Cómo entrenar modelos de IA para cobranza en español neutro

Entrenar modelos de IA para cobranza en español presenta desafíos únicos: 21 países hispanohablantes con dialectos marcadamente diferentes, variaciones culturales en comunicación financiera, y necesidad de compliance regulatorio por región.

El concepto de "español neutro" busca un balance: suficientemente genérico para funcionar en múltiples países, pero lo suficientemente natural para no sonar robótico.

Fundamentos: Componentes del Modelo de IA para Cobranza

Un voice agent de cobranza requiere 5 modelos de IA trabajando coordinadamente:

1. Speech-to-Text (STT) - Transcripción

Función: Convertir audio de deudor en texto.

Desafíos en español:

• Variación fonética: "s" final desaparece en Caribe ("¿cómo está?" → "¿cómo etá?")

• Velocidad de habla: Español dominicano 18% más rápido que español mexicano

• Ruido ambiental: Deudores en mercados, calles, transporte público

• Acentos regionales: "ll" en Argentina ("llamada" suena "shamada")

Modelos base disponibles:

• Whisper (OpenAI): Multilingüe, buen punto de partida, requiere fine-tuning

• Wav2Vec 2.0: Modelo de Facebook, código abierto, customizable

• Google Speech-to-Text: API comercial con soporte español, 20+ dialectos

2. Natural Language Understanding (NLU) - Comprensión

Función: Entender intención y extraer entidades del texto.

Intenciones típicas en cobranza:

• intent_pagar_ahora: "Sí, voy a pagar", "Déjame hacerlo ahora"

• intent_pagar_despues: "La próxima semana", "Cuando cobre"

• intent_problema_flujo: "No he vendido", "Esta semana estuvo floja"

• intent_disputa: "Eso no es correcto", "Ya pagué eso"

• intent_solicitar_humano: "Quiero hablar con una persona", "Dame con un supervisor"

• intent_rechazar: "No puedo pagar", "No tengo dinero"

Entidades a extraer:

• fecha: "mañana", "el 15", "el viernes", "la próxima semana"

• monto: "200 pesos", "la mitad", "todo"

• motivo: "no he vendido", "me enfermé", "perdí el trabajo"

Modelos base:

• BERT multilingual: 104 idiomas, funciona para español

• BETO: BERT entrenado específicamente en español (UBA/UNAM)

• RoBERTa español: Modelo más robusto, mejores resultados

3. Dialogue Management - Gestión de Conversación

Función: Decidir qué decir siguiente según contexto.

Flujo típico:

1. Identificación: "Buenos días [Nombre], habla [Agente] de [Banco]..."

2. Motivo: "Te llamo porque tu cuota está vencida desde [Fecha]"

3. Pregunta abierta: "¿Qué pasó? ¿Pudiste hacer el pago?"

4. Escucha y clasifica intención

5. Respuesta contextual: Ofrece solución según intención detectada

6. Cierre: Confirma compromiso o escala a humano

Frameworks:

• Rasa: Código abierto, muy customizable

• Dialogflow (Google): Managed service, fácil de usar

• Desarrollos custom: State machines con GPT-4 o Claude

4. Sentiment Analysis - Análisis de Emoción

Función: Detectar frustración, enojo, confusión en tiempo real.

Por qué es crítico: Permite escalar a humano ANTES de que deudor se moleste y genere queja.

Emociones a detectar:

• Neutral/Positivo: Continuar con IA

• Confusión: Simplificar explicación, repetir opciones

• Frustración leve: Ofrecer hablar con humano

• Frustración alta/Enojo: Transferir inmediatamente a humano

Modelos:

• Pysentimiento: Modelo pre-entrenado en español de América Latina

• BERT sentiment: Fine-tuned en datasets de atención al cliente

• Análisis acústico: Tono de voz, velocidad, volumen (complementa texto)

5. Text-to-Speech (TTS) - Síntesis de Voz

Función: Convertir texto generado en audio natural.

Requisitos:

• Naturalidad: No sonar robótico (WaveNet, Tacotron 2)

• Prosodia: Entonación apropiada para preguntas vs afirmaciones

• Velocidad adaptable: Más lento para adultos mayores

• Voces por género: Masculina y femenina

Opciones comerciales:

• Google Cloud TTS: Voces WaveNet de alta calidad

• Amazon Polly: Neural voices, varios acentos español

• Microsoft Azure Speech: Voces neuronales personalizables

Dataset de Entrenamiento: La Base de Todo

Qué Datos Necesitas

1. Transcripciones de llamadas reales (Gold Standard)

Volumen mínimo: 5,000-10,000 llamadas transcritas y etiquetadas

Qué etiquetar:

• Intención de cada turno de deudor

• Entidades mencionadas (fechas, montos)

• Sentimiento (neutral, positivo, frustrado, enojado)

• Resultado final (PTP, pago, rechazo, escalamiento)

Ejemplo de transcripción etiquetada:

{
"speaker": "customer",
"text": "Mira, es que esta semana no he vendido nada, ¿me puedes dar hasta el viernes?",
"intent": "intent_pagar_despues",
"entities": {
"fecha": "viernes",
"motivo": "no he vendido"
},
"sentiment": "neutral",
"next_action": "ofrecer_plan_pago"
}

Costo de etiquetado: $0.50-$2.00 por llamada (servicios como Scale AI, Labelbox)

2. Corpus de español neutro LATAM

Necesitas textos representativos de cómo hablan tus deudores:

• Redes sociales: Twitter/X de países objetivo (lenguaje informal)

• Transcripciones de servicio al cliente: Bancos, telecom

• Corpus académicos: CORPES XXI (Real Academia Española)

3. Variaciones dialectales por país

Necesitas ejemplos de cómo la MISMA intención se expresa diferente:

Recolección: Crowdsourcing en cada país objetivo (plataformas como Amazon MTurk, Toloka)

Aumento de Datos (Data Augmentation)

Si tienes un dataset pequeño, puedes ampliarlo con estas técnicas:

Back-translation:

1. Traduce español → inglés (Google Translate)

2. Traduce inglés → español

Parafraseo con LLM:

Prompt a GPT-4: "Genera 10 formas diferentes de decir 'no puedo pagar ahora' en español mexicano informal"

Output:

• "Ahorita no se puede"

• "En este momento no traigo"

• "Ando corto, no puedo"

• "No me alcanza ahorita"

• ...

Sinónimos y variaciones:

• "dinero" → "plata", "lana", "guita", "billete"

• "pagar" → "abonar", "cancelar", "saldar"

• "hoy" → "ahorita", "ya", "en este momento"

Fine-Tuning: Proceso Paso a Paso

Paso 1: Entrenar STT (Speech-to-Text)

Modelo base: Whisper Large v3 (mejor para español según benchmarks)

Fine-tuning con Common Voice:

1. Descarga dataset Common Voice español (Mozilla, gratuito)

2. Filtra por países LATAM (México, Colombia, Argentina, etc.)

3. Añade tus grabaciones de cobranza (5,000+ horas idealmente)

4. Fine-tune con Hugging Face Transformers:

from transformers import WhisperForConditionalGeneration, Seq2SeqTrainer

model = WhisperForConditionalGeneration.from_pretrained("openai/whisper-large-v3")

# Configuración de entrenamiento
training_args = Seq2SeqTrainingArguments(
output_dir="./whisper-cobranza-latam",
per_device_train_batch_size=16,
learning_rate=1e-5,
num_train_epochs=3,
fp16=True, # Mixed precision para velocidad
)

trainer = Seq2SeqTrainer(
model=model,
args=training_args,
train_dataset=train_dataset,
eval_dataset=eval_dataset,
)

trainer.train()

Evaluación: Medir WER (Word Error Rate) por dialecto.

Paso 2: Entrenar NLU (Intent + Entities)

Modelo base: BETO (BERT español) o RoBERTa-base-spanish

Arquitectura:

• Intent classification: Capa clasificadora multi-clase (15-20 intents)

• Entity extraction: NER (Named Entity Recognition) con BIO tagging

Código ejemplo (Hugging Face):

from transformers import AutoModelForSequenceClassification, Trainer

# Cargar BETO
model = AutoModelForSequenceClassification.from_pretrained(
"dccuchile/bert-base-spanish-wwm-cased",
num_labels=18 # Número de intents
)

# Dataset etiquetado
train_texts = [
"No puedo pagar ahorita",
"Dame hasta el viernes",
"Ya pagué eso",
...
]

train_labels = [7, 3, 12, ...] # IDs de intents

# Fine-tuning
trainer = Trainer(
model=model,
train_dataset=encoded_dataset,
eval_dataset=eval_dataset,
)

trainer.train()

Paso 3: Entrenar Sentiment Analysis

Dataset recomendado: Combinar:

• TASS (Twitter): 68,000 tweets en español etiquetados por sentimiento

• Tu dataset de llamadas: Etiqueta frustración/neutral/positivo

• Datasets de reviews: Amazon, TripAdvisor en español

Fine-tune Pysentimiento:

from pysentimiento import create_analyzer
from pysentimiento.preprocessing import preprocess_tweet

# Pysentimiento viene pre-entrenado, pero puedes fine-tunear
analyzer = create_analyzer(task="sentiment", lang="es")

# Para cobranza, añade categoría "frustrado"
# (Requiere re-entrenar con tus datos etiquetados)

Paso 4: Configurar Dialogue Management

Opción 1: Rule-based con GPT-4 (Híbrido recomendado)

Usa reglas para flujo principal + GPT-4 para respuestas naturales:

# Pseudo-código
def handle_intent_pagar_despues(entities, context):
fecha = entities.get('fecha')

if fecha:
# GPT-4 genera respuesta natural
prompt = f"""Eres un agente de cobranza empático.
El cliente dijo que pagará el {fecha}.
Confirma la fecha y pregunta el monto de forma amable.
Usa español neutro latinoamericano."""

response = gpt4_call(prompt)
return response
else:
# Pide fecha específica
return "¿Qué día específicamente podrías pagar?"

Ventaja: Flexibilidad de GPT-4 + control de flujo con reglas

Opción 2: Rasa (Full control)

# domain.yml
intents:
- intent_pagar_despues
- intent_pagar_ahora
- intent_disputa

responses:
utter_confirmar_fecha:
- text: "Perfecto, entonces confirmamos pago el {fecha}. ¿Es correcto?"
utter_pedir_fecha:
- text: "¿Qué día podrías hacer el pago?"

# stories.yml
stories:
- story: cliente promete pagar
steps:
- intent: intent_pagar_despues
entities:
- fecha: "viernes"
- action: utter_confirmar_fecha
- intent: affirm
- action: action_registrar_ptp

Español Neutro: Estrategias de Balance

Qué Incluir en Español Neutro

Vocabulario universal:

• Usar: dinero, pagar, cuota, banco, préstamo

• Evitar: Regionalismos extremos ("guita", "lana", "vaina")

Conjugación estándar:

• Usar: Tú ("¿puedes pagar?") o Usted según formalidad del país

• Evitar: Voseo argentino ("¿podés pagar?") en modelo neutro

Expresiones transversales:

• Usar: "¿Cómo estás?", "Entiendo tu situación", "¿Qué día te viene mejor?"

• Evitar: "¿Qué onda?", "¿Qué hubo?", "Dime a ver"

Qué Adaptar por País (Dialectos)

El modelo neutro es la base, pero añade capa de adaptación:

Detección automática de país:

def get_dialect(phone_number):
country_code = phone_number[:3]
dialect_map = {
"+52": "mx", # México
"+54": "ar", # Argentina
"+57": "co", # Colombia
"+56": "cl", # Chile
...
}
return dialect_map.get(country_code, "neutral")

def adapt_response(response, dialect):
adaptations = {
"mx": {"dinero": "lana", "¿puedes?": "¿puedes?"},
"ar": {"dinero": "guita", "¿puedes?": "¿podés?"},
"co": {"dinero": "plata", "ok": "listo"},
}

for original, local in adaptations.get(dialect, {}).items():
response = response.replace(original, local)

return response

Evaluación y Métricas de Calidad

Métricas Técnicas

STT (Speech-to-Text):

• WER (Word Error Rate): métrica principal de calidad de transcripción
• Evaluación por dialecto: Medir WER separadamente para mexicano, argentino, colombiano, etc.

Testing Continuo

A/B Testing:

• Versión A: Script actual

• Versión B: Script optimizado

• Medir recovery rate, NPS, quejas en muestras de 1,000 casos c/u

Análisis de conversaciones fallidas:

Cada semana, revisar 50 conversaciones donde:

• Cliente colgó abruptamente

• Escaló a humano frustrado

• No se entendió la intención

• Se generó queja

Identificar patterns y re-entrenar modelo.

Infraestructura de Entrenamiento

Requisitos de Cómputo

Fine-tuning de modelos grandes:

• GPU: NVIDIA A100 (40GB VRAM) o V100 (32GB)

• Alternativa cloud: Google Colab Pro ($10/mes), AWS SageMaker, Google Vertex AI

• Tiempo: Fine-tuning de BERT toma 2-8 horas según dataset

Para producción:

• Inferencia: GPU no necesaria si usas CPU optimizado (ONNX Runtime)

MLOps: Ciclo de Mejora Continua

Pipeline automatizado:

1. Recolección: Nuevas llamadas se transcriben automáticamente

2. Etiquetado: Humanos etiquetan muestra (10% de nuevas llamadas)

3. Re-entrenamiento: Mensual con datos nuevos

4. Evaluación: Validar que métricas mejoren (no empeoren)

5. Deploy: Gradual (10% → 50% → 100%) monitoreando performance

Herramientas:

• Experiment tracking: MLflow, Weights & Biases

• Model registry: Hugging Face Hub (privado), AWS SageMaker Model Registry

• Monitoring: Grafana + Prometheus para latencia y accuracy en producción

Alternativa: Usar Plataforma Pre-Entrenada vs Build Your Own

DimensiónBuild Your OwnUsar Kleva (Pre-Entrenado)

Expertise requeridoML engineers, lingüistas, DevOpsSolo configuración de casos de uso

Recomendación:

• Build your own si: Tienes equipo ML in-house, casos de uso MUY específicos no cubiertos por soluciones comerciales, presupuesto $500k+

• Usa plataforma si: Quieres resultados rápidos, enfoque en negocio no en ML, presupuesto limitado

Conclusión: Complejidad Justificada, Pero Evitable

Entrenar modelos de IA para cobranza en español neutro es técnicamente complejo: requiere datasets masivos, expertise en NLP, infraestructura GPU, y ciclo continuo de mejora.

Sin embargo, para la mayoría de instituciones financieras, no necesitas construir desde cero.

La pregunta no es si puedes entrenar tu propio modelo. Es: ¿tiene sentido reinventar la rueda cuando soluciones probadas ya existen?