEVASHISH MAMGAIN. (2019, May). Dialogflow vs Lex vs Watson vs Wit vs Azure Bot | 
What to Choose? https://www.kommunicate.io/blog/dialogflow-vs-lex-vs-watson-vs-
wit-vs-azure-bot/ 
Viraj, A. (2020). How To Build Your Own Chatbot Using Deep Learning. 
https://towardsdatascience.com/how-to-build-your-own-chatbot-using-deep-learning-
bb41f970e281 
KeyReply. (2019, November). A Technical Guide for Building AI Chatbots - KeyReply. 
https://keyreply.com/blog/build-ai-chatbots/ 
LogMeIn Inc. (2021). Bold360. https://www.bold360.com/es 
López, M. (2020, July 16). Qué es un lenguaje de programación | OpenWebinars. 
https://openwebinars.net/blog/que-es-un-lenguaje-de-programacion/ 
Matich, D. J. (2001). Cátedra: Informática Aplicada a la Ingeniería de Procesos-Orientación 
I Redes Neuronales: Conceptos Básicos y Aplicaciones. 
Mejía Llano, J. C. (2018, April 2). Chatbots Cognitivos e Inteligencia Artificial: Sura, 
Bancolombia y Protección casos de éxito en Colombia - Marketing Digital, Social Media 
y Transformación Digital | Juan Carlos Mejía Llano. 
https://www.juancmejia.com/marketing-digital/chatbots-cognitivos-e-inteligencia-
artificial-sura-bancolombia-y-proteccion-casos-de-exito-en-colombia/ 
Oracle. (2020). Qué es un chatbot . https://www.oracle.com/co/chatbots/what-is-a-chatbot/ 
Patel, K. (2019, March 4). Know How Artificial Intelligence Is Adding Value To Businesses. 
YourStory. https://yourstory.com/mystory/know-how-artificial-intelligence-is-adding-
value-t-a7umzl4fop 
Peris, R. (2021). Chatbot: ¿Qué es, para qué sirve y cómo funcionan? -. Bloo Media. 
https://bloo.media/blog/por-que-implementar-chatbot-en-tu-estrategia-de-marketing/ 
Portafolio. (2020, August 5). Interacciones con chatbots aumentaron 380% | Tendencias | 
Portafolio. https://www.portafolio.co/tendencias/interacciones-con-chatbots-
aumentaron-380-543397#article-544036 
Rahman, A. M., Al Mamun, A., & Islam, A. (2018). Programming challenges of chatbot: 
Current and future prospective. 5th IEEE Region 10 Humanitarian Technology 
Conference 2017, R10-HTC 2017, 2018-Janua, 75–78. https://doi.org/10.1109/R10-
HTC.2017.8288910 
Rouhiainen, L. (2018). INTELIGENCIA ARTIFICIAL 101 COSAS QUE DEBES SABER HOY 
SOBRE NUESTRO FUTURO INTELIGENCIA ARTIFICIAL. alienta editorial. 
Tébar, E. (2020, February 13). Los mejores frameworks webs para tu negocio online | WAM. 
Frameworks En El Desarrollo Web: Las Mejores Prácticas Para Tu Negocio Online. 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
https://www.wearemarketing.com/es/blog/frameworks-en-el-desarrollo-web-las-
mejores-practicas-para-tu-negocio-online.html 
Techopedia. (2021). What is a Chatbot? 
https://www.techopedia.com/definition/16366/chatterbot 
Tsai, P. (2018, April 2). Data snapshot: AI Chatbots and Intelligent Assistants in the 
Workplace - Spiceworks. SpiceWorks. https://community.spiceworks.com/blog/2964-
data-snapshot-ai-chatbots-and-intelligent-assistants-in-the-workplace 
Zhou, L., Gao, J., Li, D., & Shum, H.-Y. (2020). The Design and Implementation of XiaoIce, 
an Empathetic Social                    Chatbot. Computational Linguistics, 46(1), 53–93. 
https://doi.org/10.1162/coli_a_00368 
Zorita, A. (2016). Librería informática, ¿De qué se trata? . https://bytecode.es/que-es-una-
libreria-informatica/ 
discover.bot. (2019). Building Bots With IBM Watson Assistant - discover.bot. 
https://discover.bot/bot-talk/guide-to-bot-buiding-frameworks/ibm-watson/ 
Gomez, A. (2021, June 15). Dialogflow | Cómo crear un chatbot con DialogFlow | Guía 
práctica. https://tech.tribalyte.eu/blog-crear-un-bot-conversacional-con-dialogflow 
IBM Cloud. (2021). Python vs. R: What’s the Difference? | IBM. 
https://www.ibm.com/cloud/blog/python-vs-r 
snaplogic. (2020). Python vs. Java Performance. 
https://www.snaplogic.com/glossary/python-vs-java-performance 
TensorFlow. (2019). All symbols in TensorFlow 2  |  TensorFlow v2.10.0. 
https://www.tensorflow.org/api_docs/python/tf/all_symbols 
Atlassian. (2019). Configuración de un repositorio | Atlassian Git Tutorial. 
https://www.atlassian.com/es/git/tutorials/setting-up-a-repository 
AWS. (2022). ¿Qué es una API? - Guía sobre las API para principiantes - AWS. 
https://aws.amazon.com/es/what-is/api/ 
Bustamante, S. (2021). Guía de funciones de Python con ejemplos. 
https://www.freecodecamp.org/espanol/news/guia-de-funciones-de-python-con-
ejemplos/ 
Chapaval, N. (2017). Qué es Frontend y Backend, diferencias y características - Platzi. 
https://platzi.com/blog/que-es-frontend-y-backend/ 
Django. (2022). Django documentation | Django documentation | Django. 
https://docs.djangoproject.com/en/4.1/ 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
KeyReply. (2019, November). A Technical Guide for Building AI Chatbots - KeyReply. 
https://keyreply.com/blog/build-ai-chatbots/ 
Medium. (2018). Requerimientos Funcionales y No Funcionales, ejemplos y tips | by 
Requeridos Blog | Medium. https://medium.com/@requeridosblog/requerimientos-
funcionales-y-no-funcionales-ejemplos-y-tips-aa31cb59b22a 
Mozilla. (2022a). HTML: Lenguaje de etiquetas de hipertexto | MDN. 
https://developer.mozilla.org/es/docs/Web/HTML 
Mozilla. (2022b). ¿Qué es JavaScript? - Aprende sobre desarrollo web | MDN. 
https://developer.mozilla.org/es/docs/Learn/JavaScript/First_steps/What_is_JavaScri
pt 
RedHat. (2019). ¿Qué es el open source? https://www.redhat.com/es/topics/open-
source/what-is-open-source 
Santos, D. (2022). Introducción al CSS: qué es, para qué sirve y otras 10 preguntas 
frecuentes. https://blog.hubspot.es/website/que-es-css 
  
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
6. ANEXOS 
• Encuesta que se realizó sobre los chatbots que se encuentran en el mercado 
colombiano. 
https://forms.gle/RvntMueLePyjKa3J6 
Anexo 1 Encuesta sobre chatbots en el mercado colombiano 
 
• Diagrama de casos de uso 
 
Anexo 2 Diagrama de casos de uso 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
https://app.diagrams.net/?page-id=3sTezaUWGL-B0X1q1mkj&hide-
pages=1#G19yus2ZbOZp59t4A5d3jShCuStXMoRfcq 
• Mapa de procesos 
 
Anexo 3 Diagrama de mapa de proceso 
https://app.diagrams.net/?page-id=QZKu-QMykSO1xK6dKbJf&hide-
pages=1#G19yus2ZbOZp59t4A5d3jShCuStXMoRfcq 
 
• Diagrama de estado 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA. 
 
 
Anexo 4 Diagrama de estado 
https://app.diagrams.net/?page-id=QZKu-QMykSO1xK6dKbJf&page-
id=W1rbpM9exayKAfIWtPKv&hide-pages=1#G19yus2ZbOZp59t4A5d3jShCuStXMoRfcq 
 
• Código en un repositorio de github del chatbot 
https://github.com/clondonop/ChatBot 
Anexo 5 Codigo del prototipo 
 
• Encuesta de satisfacción y validación del chatbot 
https://forms.gle/ccWgkMWFPjzXRwzd8 
Anexo 6 Encuesta de satisfaccion y validacion del chatbot 
La información presentada en este documento es de exclusiva responsabilidad de los autores y no 
compromete a la EIA.