Skip to content

fedeandresg/proyecto_slack_bot

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 

History

11 Commits
 
 
 
 
 
 
 
 
 
 

Repository files navigation

Logo

DATA SCIENCE - PROYECTO FINAL

Desarrollo Bot de Inteligencia Artificial

Para este proyecto se trabajó en conjunto con la startup Holocruxe ante la necesidad de crear el primer motor de Inteligencia Artificial para la misma. Luego de varios intentos y deliberaciones se concluyó que un buen MVP sería la construcción de un Bot de IA que pudiese integrarse a diversas plataformas con las que el usuario interactúa día a día.

Logo

Contexto

Se plantea la necesidad de crear un bot que mediante el uso de IA, permita mejorar y aumentar la productividad de los usuarios que utilizan la plataforma Slack. El bot debe poder ofrecer recomendaciones y/o sugerencias para mejorar la agenda del usuario en cuanto a sus tareas y/o actividades diarias.

Logo

Logo

Dataset

Debido a que el trabajo en cuestión requiere de datos reales de usuarios activos, para las pruebas del bot y el entrenamiento del modelo de Machine Learning, se optó por trabajar con datos sintéticos creados mediante la librería Faker de Python.

Funcionamiento

HOLOBOT es un bot de slack que recopila datos en base a las respuestas a formularios que brinda el usuario. Su interfaz gráfica es similar a la de un formulario con botones de opción, donde el usuario puede elegir entre 2 ó más respuestas preestablecidas.

Los datos son recolectados a través de 2 formularios:

  • Un formulario que se completa al inicio de la jornada, el cual pregunta acerca de las tareas que se desarrollarán en el día. La intención es conocer si el usuario tiene agenda planeada o no para el día;

Logo

  • Un formulario que se completa al finalizar la jornada acerca de las actividades que se desarrollaron en la misma. La intención es conocer cómo el usuario ha desarrollado sus tareas durante el día y si ha cumplido los propósitos que tenía.

Logo

Logo

Finalmente el HOLOBOT aplica IA para indicar si el usuario estuvo por encima o por debajo de la estimación de productividad para el día (variable objetivo definida en el modelo de Machine Learning).

Stack tecnológico

Para el proyecto se decidieron utilizar las siguientes tecnologías:

  • Python: desarrollo y programación del bot, integración del bot con slack, integración del bot con MongoDB y almacenamiento del modelo de machine learning;
  • Slack: plataforma de interacción donde el usuario carga las respuestas a formularios y donde recibe las recomendaciones;
  • MongoDB: gestor de base de datos para almacenar las respuestas a los formularios que posteriormente serán utilizados para el modelo de machine learning y dashboard interactivo;
  • Tensorflow: librería de machine learning utilizada para crear un modelo de regresión lineal y predecir la productividad del usuario en función de las respuestas;
  • Power BI: plataforma para crear un dashboard interactivo sobre las respuestas del usuario que le será entregado semanalmente;
  • Amazon Web Services: entorno cloud para el deployment y puesta en producción (próximamente).

Logo

Desarrollo del bot

El bot se programó y desarrolló integramente en lenguaje Python. Se pueden visualizar los códigos realizados en el siguiente archivo

MongoDB

Los datos son recolectados y almacenados en MongoDb en la base de datos holobot_databse a través de 2 colecciones:

  • Las respuestas a los formularios de inicio de jornada son almacenadas en una colección de MongoDb denominada initial_questions como un documento por cada día y usuario.
  • Las respuestas a los formularios de cierre de jornada son almacenadas en una colección de MongoDb denominada final_questions como un documento por cada día y usuario.

Logo

Modelo de Machine Learning

Para el modelo de Machine Learning se utilizó un dataset con registros sintéticos el cual permitió el entrenamiento del modelo. Para el mismo se utilizó la librería de Python denominada Tensorflow con un modelo de Regresión Lineal. El modelo consistió en predecir para cada usuario y por cada día, en función a los datos ingresados respecto a su agenda, la productividad de la variable conocida como productividad_hoy, de modo de poder constatar con la estimación subjetiva de cada usuario al final de la jornada. Para el entrenamiento se utilizó un 70% de los datos y para la evaluación un 30%. En esta etapa, el modelo no presenta grandes resultados en cuanto a métricas de evaluación pero se espera que las mismas mejoren a medida que el bot comience a recibir respuestas de usuarios reales y a reentrenarse en consecuencia.

Se pueden visualizar los códigos realizados en el siguiente archivo

Dashboard de Power BI

Se diseñó un Dashboard de Power BI que será alimentado con los datos provenientes de las colecciones de MongoDB y que a su vez le será entregado semanalmente al usuario a los efectos de brindar datos y descripciones sobre las áreas con las que se ha reunido, calificación de los descansos, evolución de la productividad, entre otras. De esta manera se combina la parte descriptiva del proyecto con la parte de machine learning desarrollada.

Logo

Deployment

Para el deploy del proyecto, se ha planificado el uso de AWS. En esta primer etapa no se ha efectuado el deployment, y el trabajo se ha orientado a entregar un MVP para la evaluación y consideración de la puesta en producción.

Futuras líneas

En una próxima versión, es deseable que el HOLOBOT se integre con otras aplicaciones como puede ser Google Calendar, Whatsapp, Telegram y otras que le permitan al usuario mejorar e interactuar de una forma más eficiente con su entorno y su agenda.

Logo